工业物联网(IIoT)一直在塑造工业4.0。IIoT的主要目标是保持工业应用的运行、高效和高效。预测性维护是IIoT中的热门话题，这是有充分理由的。提前知道潜在问题发生的时间有很多好处。本文将探讨预测性维护(PdM)如何帮助行业最大化正常运行时间、行业敏捷性和盈利能力，从而为其用户提供竞争优势。健康评估实现最佳性能和盈利能力的一种方法是通过准确监测和评估机器的健康状况来运行尽可能多的机器并尽可能长时间地运行——这一过程称为机器健康监测(MHM)。MHM的概念很简单：通过将各种传感器应用于机器并收集和处理信息，设计人员希望确定纠正措施，如果有的话，他们可能需要在重大和代价高昂的问题出现之前采取。维护维护是工艺工程师用来保护或延长设备寿命并避免代价高昂的故障的过程。维护机器比等到机器坏了再修理要便宜——不仅与机器本身有关，而且在生产力损失方面也是如此。然而，维护需要工程师监控机器以帮助在问题发生之前发现问题。工程师用来收集设备状态信息的一项关键技术来自电子传感器，其数据由微控制器(MCU)和微处理器(MPU)处理。这两类装备维修保障主要从方法和手段上加以区分。两者都不是更好；它们相辅相成。在这两个类别中，条件都受到监控。监测可以通过三种方法进行：连续实时传感、周期性间隔传感或遥感。基于状态的维护当传感器用于实时传感器测量和分析时，这称为基于状态的维护(CbM)。CbM可能被广泛认为是反应性的。即事后调整。CbM可能需要许多正在进行的实时传感器，可能需要更多的组件、时间和数据。因此，实时感测和处理通常不可用或不实用。预测性维护在没有实时传感和处理的情况下，可以采用另一种技术——预测性维护(PdM)。PdM尝试使用从处理器感知数据中收集的决策标准来“水晶球”预测最好的未来维护事件，这些事件可能用于最大化正常运行时间和盈利能力。它可能被视为一种主动或先发制人的尝试。PdM方法的主要优势包括提高资产的可用性、寿命和利用率。同时，它还提供了减少资产更换决策时间、故障成本、故障频率、维护成本、运营和安全风险以及计划外停机时间的补充优势。工业用户通常希望尽早发现任何潜在问题。这样做的价值或好处是显而易见的：早期检测有助于减少系统停机时间，增加运行正常运行时间和吞吐量效率，并最大限度地减少昂贵或重大的维修和安全问题。PdM很有价值，因为它可以节省金钱和时间。毕竟，只有在必要时才进行维护。随着时间的推移，遗漏错误的机会将会减少。永远不要期望完美或完全消除任何故障问题。但是，他们将努力大幅减少和减轻损失。如前所述，PdM采用对未来的预测。预测是基于过去经验观察的预测。为了对未来做出强有力的预测，收集到的过去信息之间必须存在高度相关性。如果相关性不高，任何预测都可能成为无关紧要的猜测。预测分析模型PdM的预期目标是成功实施预测分析模型(PAM)，该模型提供一组概率来通知维护过程。一个成功的PAM模型通过安排适当的纠正性维护来纠正这种情况并将其恢复到标准条件以防止故障来实现其目标。成功的PdM依赖于IIoT。IIoT收集有关机器运动的数据，并将其转换为可以传输、处理、汇总和分析的数字格式。有线和无线连接解决方??案提供足够的带宽来处理大量数据。这允许在边缘或云端构建完整的模型。人工智能必须能够预测何时应该安排维护，因为目标是避免资产在没有警告的情况下发生故障。为了帮助以更高的置信度做出这些预测，人工智能(AI)被用来提供帮助，因为可以非常快速地分析微小的变化。可靠性工程师和维护经理将使用AI来支持PdM模仿人类行为（包括决策制定）的工作。TechnologySynergy可以使用高级分析软件通过机器学习(ML)算法分析来自系统的感官信息。ML采用统计方法（数学）来帮助机器通过经验（经验观察）进行学习。机器从数据中的这些模式中发展概念，这意味着ML使计算机能够在没有明确编程的情况下进行学习。传感器、AI/ML和专用软件可实现自动化、主动的纠正性维护操作。可以感测发动机、马达、齿轮、压缩机、涡轮机等工业项目的温度、振动、湿度、声音和噪音水平和/或转速或线速度等信息，以检测磨损或明显异常。热成像仪可用于使用红外(IR)热成像检测物体的辐射。这样的相机可能能够检测温度异常。异常的温度测量可能表明存在潜在故障。红外摄像机必须指向正确的位置，而且通常很昂贵。应适当考虑它们最有帮助的地方。声学传感和监测可能有助于检测泄漏。超声波技术可用于检测摩擦或应力等机械问题。振动传感器拾取表明轴承和齿轮等内部零件磨损的振动模式。它还可以生成与旋转或线性偏差相关的信息。结论在工业、家庭和城市中，PdM使用收集的传感器数据来帮助工程师在问题出现之前解决问题。很明显，PdM将继续为公司提供解决系统崩溃、故障或不当行为所需的优势。PdM将有助于提供应对未来挑战所需的竞争优势。
