一个错误，一个失败，一个突然的故障。预测维护系统的目标是预测意外情况，为制造公司提供未来物理资产(通常是机械设备)故障的预测，以显著减少生产过程中的停机时间。米兰理工学院(Polytechnic Institute of Milan)教授戴维·基亚罗尼(Davide Chiaroni)将其定义为“一种新的维护理念”，它可以利用物联网传感器等新工具，能够收集大量数据，用于进行研究机器学习以及预测分析工具。
监测、测量和预测维护
“预测性维护是基于测量的，”Chiaroni解释道Schmidt Macarthur团契专注于循环经济手机app买球靠谱吗自2013年以来。“而不是专注于对工厂或资产的运作的某些假设，它建立了一系列实用，持续措施来监测资产的状态，允许干预。”过去，个人进行的标准维护是用于检查给定机械的条件的方法。一个类似于汽车的检修的概念。“基于条件的维护和预测性维护是目前采用维护的两种基本上最近的方法，”首席数据科学家Emanuele Fabbiani解释说Xtream.．“两者都基于相同的基本概念，但在煤层气的情况下，想法是在传感器告诉我有必要时进行维护。相反，预测性维护则更进一步:我有模型可以告诉我机器何时会出现故障，因此我能够预测资产状态的演变。”
预测性维护有几个好处，它们主要从经济角度产生积极影响，显著降低与机器故障相关的成本和用于维护资产的时间。此外，通过实时监测机械的健康状况，可以延长机械的使用寿命。根据Statista研究部门到2024年，全球预测性维修市场预计将达到235亿美元左右，2018年至2024年期间的年增长率接近40%。
机器学习能够从错误中改进的重要性
物联网设备和应用的逐步扩散以及高级分析工具的可用性以及人工智能和机器学习技术的出现，使其最终可以将不同类型的传感器集成到工业机械中，并进入网络此类设备。“互联网允许将连接到网络连接的任何类型的设备链接，”添加了Fabbiani。“基于收集的数据，中央系统处理预测模型，允许优化维护策略。”
到2024年，全球预测性维修市场预计将达到235亿美元左右，2018年至2024年期间的年增长率接近40%。
在预测维护的情况下，物联网传感器聚合数据，然后机器学习将交叉引用此数据，以便我们知道需要修复的内容。“有各种各样的工作方式，”Chiaroni说。“您不一定需要机器学习进行维护，但当然，如果我想执行基准的自适应维护方法 - 这意味着它考虑到同一台机器，在不同的地方安装了不同的使用特性 - 机器学习成为基础。“然而，数学和工程模型仍然非常有价值：“一切仍在发展，”Fabbiani告诉可再生问题，“混合方式将物理和工程知识与机器学习建模结合起来似乎是最有前途的。”网络安全是另一个问题：“运营成本是一件事，但如果这些做法正确完成并放置在适当的运营环境中，所有这些的成本远低于经济繁琐的停机或失败的风险。”
在汽车领域的upsides
目前，预测维护主要应用于B2B(企业对企业)市场。考虑到成本效益比，这种类型的维护很少应用于消费品。Chiaroni解释说:“今天的大众市场仍在经历一些困难。“一方面，收取维修费用不容易。另一方面，在操作更加分散的地方，就像洗衣机一样，进行预测性维护在经济上很复杂。”然而，零部件维修的主题在汽车行业也很常见，在汽车行业，最终产品的零部件是根据预测模型进行评估的。
Chiaroni表示:“如今，我们将预测性维修与循环经济背景下的汽车行业联系在一起。手机app买球靠谱吗“例如，这是通过引擎实现的:劳斯莱斯是通过应用引擎租赁服务来实现的吗，即使是在飞机上，因为飞机的维护工作是以预测的角度进行的。再利用的逻辑，再利用和再制造使有选择地对机器进行干预成为可能。甚至可能在适当配置后再次使用它。”带来的一种方法无疑半斤八两,都在用户方面,有可能减少机器停机时间和从车里,获得更好的性能,在生产方面,通过预测的方式干预和监测机器及其组件的寿命。
离岸涡轮机的维护前沿
目前，预测性维护的有趣游戏主要在大型基础设施之间进行，特别是在能源领域。科学研究已经将目光投向了海上风力发电领域，以解决风力涡轮机在维护方面带来的巨大实际问题。弗朗茨·朗迈尔对此非常了解，作为正常的工程，目前正在研究罗密欧该项目由欧盟通过其“地平线2020”计划支持。通过开发先进的技术解决方案，Romeo团队正在努力降低运营和维护海上风力发电场的成本。Langmayr解释说:“在海上作业中，预见性维护尤为重要，因为与陆上作业不同，涡轮机的使用并不容易。当一个故障发生在寒冷的季节，涡轮机往往无法运行几个月。”汽轮机停机通常是由容易解决的故障引起的，会造成重大的经济损失。
“当错误发生时，在海上持续半天的旅行最终是必要的——为了解决一个问题浪费了大量的能量。目前，海上涡轮机的发电能力远远大于陆上涡轮机，因此需要进行大量的实地研究，但问题在于浪费了大量的能源。”
直到最近4到5年，人们才开始将机器学习应用于预测性维护。
该项目的基本思想是收集有关涡轮机状态的所有相关数据，将其发送到中央生态系统，并通过分析工具和机器学习，弄清楚它们的意思。“挑战是以一种方式收集它们，即他们可以通过足够的方式来产生结果，”添加朗迈尔“，在这个行业中做预测维护已经成为必需的。如果例如，风突然变形了风刀片，我们可以控制能量，以免过热涡轮机电机的齿轮比。“这种类型的维护还允许我们了解某些组件是否接近其生命的结束或者它们可能会失败。
石油和天然气
多年来，预测性维护一直是油气行业关注的焦点。根据评估石油和天然气报告中的预测维护根据GlobalData Thematic Research的报告，油价波动正推动越来越多的公司采用预测性维护技术，通过优化维护计划和提高生产率，帮助公司降低运营成本。
“只有在过去的四到五年里，人们只开始涂上机器学习以预测维护，”Seastimiliano Conti，Energy Sme高级数字顾问。“石油和天然气工业100岁，因此实际衡量预测性维护的好处需要一段时间。”目前用于石油和天然气业务的设备和基础设施建于几十年前。这些机器基于当时可用的设计，材料和技术。这种过时的设备必然会失败，因此需要持续检查和监测。“从技术的角度来看，”符合持续“，维护涉及旋转机器（压缩机，泵等），这是原油提取，运输和精炼过程的过程。当流体移动时，机器受到故障的影响好用的买球外围app网站这导致放缓甚至停工。显然，这些具有经济和环境的影响。停止不按照既定方案停止的化学过程，可能导致控制的二氧化碳排放到大气中。“
即使在一个未来可能被可再生能源取代的行业，预测性维护等前瞻性方法也是管理大型电厂更可靠、更安全的方法。
