“预测性维护”是工业物联网中的一个热点，也是客户经常会提出的需求，我们可以看到很多打着“预测性维护”名头的解决方案，但是智物联却一直没有将其作为卖点来吸引客户，这是为什么呢？进一步地说，什么是真正的“预测性维护”？它的难点在哪里？智物联在这方面是不是真的无所作为呢？
〓“预测性维护”的含义〓
先来理解?下“维护”的意思。通常我们所说的“维护”，更贴切地说，应该叫“预防性维护”，意思是，在问题出现之前进行必要的维护，以降低出问题的可能。如果出了问题再来做什么， 就不该叫“维护”，而是“维修”了。
◆ “预防性维护” 是我们所熟悉的，参考?下购买汽车后的保养，就能理解了。它有两个重要的特点：
1、不管有没有问题，都需要“定期”（比如三个月?次）或者是“定量”（比如3000公里?次）进行保养；
2、所有那些“关键的”和“重要”的零部件，都需要去检查维护?下，不管是不是已经出了问题。
◆而“预测性维护”与传统的“预防性维护”的区别就在于：
1、它既不“定期”，也不“定量”，而是时时刻刻都处在维护过程中；
2、它不需要对所有“关键的”和“重要的”地方都要进行维护，而是通过“预测”的方法来决定维护哪些地方。
◆ 基于此，我们就可以理解“预测性维护”的意义了：
1、更加及时。因为它时时刻刻都在进行；
2、更加精准。因为它的维护更有针对性；
3、更节省成本和?作量。因为更有针对性，所以也就节约了那些不必要的维护。
所以，“预测性维护”听上去是很美好的。
〓“预测性维护”的难度〓
但是，在实践中，要真正做到（而不是靠忽悠）“预测性维护”，以现在的条件而言，难度非常之大。
首先，这个难度，不是我们通常意义上理解的“做不到”，而是我们能够掌握的信息，并不足以做到“预测性维护”。“能够掌握的信息” 是指两个方面：?方面，是我们未必能采集到所需要的数据；另?方面，是我们很难找到真正可以量化的“问题机理”。
举个例子就明白了。比如?台电机转子带动?个皮带轮，我们希望通过“预测性维护” 来判断皮带什么时候会断，好在断之前进行更换，避免导致无法预测的后果。
然而，我们能采集到的数据，可能只有电机运行的数据，如电流、电压、转速、震动等等，而与皮带相关的数据，如张力、磨损程度等等是很难采集到的，因为在实际工业现场很难加装相关的传感器。另?方面，“皮带断裂”的机理是非常复杂的，不仅有张力、摩擦磨损的因素，还有皮带材料的弹性塑性属性、材料的疲劳老化程度、环境的腐蚀、材料的理化变化等等，它们之间的关系是非常复杂的，也是很难计算的。
其次，退?步说，即便我们能采集到皮带张力等等这些特征数据，也能计算出来这些特征发生的变化和异常，那么，应该在什么时间点发出通知要更换皮带呢？这在客观上也是很难确定的，因为也许在计算出来有特征异常的时候，距离皮带断裂的时间已经很短，甚至短到还没来得及发出通知，皮带就断了。这就好像在走?条山路时，我们?直在监控脚下的路面，等发现前面是悬崖的时候，可能已经来不及停下了。
除了上面这两点，其实还有很多其他的困难。这就是为什么智物联?直没有用“ 预测性维护”去引导客户的原因。
〓围绕 “预测性维护” 智物联能做什么〓
前面解释了什么是“预测性维护”和它的难度，但是，并不意味着“预测性维护”是?个不可能达到的目的，更不代表我们完全不能做什么。事实上，智物联现在所做的各种技术和产品，都是围绕“预测性维护” 开展的，只是还无法?步到位达成“预测性维护”这个终极目标。
“预测性维护”，其实就是要做到两件事：?是“预测”出什么结果，二是知道需要去“维护”什么。所以，智物联的 “预测性维护” 需要分四步走。
第?步 基础的数据分析?作
这就是我们的Indass（工业数据分析服务）在做的事情。Indass的核心作用是用科学客观的量化方法，找到设备运行的特征和规律；找到设备运行状态变化的规律；找到设备运行状态变化时候，设备各参数之间的关联关系。在这方面Indass已经能够完成得很好了。
第二步偏离效应和累积效应
这就是我们的Evacs（估计值分析与计算服务）在做的事情。世界上万事万物，如果出现了“问题”，其本质都是相对于“没问题”而言发生了偏离，我们称作“偏态估计”；同时，任何“问题”的出现，也是?个累积的效果，是?个量变到质变的过程，我们称为“累积估计”。Evacs在智物联的一些项目中已经运行起来了，也做得不错。
<Evacs界面截图>
第三步 系统诊断
前面说的两步，都是通过客观的计算，得出计算结果。那么，这些计算结果的背后又有怎样的含义呢？什么样的结果，对应着?个可能发生的什么问题呢？这就需要对计算结果进行评估。这就是我们正在做的ODS（在线诊断服务），它是?个周期性的在线诊断系统，基本上能诊断出，本诊断周期内，会发生某种问题的概率大概是多少。当然，现在的ODS还是一个初级诊断模型，只用了概率这一种诊断方法，我们会继续加以完善，使其能够逐步同时使用多种诊断方法，这样就可以对诊断结果进行交叉验证，这就是ODS的高级诊断。
第四步 预测性维护
“预测性维护” 就是我们希望能达到的终极目标。
前面第三步中提到的ODS是“系统诊断”，它跟“预测性维护”有什么不?样呢？简单地说，“系统诊断” 是在本诊断周期（比如?个小时）内，会出现某个问题；而“预测性维护” 是能够指出这个问题是由于某?个部件的某个原因造成的。
还是用前面举过的皮带轮的例子。假设皮带轮的另?头，是?个磨面粉的磨子。“系统诊断”得出的结果只是“磨面机?个小时以内就要停机了”；而“预测性维护”却能告诉我们“磨面机要停机，是因为皮带快断了”，这个结论才能最终指导我们，提前进行皮带更换，免得到时候皮带断裂导致磨面机被损坏，面粉满天飞。
〓“预测性维护” 风险〓
需要说明的是，“预测性维护”也是有风险的。这个风险主要在于上述的后面两步，因为第?步和第?步，都是基于客观计算的，它们之间是完全客观的关系，也是?个顺理成章的关系。
而到了第三步，是基于概率计算的系统诊断，所以，变数就比较大，有可能诊断结果不准，有可能诊断结果错误，甚?有可能诊断不出结果。所以，这?步要怎么走好是很关键的，不仅需要前两步的计算要精准，而且需要诊断的?法要科学。所以，在ODS系统诊断中，我们会引入?个自我学习的?法，理论上可以保证诊断成功率和准确率逐步提高。
?于第四步，则相对前三步更加艰险，涉及到工业设备机理的引入。而智物联不可能懂得全部工业设备的机理，也没有任何一家物联网公司能够懂得全部工业设备的机理，这就是为什么，到了这个阶段就需要客户的支持配合，甚?是参与。
◆ “预测性维护” 之外
其实，“预测性维护” 只是工业物联网领域的?个命题而已，也是智物联在做的其中一件事情而已。工业物联网的命题还有很多，能做的事情也很多。围绕“安全生产、节能减排、增产增效、精细管理” ，还存在很大的优化空间，这些都需要大量复杂的计算，无论是云端计算，还是边缘计算。
而智物联也正在有步骤有计划地、?步?步、扎扎实实地做好每?件该做的事，解决每一个该解决的问题。
智物联Mixlinker
智物联3.0时代
集数学、算法和工业智能之力
理解行业所需、推动工业创新与变革
为生态伙伴创造“非凡”价值
联系电话：0755-23740592
共有条评论 网友评论