作为围绕工业物联网(IIoT)不断加剧的噪音的一部分，预测性维护通常被视为向前推进的最具说服力的最初论据之一。然而，随着制造商开始着手实施，他们发现从关联资产收集数据只是冰山一角。识别正确的数据，将这些数据置于环境中，使其映射到期望的目标，并将整个过程连接到现有的工作流程中，这才是真正艰巨的任务，这会给所有公司带来障碍，但最先进的公司除外。
从几十年前，基于剪贴板的数据收集和维护过程由现场工厂人员执行，并可由远程工作人员进行自动化和编排的数字工作流，这需要一定程度的信心和数字基础设施成熟度，在大多数制造商中尚不普遍。许多遗留工业资产仍然没有配备传感器，更不用说连接了，这阻碍了任何潜在的数据收集。此外，大多数制造商还不清楚如何创建和应用机器学习和预测模型，以推动下一代维护工作流程。
“尽管有工业物联网的热潮，但仍有很多FUD(恐惧、不确定性和怀疑)，”该公司高级服务全球项目主管凯文·斯塔尔(Kevin Starr)说ABB．“企业知道，一场真正的工业革命即将到来，有很多讨论，但它们不想犯错误，不得不重新努力。”
制造商已经抓住了预测性维护的概念，将其作为工业物联网的一个强大投资回报(ROI)用例，希望通过消除停机时间、简化服务调用和降低维护成本而受益。ThingWorx物联网平台战略营销副总裁Rob Patterson承认，尽管这些指标对物联网预测性维护应用来说是可行的，但制造商们意识到，从试点项目扩大到生产要困难得多PTC(列车自动控制系统)．
“许多公司陷入飞行员炼狱的物联网项目,”帕特森说,解释说,制造商可以通过判断错误绊倒如何设计和构建预见性维护模型而缺乏专职的数据科学家和领域专家是谁获得的关键项目。“人们认为这是一个魔法方块，最终产生结果和预测，几乎不需要人工参与。但这是对机器学习本质的错误认识。”
预测性维护堆栈
与任何新的和变革性的计划一样，没有一个打包的、开箱即用的预测性维护解决方案，这是大多数制造商的一个障碍。成熟的预测性维护应用需要的不仅仅是连接和传感器的工业资产，这本身就不是一项容易的任务。一个有效的解决方案是围绕云平台构建的，用于吸收和聚合所有不同的数据点，分析和机器学习功能，用于梳理数据和挖掘见解，集成功能，用于访问其他核心企业系统，如企业资源规划(ERP)或服务平台，基于仪表板的良好设计的用户体验，使维护人员能够轻松地进行所需的修复，并进行流程更改，将预测性的见解与现有的维护服务系统和工作流联系起来。
“这需要物联网技术相当成熟的水平，”专门研究数字转型和物联网的高级行业分析师Alan Griffiths指出Cambashi，一家全球研究公司。“这项技术正在出现，一些公司正在有效地使用它。但并没有多少公司将这些应用整合到大规模生产的水平。”
Griffiths说，一些制造商已经通过传感器数据对一些时间跟踪资产进行了某种形式的预测维护，以了解，例如，何时应该更换某种特定类型的电机。但这通常是在聚合级别上完成的，而不是打开一个窗口，了解特定资产的条件和失败可能性。随着企业进入的领域IoT-enabled预测性维护,他们通常先做简单的监控问题警报如果温度高于某个阈值,例如,然后继续控制和优化,让他们分析应用于传感器数据的失效模式有了更加深入和先发制人的修复,他解释说。
尽管许多客户侥幸这家提供计算机维护管理软件(CMMS)和企业资产管理软件(EAM)的公司正在讨论预测性维护，Accelix的副总裁凯文·克拉克(Kevin Clark)说，他们既没有完全理解这个概念，也没有建立一个合适的状况监测基础来捕捉基础数据，并提供环境来判断某件事是否即将失败或恶化。Accelix是一个新的集成层，将Fluke的eMaint CMMS与各种连接工具(如传感器和第三方系统)连接起来。
克拉克解释说，客户可以通过Fluke Connect Cloud轻松地开始收集和汇总他们资产的数据。困难的部分是知道这些数据告诉你什么。“预测的基础是理解数据，”他说。“这就是预测性没有得到普及的原因，因为它还不够简单。”
Fluke Connect Cloud中的基于状态的数据可以在资产运行过热或振动过大时发出警报，触发给运营商的工作流程，从而让公司从基于状态的监控转向基于状态的维护。即便如此，克拉克承认这仍然无法预测。为了达到这一目标，公司需要进行适当的探索，以确定他们想要检测哪种故障模式，然后在传感器收集的数据之外，什么样的数据对创建更可行的分析环境至关重要。他说:“要真正理解什么是预测点，你需要对设备和资产周围的流程进行研究。”“大多数人还没有做到这一点，因为太难了。”
制造商首先应该后退一步，确定哪些资产是最关键的，因此可以进行预测性维护。执行人员应该按制造商和设备类型提取设备，了解哪些设备对业务影响最大，并阐明哪些可能的故障模式是最主要的，Joe Nichols，工业应用的首席运营官说通用电气数字．一旦这项工作完成，就需要识别能够将调查结果上下文化的数据——无论是来自另一个企业系统的信息，它可以揭示过去的维护记录或正在进行的质量问题，甚至是外部资源，如天气或地理空间信息。
远程监控和分析服务产品经理Phil Bush表示，在诸如何时进行维修、最常见的资产停机时间以及常见故障的根本原因等问题上的专业知识，对于创建预测性维护模型也至关重要罗克韦尔自动化．他解释说:“你需要研究模式，以确定特定的表现数据和你过去看到的事件之间的关联，以及正常的行为模式是什么。”“从那里，你可以知道是否有问题。”
数据困境
获得正确的基础数据对推动正确的分析也至关重要。麻省理工学院负责热能的副总裁Michael Donohue指出，识别正确的数据资源不仅很重要，还需要确保数据是准确的，在足够细的水平上进行预测吸收．面向市场的基于云的系统，覆盖现有的ERP或监控和数据采集(SCADA)系统，吸收和分析传感器、企业甚至环境数据(如天气和雷击)，提供与性能、能源优化和预测性维护相关的见解。
中美能源该公司是一家为近150万电力和天然气客户提供服务的能源供应商，也是伯克希尔哈撒韦能源公司(Berkshire Hathaway energy)的全资子公司。Donohue解释说，通过从涡轮机获取数据并进行分析工作，Uptake能够立即识别出某一特定涡轮机的一个主要轴承出了问题，因为它的特征与之前导致变速箱灾难性故障的故障相似。Uptake让中美能源的工程师知道了这一情况，并且团队能够以不到5000美元的价格发布一个快速修复。现在，在实施Uptake计划的几个月里，该公司发现了一些类似的异常情况，节省了25万美元，这些异常情况发生在目前管理的超过10%的涡轮机上。
中美能源维护经理Mark Jeratowski说:“能够提前计划，提前看到异常和故障，能够计划这些，让技术人员一次性进入塔内进行维修，这是维护项目的领先优势。”
与数据一样重要的是创建闭环流程并集成到其他企业系统中，以便您可以在需要时自动启动维护操作。为此，通用电气将其基于云计算的ServiceMax现场服务管理与资产绩效管理(APM)软件紧密结合，以缩小差距，为工作订单提供便利，提前解决问题，并提供服务历史等领域的相关信息。包括以前的故障信息和故障修复的频率。
“我们看到人们实施预测系统，管理他们的数据，发现他们不喜欢的异常情况，但他们没有一个系统的方法来关闭警报的循环，”Nichols解释说。
最后，预测性维护项目将跨越一系列成熟度级别，从简单的温度阈值映射到关键故障模式，再到模式变化的多变量分析。尼科尔斯说:“它们会从超级简单到解决真正的大问题，或者从超级复杂到解决真正的大问题。”“客户需要知道他们试图解决的问题，以及他们能够处理的复杂程度。”
