根据Aberdeen Group进行的一项调查显示，“同类最佳”公司越来越多地利用物联网（IoT）和大数据来实施预测性维护模型，以解决和改善其最大的运营挑战。

我们发现预测性维护可以：

▲将意外停机时间减少到3.5％

▲将整体设备效率提高到89%

▲将维护成本降低13％

▲将资产回报率提高24％

任何运行机械的行业——制造、运输、楼宇自动化等，都可以从启用预测性维护中受益。与任何其他维护模式相比，预测性维护的价值在于，它使维护和运营决策者能够在资产（设备）发生影响人员、运营或生产的故障之前预测何时需要干预。预测性维护通过收集和分析各种类型数据，提供最高的资产可见性，以提供以下好处：

▲确定关键预测因素并确定结果的可能性。

▲通过应用可测量的实时和历史数据来优化决策。

▲规划、预算和安排维护维修，合理、及时替换和备件库存。

我们建议遵循以下六个步骤来实现预测性维护：

▲建立预测性维护的业务案例：为成功实现预测性维护，重点应放在影响运营和生产以及管理风险的独特问题上，而且了解企业关注的指标以及需要改进的指标非常重要。考虑以下问题以确定预测性维护项目的关键目标并确保成功：

1、如何将数据驱动的决策集成到现有维护实践中？

2、设备故障将如何影响人员、运营或生产成本？停机成本是多少？

3、哪些关键设备可能会故障？何时故障？以及为什么会故障？

▲识别数据源并确定其优先级：资产连网的增加和智能设备的使用可能会产生了大量数据。不需要也不建议处理所有这些数据，相反，开始预测单个设备的故障，重点关注与其具体相关的可用现有数据。

▲收集选定的数据：选定的数据可能位于不同的位置，从网络边缘的设备到服务器机房，再到企业云，包括传感器、仪表、企业资产管理系统以及监控和数据采集系统。理想的预测性维护解决方案应该足够灵活，使您能够从所有这些数据源中收集信息，以学习并不断做出更好、更明智的商业决策。

▲确定在哪里执行分析：根据您的具体操作建立高级分析基础。例如，可以平衡边缘（或本地）和云分析，以减轻云部署中易损预测性维护数据的传输负担。分布式方法使您能够在边缘监测和响应本地事件，并立即对流式数据采取行动，同时在云中集成其他数据源。

▲组合并分析数据以获得精准洞察力：首先分析可用数据以定义机器正常运行的参数。这使得能够通过状态监视来创建规则，以分析直接来自机器传感器的实时数据。借助网关等边缘计算设备，分析可以尽可能靠近机器进行，使用本地I/O从工业设备收集数据，并能够在恶劣环境中运行。在分析实时数据后，添加历史和第三方数据（如可靠性模型和日志），以发现与实时数据规则生成的异常之间的相关性、模式和趋势，以指示潜在故障。这些模式可用于进一步优化您的规则并实时提供可操作的洞察力。

▲采取行动：通过单个管理平台将所有资产（设备）的综合风险评估整合到您的运营中，将洞察力转化为行动。例如，当发现潜在问题时，边缘计算设备可以触发一个事件，允许您向相关方发出自动警报，例如位置、估计的替换零部件和建议的纠正措施，以避免灾难性事件。然后，通过从替换零件中获取磨损特征数据，您可以不断优化预测性模型并从性能洞察中学习。最后，探索预测性维护数据的其他用途，例如自动化监测报告和增强对零部件供应商的评估。

『本文转载自网络,版权归原作者所有,如有侵权请联系删除』