例如，西门子人工智能机器健康管理平台 Senseye Predictive Maintenance 在 2022 年发布的一份报告指出，大型工厂平均每月因机器意外停机而损失 25 小时生产时间[1]，而停机仅一小时的损失，就从生产快速消费品工厂的平均 39,000 美元到汽车行业的 200多万美元不等。德勤咨询公司表示，每年非计划机器停机给工业制造商造成的损失估计高达500亿美元[2]。
这些数据表明，等待设备或机器发生故障后才进行维修，其实并不可行；然而，无故地盲目进行维修或更换也是行不通的。预测性维护为此提供了答案。
预防机器故障
预测性维护(传统上称为状态监测)并不是一个新的概念，至少可以追溯到 20 世纪 90 年代初，其目标是在维护活动最具成本效益时，在设备性能变得不尽人意之前启动机器维护。在实践中，当机器健康状况达到指定的阈值时就会发出警报，工程师仔细检查机器的状况，寻找缺陷，并在问题恶化之前加以修复。
这种方法具有巨大的价值。德勤公司称实施预测性维护平均每年可节省材料成本 5%至 10%；设备正常运行时间和可用性可提高 10%至 20%；总体维护成本可降低 5%至 10%；维修规划时间可减少20%至50%。根据麦肯锡全球研究院数据，基于工业物联网(IIoT)的预测性维护通常可将机器停机时间减少多达50%，将机器寿命延长 40%[3]。
预测性维护带来的优势不仅限于制造业，几乎所有依赖于有形资产进行服务或生产的行业都可以藉此获益。例如，电力公司可以采用预测性维护和监控工具来防止停电造，避免造成巨大损失和混乱。
工业物联网推动预测性维护
在预测性维护的早期发展阶段，由于缺乏合适的传感器来收集数据，以及整理和分析信息的计算资源很有限，因而难以实施这种维护。如今，由于 IIoT、云计算、数据分析和机器学习(ML)技术的进步，预测性维护在中小型企业(SME)和大型企业中都很普遍。在西门子报告中，约有四分之三的受访者将预测性维护视为战略重点。
低功耗蓝牙等功能强大的低功耗无线技术使得传感器能够在由数百、数千或数万台设备组成的网络中收集数据。这些 IIoT 传感器可监控设备温度和振动、压力、气体水平和能耗等参数，可让服务团队更深入地预测设备的未来状态，并且在问题出现之前主动应对，防患于未然。
本站文章版权归原作者所有 内容为作者个人观点 本站只提供参考并不构成任何投资及应用建议本文转载目的在于传递更多信息，并不代表本网赞同其观点和对其真实性负责。如涉及作品内容、版权和其它问题，请在30日内与本网联系，我们将在第一时间删除内容
