您的機械設備健康嗎？您將如何避免或者減少設備故障的發生？在需要24h不停運轉的工業生產中，突發故障會造成難以挽回的損失。為了能夠更加主動地減少故障，避免非計劃性停機，越來越多的企業開始采取預測性維護等新的技術，來避免設備故障造成的生產損失和材料浪費。

企業在對設備進行維護時，可以選擇不同的維護方式，包括定期維護、事后維護和預測性維護等。放眼工業4.0、智能制造，預測性維護就成為了最佳的維護方式之一，相較于其他的維護方式，預測性維護具有智能化，降低維護成本，增加不停機運行時間等特點。那么如何才能真正實現預測性維護？實現過程中將面臨哪些挑戰？又該如何解決這些問題？帶著一系列問題，工控小編有幸與美國MathWorks公司預測性維護技術領域的技術大咖陳建平先生面對面交流，并就目前預測性維護相關問題展開了討論。

美國MathWorks公司陳建平先生

預測性維護的優勢以及與傳統狀態監測的區別是什么？

近年來，制造企業紛紛開始采用預測性維護技術，以期有計劃地降低停機概率。但是，大部分人真的了解預測性維護嗎？對傳統設備監測等同于預測性維護么？針對預測性維護的數據搜集的難點在哪里？

陳建平表示，雖然，利用傳感器進行狀態監測已有較長的一段時間，但這并不代表簡單的狀態監測就是預測性維護。“狀態監測是對設備運行狀態進行全時監督，而預測性維護技術是在傳統狀態監測的基礎上，采用更加先進的分析方法，進一步預測設備壽命，甚至對潛在故障類型進行診斷。可以說，預測性維護包含了狀態監測，是傳統狀態監測的進一步發展。”陳建平解釋道。

狀態監測可以收集被監測設備狀態的實時信息，而預測性維護的核心思想是在監測的基礎上，進一步預測設備的運行壽命，甚至能夠對潛在的故障類型做出診斷。當前大多數的狀態監測還都只停留在數據收集的初級階段，還未能前瞻性地預測設備即將出現的問題。 

預測產品剩余壽命

實現預測性維護的步驟就如同金字塔一樣排列，最基層的便是有效數據的收集。具體體現在各類傳感器的布置上，選擇何種傳感器，在哪些關鍵位置進行部署，需要取決于企業的實際需求與所應用的設備類型。通過傳感器搜集設備運行數據，從數據中分析設備的狀態，便能提前預測故障的發生，減少并消除潛在非計劃停機。

現實情況是，在很多工業現場往往沒有安裝足夠的傳感器，或者企業并不知道該如何部署傳感器的位置。因此，很多設備的預測性維護系統開發就可能卡殼在第一步數據收集上。陳建平介紹，“借助數字孿生，可以模擬設備的運行狀態。以數字化方式為設備創建物理模型，用實時工作數據作為工況載荷進行仿真分析，并借此注入錯誤，搜集特征數據，實施預測性維護，同時也能幫助企業分析并預測設備潛在故障點。”

預測性維護可以有效地預測設備的故障概率和使用壽命，通過整合系統的相關數據，以此優化生產過程中的方方面面。陳建平表示：“對于設備制造商和設備使用者來說，預測性維護的優點有很多，設備的使用者是預測性維護的終端客戶，他們是該技術的主要受益方。而原始設備制造商們依托于預測性維護則可以更加高效的塑造自己的產品，為客戶提供擴大的技術服務。可以說預測性維護不僅能夠讓客戶受益，也在幫助原始設備制造商不斷改進他們的產品。”

如何讓預測性維護變得更簡單？

關于預測性維護的探討非常熱烈，那么我們應當如何做才能使之更為有效呢？可以從現在開始思考以下問題：

我們是否有適合工作的工具？

我們擁有哪些未被有效使用的數據？

我們如何確定何時更換設備而不是維修？

預測性維護是未來的發展趨勢，企業需要一個能夠避免傳統系統各種弊端的創新解決方案。這個解決方案不僅要簡單、成本低，而且要靈活易用，減少繁重的系統維護負擔。

 預測性維護流程圖

在預測性維護系統開發過程中，用戶首先需要分析監測數據的趨勢變化和特征，繼而依賴人工智能進行大量的數據分析，最后做出合理的解釋。但是，這是一個跨嵌入式系統開發、信號分析、人工智能甚至物理建模的多領域問題，單一維護團隊缺乏足夠的技能從零構建整個系統。因此更加需要借用專業的工具對數據進行分析以此降低工作難度，簡化開發步驟。“有一點需要注意，工業領域的應用場景相對復雜，因此僅擁有機器學習等算法知識是不夠的，需要具有深厚的工業領域知識專家結合先進的IT技術，才能實現真正的預測性價值。”陳建平補充道。

借助專用的工具及軟件，便能夠及時發現問題，并準確地預判問題。陳建平認為，“預測性維護的未來一定會體現在算法、軟件和領域知識的結合，而MathWorks要做的就是希望通過更簡單的方式，幫助那些關注開發效率的客戶，降低算法和實現的門檻，更有效地實現預測性維護系統。”從數據出發，依靠對相關領域知識的理解，將兩者充分結合，往往能夠發揮更好的效果。

作為一家專業算法和系統建模的工具提供商，MathWorks不僅為用戶提供最為基礎的工具，還幫助客戶應對未來即將發生的挑戰。如今，MATLAB產品中增加了新的Predictive Maintenance Toolbox，可以幫助工程師設計并測試狀態監測和預測性維護算法。借助Predictive Maintenance Toolbox，工程師能分析和標注從存儲于本地或云端的文件中導入的傳感器數據。并且可以從Simulink構建的數字孿生模型生成仿真故障數據以表征設備故障。使用生存分析、相似性分析和基于趨勢的模型來預測RUL，可幫助工程師預估機器發生故障的時間。

通過Simulink 構建泵的物理模型

曙光初現 問題尤在

如何預測未來通常是亙古難題。相比之下，在預測系統幫助下，原始設備制造商和設備使用者卻能夠更加清晰而精確預測設備未來的工作狀態。盡管預測性維護的概念已得到廣泛認可，但在國內應用這種方式進行維護的企業卻只占很小的比例。對于很多用戶來說，潛在的高成本和復雜度仍然是一個不小的障礙，并且缺乏綜合性的跨領域技術人才也是預測性維護技術難以推廣應用的重要阻礙之一。

面對未來，我們需要的是更多的廠商來提供簡單易用的工具和解決方案，降低準入門檻，從而更好地在生產過程中有效地幫助工程師們解決所遇到的問題，同時快速的把他們的想法轉變成產品。緊緊跟隨用戶腳步的MathWorks，正不斷為用戶提供強有力的預測性維護技術支持。 

如果你想了解真實公司的范例以及克服實施預測性維護工作過程中常見障礙的方法，識別下圖二維碼即可獲取《使用 MATLAB 和 Simulink 克服預測性維護的四個常見障礙》白皮書，輕松了解更多內容。

Ps：您是否曾打算使用或正在使用預測性維護策略？請在留言評論中告訴我們，讓其他讀者了解您從被動維護到預測性維護的轉變過程！如果您對預測性維護感興趣，歡迎點擊“智能制造中的故障診斷和預測性維護”，查看預測性維護技術領域的技術大咖陳建平先生的專欄內容。