Unleash_the_Power_of_IoT-based_Predictive

释放基于物联网的预测性维护的力量

原创：iiot-world

如今竞争激烈的工业世界中，预测性维护不再是一件“有了会更好的”事儿; 而是已成为必需品。传统的预测性维护方法PdM是存在一些限制的。随着无线技术、云技术和AI技术的进步，预测性维护近几十年的发展方式正在被颠覆。一些公司正在利用这些技术,来提供端到端的,易于部署的预测性维护的解决方法，而这些解决方法的价格也完全可以承受得起。这种趋势被称为工业物联网(iiot)。据ARC和其他人士称，预测性维护是目前所有物联网运用中最大的使用案例。本文将传统的模型和现代的基于物联网的预测性维护方法进行比较。

一, 运行到故障和预防性维护

传统上，由于预测性维护成本高昂，大多数工厂都采用了反应式（运行至故障）或预防性维护模式。在反应（被动）模式中，机器仅在发生故障时进行修理或更换。这会导致突如其来的意外停机和显着的维修成本。建议理想情况下，只对运营影响甚微的,最不重要的资产上采用反应模式。

而预防性维护方法，是维护团队创建预定义的维修方案，而不考虑机器的实际情况。工作订单进度通常基于生产厂商的建议。这些进度表可能会不可靠，因为机器的实际运行状况可能与推荐的工作条件不同。另外，不适当的预防性维护可能会导致意外故障。

这两种方法中的任何一种，它们的重点都不在于评估和预测机器状态上。

二,传统预测性维护

预测性维护是指了解机器是否真的健康，以此来确定是否需要纠正措施的一种维护方法。为了确定机器的健康状况，传感器被用来测量各种机器参数，比如振动、温度和超声波。

在连续监测中，机器上安装了有线传感器，并连接至资产管理软件。但是，这是一个非常昂贵的解决方案，通常只用于最关键设备的很小一部分。

为了平衡兼顾工厂设备，预测性维护通常采用四处绕走的流程进行。技术人员定期巡视工厂,并使用数据收集器收集传感器数据。

然而，这种每月一次数据收集的传统方法并不真正具有预测性，因为它具有一些限制。

(一月一次的数据收集不等于实时的预测性维护)

以下是四处巡视的程序不构成真正预测性维护解决方案的主要原因。

1.数据收集轮次之间的失败：即使在运行良好的四处走动的程序中，技术人员每30或90天只收集一次数据。问题在于,上次数据收集周期后发生的任何缺陷，只有在下一个数据收集周期才会被发现。因此，机器仍然容易发生故障，导致意外停机。

2.数据收集不一致：在四处绕走巡视的程序中，技术人员可能无法准确而一致地放置传感器，这会导致错误的数据和对机器健康状况评估不准确。

3．易变的操作条件：在数据收集过程中需要考虑的最重要的事情之一是机器的操作条件需要每次都一样。但是，这很难做到。所以当分析人员看到传感器显示数据偏高时，他们可能会不准确地将其归结为机器故障。然而，这可能仅仅只是因为负载增加的一个激增而已。

4. 无法进入的机器：机器通常不易接近，要么是因为考虑到安全问题，要么是被放置在笼子里。所以技术人员最终不能收集这些机器上的数据，这往往也容易导致他们失效。

5. 手动分析：所有收集的数据都需要进行手动分析。这就会导致数据的不实时性，而且当你处理成千上万的机器时，很难去扩大手动分析。

直到最近，因为持续监控非常昂贵，大多数行业还都在依赖四处巡视来搜集数据的程序。但再也不会是这样了！

三,技术趋势为预测性维护革命铺平了道路

工业物联网正在向连续的,基于实时状态的监控,和预测性维护转变，而且使这种转换非常简单且经济。推动这一变化的关键趋势有四种：

无线连接：随着蜂窝和Wi-Fi连接的出现，无线连接现在非常普遍，这使得无线传感器能够感应和传输任何的机器参数。传感器不再需要接线，从而使数据收集自动化,也节约了成本。
便宜的传感器：智能手机的革命的确降低了传感感应的价格。小型化的低成本MEMS（微机电系统）传感器也比以前更容易获得，价格也更实惠。
云计算：云计算已经变得更“强壮”，高度安全也非常便宜。这使得一些工业工厂能够从小规模开始，一步步随着需求的增长而扩大规模。
人工智能（AI）：人工智能技术终于成为了主流。监测时间系列传感器数据是不可能通过手动完成的。AI可以作为分析师的有效“助手”。

当这些技术单独呈现的时候，它们都已经具有一定的价值，但当它们结合成一个解决方案时，它们便有能力改变工业世界。

四,预测性维护的未来就在这里

现代解决方案包括可以连续收集数据的无线传感器。传感器密切关注机器的关键参数，如振动或温度。传感器会定期地、或当超过阈值时，通过无线网关（如WiFi，蓝牙或市场上可用的各种其他无线技术）将数据无线发送至云端。一旦数据到达云端，它将被进行处理,以提取确定机器运行状况所必需的关键参数。用户可以查看这些关键参数的趋势，并在网站或移动的仪表板上设置阈值。

更复杂的解决方案还包括一个分析模块，它可以实时地和自动地分析所有传感器数据。由于人工智能的最新进展（如深度学习和GPU芯片的使用），基于人工智能的分析能够检测机器异常情况、进行诊断并提供预测。未来这一领域的进步包括将多个传感器参数与历史工作指令信息结合在一起。而所有的这一切都将会是实时发生的！

未来有望实现完全自动化的预测性维护。不会再有手动数据的收集，不需要出现在机器附近的现场。而使用AI技术，它确实有助于扩展机器专家的工作。AI可以密切关注所有机器，并标记出有问题的那些设备。而专家只需要检查显示异常的机器的健康状况。AI完全取代了设置和维护手动报警的需要。这些警报难以准确设置，继而最终用户往往会失去对系统的信心。但是对于人工智能而言，警报是由数据驱动的，数据对于人类来说是很难处理的，但对计算机而言处理起来却很轻松。

从历史来看，采用先进技术需要投入巨额的前期运营资本，而这往往会导致技术的应用受到限制。然而，随着这些新技术的出现，这样的情况再也不会出现。传感器和软件会变得越来越便宜。此外，工厂可以小型化地开始，通过监控几台关键机器，然后逐渐扩展到整个工厂的设备。

更重要的是，这一切很出色的技术转化为实实在在的好处。工厂能够排除意外的停机，降低预防性维护成本，并减少意外维修成本。

五,总结

所有东西，包括从我们吃的食物到为我们的汽车提供动力的燃料，从我们服用的药物到照亮我们房屋的电力，都是由工厂提供。这些工厂拥有数百万台机器，它们翻转、搅拌、混合、研磨和运输物品。通过基于AI的分析进行无线预测性维护，可以监测、分析和预测这些推动着我们日常生活的机器设备的健康状况。

我们看到的未来，是预测性维护将完全被预防性维护所取代。只有在预测技术显示机器运行状况不佳时，才需要进行修理或纠正措施。与传统方法相比，具有明显优势的无线预测性维护，可以泰然自若地永久地改变维护。

视频: 瑞士www.omnisens.com

电力线管理技术 (Axzon无源,无线温度传感器应用场景之一) 地热,地震,事故损坏,早期的损害侦测,光纤集成到电力线里面,或者在隔壁的通信线缆,检测至100公里的距离,定位1米以内的热点.电力工程师可以知道线缆是否工作在设计的工作指标极限以内.风力发电, 深水, 温度被持续地监控, 维护可以被预测,资产的寿命就延长了.