预测性维护正在超越工业应用。更容易获得、更具成本效益的解决方案将改变我们与技术相关的方式。当我们想到大批量生产时，我们通常会想到一个运转平稳的工厂，每台机器都在正常运转，并高效、批量地生产成品。对于运行此类工厂的人来说，他们的目标是让工厂以最佳速度运行，并减少停机时间。尽管如此，每台带有活动部件的机器都会受到一些磨损，并且不可避免地需要维护或更换一些部件。问题是什么时候做这些事情更合适：你是按固定的时间表做，还是等待机器开始出现故障迹象？维护方法第一种方法是按照固定的预定时间表来安排维护任务，而忽略了设备的实际情况。想象一下定期或按里程定期检查汽车。这种方法的优点是易于计划，但也有明显的缺点，即维护可能来得太晚，导致设备损坏和工人危险，或者可能在不必要的时候进行。一种聪明的方法是基于状态的维护。这种方法根据机器的估计状况安排维护活动，通常是通过使用嵌入式传感器的数据进行检查或估计。这样做的好处是维护在故障发生之前进行，并且仅在必要时进行，但缺点是维护仅在机器开始出现故障迹象后才开始，并且必要的维护干预可能不是生产计划的最佳选择。第三种方法是预测性维护。此处的目的是尽早预测将来某个时间点需要采取的维护措施。它是一种基于状态监测和故障模式动态预测模型相结合的方法。虽然它确实需要更复杂的整体系统，但它具有优化机器寿命和提高工厂生产率的优势。预测性维护的主要承诺是它可以在正确的时间安排纠正性维护，同时通过防止设备故障来最大限度地延长设备的使用寿命。了解机器何时需要维护以及需要做什么可以优化维护工作计划，让合适的人员和部件随时准备就绪。构建预测性维护系统为了构建预测性维护系统，需要许多要素。首先，必须在目标机器上安装一个自动状态监测系统，例如，它可以包括使用摄像头进行目视检查、使用加速度计进行振动测量、使用麦克风进行噪音水平或超声波测量，以及测量热量或湿度。接下来，需要一些嵌入式处理来处理原始数据的第一次分析，将原始数据转化为可以与监控系统共享的有用信息，例如，嵌入式软件可以连续比较机器随时间的振动特征确定何时更改。此外，通过在传感器单元中嵌入处理能力，可以大大减少需要传输的数据量。这对于目视检查尤为重要，因为数据量很快就会变得不堪重负。接下来，数据必须传输到本地和远程监控系统。这种通信也必须安全高效地进行，同时考虑工厂的基础设施以确定哪种连接方法更适合该任务。例如，在缺乏传感器布线的现有工厂中，无线通信是一种将传感器连接到网络的经济高效且快速的方式。最后，必须建立设备故障模式的预测模型。工程师可以在理论故障模型的基础上结合从实际现场收集的数据来构建这个模型。当存在与传感器数据和实际故障机制相关联的大量可靠数据集时，机器学习技术可用于创建更准确的预测性维护模型。随着所有关键组件的可用性以及云服务和人工智能的结合，现在已经具备了广泛采用预测性维护的条件。
