如何避免實施預測性維護時面臨的三個常見障礙

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，并獲得許多其他商業(yè)利益。然而，公司在將技術(shù)整合到其運營中時，通常會面臨流程和數(shù)據(jù)方面的挑戰(zhàn)。

本系列博客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。我們從根本上缺乏關(guān)于預測性維護工作流程的解剖知識開始。

通過了解工作流程使您的業(yè)務(wù)受益

許多工程師沒有接受過有關(guān)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，無法看到該投資的風險，或者認為預測性維護對于當前業(yè)務(wù)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將風險降至最低，并盡快開始使用預測性維護工作流程。開始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)——數(shù)據(jù)可以從多個來源收集，例如數(shù)據(jù)庫、電子表格或網(wǎng)絡(luò)檔案，但必須采用正確的格式并正確組織以進行適當?shù)姆治?。然而，重要的是要記住，大型?shù)據(jù)集可能需要內(nèi)存不足處理技術(shù)。

預處理數(shù)據(jù)——現(xiàn)實世界的數(shù)據(jù)很少是完美的；為了獲得正常行為的真實畫面，必須去除異常值和噪聲。此外，由于統(tǒng)計和機器學習建模技術(shù)在流程的后期使用，這些模型的質(zhì)量將取決于預處理數(shù)據(jù)的質(zhì)量。

提取特征——通常從傳感器數(shù)據(jù)中提取特征，而不是將傳感器數(shù)據(jù)直接輸入機器學習模型。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，但常用技術(shù)來自統(tǒng)計學、信號處理和物理學等領(lǐng)域。

訓練模型——構(gòu)建模型，將設(shè)備分類為健康或故障，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(shù)很有用，因為事先很少清楚對于給定問題，最好的模型類型是什么。

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(shè)備或與企業(yè) IT 應(yīng)用程序集成。這里需要考慮許多權(quán)衡，因為嵌入式設(shè)備提供快速響應(yīng)并減少通過 Internet 傳輸數(shù)據(jù)的需求，而集中式 IT 方法使將來更容易更新模型。

圖1 ?；镜念A測性維護工作流程。

黃金法則：用你所知道的

了解預測性維護工作流程的各個開發(fā)階段是實施的重要第一步，但對許多人來說，完全理解、開發(fā)和集成工作流程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他們的日常工作。

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(shù)支持、培訓和咨詢團隊的訪問權(quán)限。額外的指導可以使基礎(chǔ)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