我們將探討工程師在實施預測性維護時面臨的三個常見障礙，以及最終如何最好地避免這些障礙，從根本缺乏知識開始。

預測性維護使公司能夠減少機器停機時間，消除不必要的維護，并實現(xiàn)許多其他業(yè)務優(yōu)勢。然而，公司在將技術納入其運營時經(jīng)常面臨流程和數(shù)據(jù)方面的挑戰(zhàn)。

本博客系列將探討工程師在實施預測性維護時面臨的三個常見障礙，并最終如何最好地避免這些障礙。我們從預測性維護工作流程的解剖學基本缺乏知識開始。

通過了解工作流程使您的業(yè)務受益

許多工程師沒有接受過有關預測性維護工作流程以及如何最好地利用它們的適當教育。這可能是因為公司尚未意識到此類投資的價值，無法超越該投資的風險，或者認為預測性維護對于當前的業(yè)務需求來說過于先進。

無論出于何種原因，您都可以采取具體步驟來最大限度地降低風險并盡快開始使用預測性維護工作流。入門的第一步是了解預測性維護的五個核心開發(fā)階段（圖 1）：

訪問傳感器數(shù)據(jù) – 可以從多個來源（如數(shù)據(jù)庫、電子表格或 Web 存檔）收集數(shù)據(jù)，但必須采用正確的格式并正確組織才能進行適當?shù)姆治觥５牵垊毡赜涀。笮蛿?shù)據(jù)集可能需要內存不足處理技術。

預處理數(shù)據(jù) – 真實世界的數(shù)據(jù)很少是完美的;必須刪除異常值和噪聲才能獲得正常行為的真實情況。此外，由于統(tǒng)計和機器學習建模技術在流程后期使用，因此這些模型的質量將取決于預處理數(shù)據(jù)的質量。

提取特征 – 通常不是將傳感器數(shù)據(jù)直接輸入機器學習模型，而是從傳感器數(shù)據(jù)中提取特征。雖然可以從數(shù)據(jù)中提取的特征數(shù)量基本上是無限的，但常見的技術來自統(tǒng)計學、信號處理和物理學等領域。

訓練模型 – 構建將設備分類為正常或故障的模型，可以檢測異常或估計組件的剩余使用壽命。在此步驟中嘗試各種機器學習技術很有用，因為對于給定的問題，事先很少清楚最佳模型類型是什么。

部署模型 – 根據(jù)系統(tǒng)要求，預測模型可以部署到嵌入式設備或與企業(yè) IT 應用程序集成。這里需要考慮許多權衡，因為嵌入式設備提供快速響應并減少通過互聯(lián)網(wǎng)傳輸數(shù)據(jù)的需求，而集中式IT方法使將來更新模型變得更加容易。

圖1.基本的預測性維護工作流。

黃金法則：隨心所欲

了解預測性維護工作流的各個開發(fā)階段是實施的重要第一步，但對許多人來說，充分理解、開發(fā)和集成工作流的想法似乎令人生畏。通過利用現(xiàn)有工具和軟件，工程師可以快速有效地將預測性維護納入其日常工作。

MATLAB 等工具具有預測性維護功能，使工程師能夠在熟悉的環(huán)境中工作。他們還提供參考示例、算法以及技術支持、培訓和咨詢團隊的訪問權限。額外的指導可以使基礎知識到位，因此您和您的團隊可以確信您以最佳方式解決問題。

審核編輯：郭婷