多年来，制造商一直在使用基于时间的方法进行设备维护。他们以前将设备的使用年限作为规划维护程序的一个因素，设备越旧，需要执行的维护程序就越频繁。然而，ARCAdvisoryGroup的研究表明，在全球范围内，只有18%的设备因老化而发生故障，而82%的设备故障是随机发生的。它证明基于时间的方法不符合成本效益——无论是否实际需要，设备都需要维护。为了避免无效的维护程序和随之而来的成本，制造商可以利用工业物联网和数据科学。在本文中，我们描述了基于物联网的预测性维护如何帮助优化生产流程。为什么物联网？您可能会想：既然有良好的监督控制和数据采集(SCADA)系统来支持维护活动，为什么还要选择物联网解决方案呢？让我们找出答案。预测性维护需要处理大量数据和运行复杂算法的能力，而这在SCADA中是无法实现的。另一方面，基于物联网的解决方案允许在多台计算机上并行存储数TB的数据，并运行机器学习算法来预测潜在危险并确定工业设备何时可能发生故障。基于物联网的预测性维护解决方案必须具有深思熟虑的架构让我们看看哪些组件可以支持预测性维护工作以及它们如何协同工作。举一个可以预测工业电池使用寿命的例子。基于物联网的预测性维护架构在进入技术细节之前，确定决定电池寿命的关键变量非常重要。它们是温度、电压和放电。一旦确定了变量，电池就会配备传感器来收集这些参数的数据并将其发送到云端进行处理。传感器数据不能直接发送到云端，而是通过网关。现场网关是过滤和预处理数据的物理设备。云网关确保安全的数据传输并通过各种协议提供连接，从而允许连接各种现场网关。一旦传感器数据进入云端，它就会“降落”在流数据处理器上。其目的是允许连续的数据流并将其快速有效地流式传输到数据存储（数据湖）。数据湖存储传感器收集的数据。它仍然是原始的，因此可能不准确、错误或包含不相关的内容。它表示为在相应时间测量的传感器读数集。当需要数据来深入了解电池的健康状况时，会将其加载到大数据仓库中。大数据仓库存储经过清理的结构化数据。它包含在特定时间测量的温度、电压和放电参数，以及有关电池类型、位置、充电日期等的上下文信息。数据准备好后，将使用机器学习(ML)算法进行分析。机器学习算法用于揭示数据集中隐藏的相关性并检测异常数据模式。构建预测模型，对其进行训练，然后使用它来确定电池是否自放电，准确检测容量低于正常值的电池，或估计电池的剩余使用寿命。用于工业电池预测性维护的预测模型基于两种方法：分类方法：基于此方法的模型可识别电池是否可能自放电并指示电池容量是否低于正常值。回归方法：此方法提供有关电池寿命结束前剩余的天数/循环次数的信息。预测模型需要定期更新，例如每月更新，并测试准确性。如果输出与预期不同，则会对其进行修改、重新训练和测试，直到它的行为符合预期。在进行机器学习之前，应该进行广泛的探索性分析。执行数据分析以查找依赖关系并发现机器学习数据集中的模式和见解。此外，在探索性分析阶段，评估各种技术假设以帮助选择最合适的机器学习算法。用户应用程序允许基于物联网的预测性维护解决方案提醒用户潜在的电池故障。虽然与电池组无关，但预测性维护架构可以包括其他组件，例如执行器和控制应用程序。根据预测结果，控制应用程序可以设置为向设备的执行器发送命令，例如，如果发动机温度上升到临界点，控制应用程序可以发送命令让机器进入冷却模式。此外，控制应用程序可以与维护系统集成。不同行业的预测性维护上面这些常见的架构组件用于为不同行业构建预测性维护解决方案。下面，我们列出了可能的预测性维护应用程序，并提供了已经实施预测性维护解决方案的制造商示例。离散制造主要的离散制造商正在使用基于物联网的预测性维护来监控，例如，铣床主轴的健康状况。这些主轴容易破损并且维修费用昂贵。预测性维护解决方案可以通过从连接到主轴的超声波和振动传感器收集数据来帮助预测潜在的损坏。分析收集到的数据有助于在纺锤断裂前识别纺锤。例如，沃尔沃集团部署了基于物联网的预测性维护解决方案，可以预测主轴损坏、识别旋转设备的开裂和脱落以及齿轮和电机的缺陷。结果，他们将诊断时间减少了70%，将维修时间减少了20%以上，从而提高了整体设备效率(OEE)。流程制造在流程制造中，一家纸浆和造纸公司利用物联网来监控造纸机的状态。例如，MaastrichtMill为其压榨辊配备了温度和振动传感器，并推出了基于云的预测性维护解决方案来预测轴承和齿轮的磨损。另一个例子是钢铁行业。钢厂有多个熔炉，这些熔炉使用水冷板来控制温度。水冷板泄漏会导致安全问题和生产损失。基于物联网的预测性维护解决方案有助于检测异常并执行根本原因分析，以防止生产延迟和设备故障。石油和天然气石油和天然气公司尤其受益于预测性维护解决方案。石油和天然气生产设备的物理检查需要人员进入危险环境检查设备，这在某些情况下是不可行的。基于物联网的预测性维护使石油和天然气公司能够识别潜在故障并增加关键资产的石油和天然气产量。例如，雪佛龙已转向IoT开发，提供预测性维护解决方案，帮助识别管道腐蚀和损坏。该解决方案使用跨管道安装的传感器来测量pH值、气体和CO2/H2S含量，以及管道的内径和厚度。该解决方案捕获实时传感器数据并将其传递到云端以进行评估、分析和预测。根据美国能源部的数据，对于石油和天然气公司而言，实施预测性维护可以将维护成本降低30%，将故障消除70%，并将停机时间减少40%。电力行业发电厂必须确保可靠的电力供应，尤其是在用电高峰期。基于物联网的维护解决方案有助于确保不间断发电并监控燃气/风力/蒸汽轮机旋转部件中不断变化的缺陷。为此，涡轮机配备了振动传感器。该传感器收集的数据被发送到云端并通过机器学习算法运行以确定每个涡轮机的性能。例如，FloridaPower&Light已转向IoT开发以部署预测性维护解决方案，该解决方案可估计涡轮机何时无法有效运行或即将发生故障。铁路铁路公司采用基于物联网的预测性维护来保持铁路和机车车辆处于良好状态。例如，BNSFRailroad部署了测功机、视觉摄像机、红外线和声学传感器来识别机车制动能力的缺陷、车轮和轴承的过度磨损以及轨道曲线和直道的损坏。（来源物联网家庭网络）传感器收集的数据被发送到云端进行分析，并通过机器学习算法运行以揭示导致损坏的不健康数据模式。该解决方案有助于提高机车的安全性、可靠性和速度，并减少因设备故障导致的列车延误。施工在施工中，预测性维护用于监控挖掘机、推土机、装载机、升降机等重型机械的状况。传感器可以安装在机器上，以监测变速箱和制动器的温度、发动机转速、轮胎压力、油耗和其他数值。例如，小松为其车队配备了压力、振动和超声波传感器，这些传感器收集影响性能的关键参数数据并将其传输到云端。Cloud识别排气后处理系统的潜在问题，以及旋转和静态部件的损坏。总结根据麦肯锡的一份报告，基于物联网的预测性维护可延长设备的使用寿命，有助于消除多达30%的基于时间的例行维护程序，并将设备停机时间减少50%。然而，对于成熟可靠的预测性维护解决方案，以机器学习为中心的架构至关重要。
