工业互联网中的设备实现“预测性维修”的四个关键关节!

新基建政策下，在工业互联网如此迅猛的发展，如何有效、精准地对设备进行维护，变被动维修为主动预防，避免设备非计划停机，降低设备维护保养成本，成为企业数字化制造转型亟需攻克的难题。

预测性维护（Predictive Maintenance，PdM）是指通过对设备运行状态进行持续测量和监控，使用工业数据建模和数据分析技术预测和诊断设备故障，在设备故障发生前提前采取修正措施。随着物联网、大数据、边缘计算等技术的成熟，预测性维护技术已经在工业制造领域得到广泛认可并开始规模化应用。

基于持续的运行状态监控和测量参数，预测性维护能够预测设备关键零部件的剩余使用寿命等指标，也可结合专业领域知识或故障模式进行辅助决策、预测设备的运行状态、优化设备的维护时机等。预测性维护通过数据采集、预测分析、现场维护、运营监控四个环节，形成了“物理—数字—物理”的闭环。

（1）数据采集：实时采集设备运行参数，利用工业互联网平台进行设备建模和实时数据存储，以便进一步预测分析。

（2）预测分析：使用设备建模和机器学习技术进行实时仿真分析，结合设备机理模型和专业领域知识，预测设备状态发展趋势和可能的故障模式。

（3）现场维护：基于预测的故障模式以及相应的维护策略，在故障发生前通知维修人员进行现场维护，利用AR眼镜或移动终端进行维修操作指导，提高维修效率。

（4）运营监控：实时监控设备运行状态，基于预测分析结果提前制定维护计划，降低非计划停机时间。

目前，设备预测性维护主要有两种应用模式，即异常预警和故障模式预测。异常预警主要用于设备边缘端，通过持续监听设备的关键参数，如震动、温度等，通过机器学习识别设备的正常运行模式。

如图所示，当检测到设备参数出现如信号振幅、周期或同步相位等偏差时则会自动报警。这里应用的机器学习模式主要是非监督学习，通过一段时间的正常运行和学习后自动鉴别出各个参数的正常运行模式。随着运行时间的增长，其鉴别的准确率越高。当然，如果可以明确界定设备的异常模式，如油量低于10%等，则可以通过输入特定参数的阀值来简化学习过程，提高报警的精准性。