自工業(yè)革命以來，維護(hù)經(jīng)理一直在與設(shè)備故障作斗爭?；蛟S您就是其中之一。雖然過去幾代人的問題在今天仍然很普遍，但工業(yè) 4.0技術(shù)為經(jīng)濟(jì)高效、可擴(kuò)展的解決方案帶來了新的希望，使維護(hù)經(jīng)理能夠預(yù)測問題，并在問題導(dǎo)致計(jì)劃外停機(jī)之前加以解決。

來自無線傳感器、手持工具、監(jiān)測和數(shù)據(jù)采集 (SCADA)系統(tǒng)等不斷增長的狀態(tài)監(jiān)測數(shù)據(jù)流，再加上現(xiàn)代軟件和分析，正在為工廠車間變革奠定基礎(chǔ)。今天，預(yù)測性維護(hù)能讓維護(hù)經(jīng)理實(shí)時(shí)監(jiān)測資產(chǎn)狀況數(shù)據(jù)，以防故障發(fā)生。

然而，即將到來的人工智能和機(jī)器學(xué)習(xí)技術(shù)有望帶來更大的互聯(lián)可靠性時(shí)代。過去，數(shù)據(jù)收集和數(shù)據(jù)分析是兩個截然不同的流程。雖然數(shù)據(jù)收集具有可擴(kuò)展性，但專家執(zhí)行分析的成本和有限的可用性，使得有效覆蓋僅適用于一小部分關(guān)鍵資產(chǎn)。未來，傳感器和軟件不僅可以在機(jī)器故障發(fā)生之前進(jìn)行預(yù)測，而且還可以幫助團(tuán)隊(duì)診斷問題并推薦解決方案。這種做法被稱為規(guī)范性維護(hù)。

機(jī)器學(xué)習(xí)與商業(yè)智能

如今，許多維護(hù)經(jīng)理已經(jīng)在應(yīng)用商業(yè)智能 (BI) 技術(shù)來支持分析和改進(jìn)決策。商業(yè)智能包括可視化工具，可以更容易地利用現(xiàn)有數(shù)據(jù)，對于許多維護(hù)組織來說，這是一種很有吸引力的方法，因?yàn)樗麄兊墓疽呀?jīng)在使用BI工具，而且系統(tǒng)可以相對用戶友好。

雖然商業(yè)智能工具和技術(shù)對于收集、可視化和分析數(shù)據(jù)很有用，但仍然需要人類專家來執(zhí)行分析，這限制了覆蓋的廣度和深度。結(jié)合機(jī)器學(xué)習(xí)(ML)技術(shù)，通過依靠算法而不是人類專家來執(zhí)行分析，解決了BI方法的可擴(kuò)展性限制。這些算法可以通過多種方法開發(fā)，包括無監(jiān)督學(xué)習(xí)技術(shù)，這些技術(shù)極大地?cái)U(kuò)展了可以分析的場景以及預(yù)測的準(zhǔn)確性和精確度。

在當(dāng)今的維護(hù)世界中，利用機(jī)器學(xué)習(xí)意味著首先要確定有助于預(yù)測設(shè)備故障的正確數(shù)據(jù)集。只有這樣，才有可能創(chuàng)建一個可重復(fù)的機(jī)器學(xué)習(xí)流程，以捕獲、分析、診斷和解決業(yè)務(wù)問題。

處理大數(shù)據(jù)

有無數(shù)可用的數(shù)據(jù)源提供與分析資產(chǎn)健康狀況和實(shí)現(xiàn)預(yù)測性維護(hù)相關(guān)的信息。與以往相比，更多的團(tuán)隊(duì)正在處理來自更多來源的更多數(shù)據(jù)。通常，團(tuán)隊(duì)的現(xiàn)有數(shù)據(jù)不適合機(jī)器學(xué)習(xí)工作，團(tuán)隊(duì)不應(yīng)該簡單地嘗試使其數(shù)據(jù)適合。

幸運(yùn)的是，現(xiàn)在有許多公司正在開發(fā)先進(jìn)的狀態(tài)監(jiān)測傳感器，可以幫助組織開始這一旅程。借助當(dāng)今先進(jìn)的狀態(tài)監(jiān)測傳感器，團(tuán)隊(duì)可以進(jìn)行全天候測量，從而清楚地了解資產(chǎn)健康狀況和性能，而無需花費(fèi)額外的人力。振動傳感器和其他狀態(tài)監(jiān)測裝置使團(tuán)隊(duì)可以輕松快速地對資產(chǎn)進(jìn)行故障排除。來自無線狀態(tài)監(jiān)測傳感器的測量結(jié)果可以自動發(fā)送到云端，從而減少錯誤和手動操作的需要。

機(jī)器學(xué)習(xí)如何改變資產(chǎn)可靠性

振動傳感器是新狀態(tài)監(jiān)測項(xiàng)目的常見起點(diǎn)，但其他可能性包括超聲波、油分析、熱成像和電機(jī)測試。了解資產(chǎn)如何發(fā)生故障(其主要故障模式)可以告訴您需要觀察哪些指標(biāo)，從而知道哪種測量方法最適合該資產(chǎn)。

通過機(jī)器學(xué)習(xí)，資產(chǎn)在人們需要參與之前就可以收集、分析和診斷數(shù)據(jù)。工程師在系統(tǒng)分配工單之前驗(yàn)證診斷。完成維修后，技術(shù)人員可以輸入他們的發(fā)現(xiàn)，而該算法可以從其接收的輸入和驗(yàn)證中學(xué)習(xí)。

但是，該怎么做呢?

機(jī)器學(xué)習(xí)入門

與其推出一個全組織規(guī)模的機(jī)器學(xué)習(xí)計(jì)劃，不如從小處著手，并逐步擴(kuò)大規(guī)模，這樣更有可能取得成功。以下是一些通用步驟，將使任何人受益，無論他們的起點(diǎn)如何：

(1) 完成資產(chǎn)關(guān)鍵性分析：按重要性層次對資產(chǎn)健康和維護(hù)進(jìn)行優(yōu)先級排序，為團(tuán)隊(duì)提供重點(diǎn)和方向。根據(jù)每項(xiàng)資產(chǎn)在特定組織中的用途對其進(jìn)行評級，包括故障時(shí)的業(yè)務(wù)影響。資產(chǎn)關(guān)鍵性分析可以深入了解哪些資產(chǎn)是狀態(tài)監(jiān)測的主要關(guān)注對象。

(2) 規(guī)劃試點(diǎn)項(xiàng)目：從上面確定的一小組資產(chǎn)開始。確定最常見的故障模式和適當(dāng)?shù)臓顟B(tài)監(jiān)測技術(shù)來檢測它們。您將需要一個可持續(xù)的、可重復(fù)的數(shù)據(jù)收集流程。確定適合您需求、規(guī)模和預(yù)算的狀態(tài)監(jiān)測傳感器和策略。確定您的模型創(chuàng)建方法，選項(xiàng)包括加入數(shù)據(jù)科學(xué)資源、將開發(fā)外包給第三方或采用現(xiàn)成的解決方案。

(3) 建立框架和評估標(biāo)準(zhǔn)：創(chuàng)建一個工程分析框架，使您能夠測試資產(chǎn)診斷的準(zhǔn)確性，并建立對解決方案的信心。評估可能需要哪些步驟才能將此驗(yàn)證納入您組織的標(biāo)準(zhǔn)流程和工作流程中。

定義試點(diǎn)成功的標(biāo)準(zhǔn)。這可以包括試點(diǎn)的持續(xù)時(shí)間、覆蓋的資產(chǎn)數(shù)量、正確識別的故障數(shù)量、錯誤診斷故障的閾值、遺漏故障的閾值等。

(4) 啟動試點(diǎn)階段：成功試點(diǎn)的時(shí)間表會有很大差異。它取決于部署狀態(tài)監(jiān)測技術(shù)的交付周期、數(shù)據(jù)收集的頻率、儀表化資產(chǎn)的數(shù)量、目標(biāo)故障模式的頻率以及許多其他因素。一個明確的項(xiàng)目時(shí)間表和商定的里程碑對于保持組織中的支持以使試點(diǎn)工作順利完成至關(guān)重要。確保在整個試點(diǎn)過程中進(jìn)行開放式溝通，以便您的團(tuán)隊(duì)了解最終目標(biāo)和實(shí)現(xiàn)目標(biāo)的進(jìn)度。

(5) 與利益相關(guān)方一起審查結(jié)果：一旦您有了試點(diǎn)項(xiàng)目的數(shù)據(jù)，并且您的團(tuán)隊(duì)擁有了一些經(jīng)驗(yàn)，那么您就可以為進(jìn)一步的擴(kuò)展計(jì)劃提供理由。與您的團(tuán)隊(duì)一起，回顧成功案例和改進(jìn)機(jī)會，并確定改進(jìn)設(shè)置的方法。

(6) 推出更大的計(jì)劃：回到您的資產(chǎn)關(guān)鍵性分析，以確定如何擴(kuò)大您的狀態(tài)監(jiān)測計(jì)劃。您可以在一個設(shè)施內(nèi)或多個設(shè)施之間擴(kuò)展您的計(jì)劃，具體取決于您組織的需求和優(yōu)先級。

資產(chǎn)管理的未來

對于組織來說，了解不斷變化的維護(hù)和可靠性態(tài)勢至關(guān)重要。認(rèn)識到包括機(jī)器學(xué)習(xí)在內(nèi)的新興工具和技術(shù)的好處，是組織在快速變化的時(shí)代生存和發(fā)展的關(guān)鍵。

維護(hù)的最終目標(biāo)——保持一切正常運(yùn)行——沒有改變。但是，這些技術(shù)將使維護(hù)團(tuán)隊(duì)更聰明地工作，而不是更努力地工作。