智能维护

传统上，大多数专业维护人员结合定量及定性分析等多种技术，以确定故障模式并缩短制造设备的停机时间。但新的连接技术的兴起使得机器能够为他们完成这些任务，不仅能最大限度地提高机器部件的使用寿命，还能避免机器故障。

今天，拙劣的维护策略可能会使工厂的总生产能力降低5%到20%。最近的研究还显示，无预警的设备故障停工每年给工业制造企业带来大约500亿美元的损失。很难确定一台机器应该多久下线进行检修，同时还要权衡因潜在故障丧失生产时间所带来的风险。通常来说，这一两难的处境迫使大多数维护团队做出取舍，要么冒着停机的风险最大限度地使用机器，试图通过提前更换优良部件来延长机器正常的运作时间，或者在某些情况下，凭借过去的经验来预测故障可能发生的时间，并主动解决这些问题。

维护计划通常可以分为四个类别，每个类别都有各自一系列的挑战和优点:

• 突发性维护
• 计划维护
• 主动维护
• 预测性维护

第四种，预测性维护(PdM)，已经可以通过智能、连接的技术将数字和物理资产相结合。虽然PdM已经不是一个新概念，但它通常需要大额的技术投资来处理大量的数据，这些数据通常只局限于一些大企业。现如今，数字技术的高度可用性和低成本，加上数字供应网络(DSN)的崛起，使得PdM可以在各种规模大小的机构和组织间被广泛应用。这种运营和信息技术的结合，将有助于更深入地分析来自现实世界的数据，并推动进一步的智能操作。在预测性维护时，从互相连接的智能机器和设备收集数据，可以预测故障可能在何时何地发生，使零部件的效率最大化，并缩短不必要的停机时间。在大多数情况下，这意味着PdM是最有效的维护策略——是其追求的黄金标准。这样，PdM通常被认为是DSN时代的关键技能。

在本文中，我们研究了PdM：它在DSN中的作用、影响和潜在的好处、支撑它的技术，以及在智能工厂中的典型角色。我们提出了如何将PdM纳入更广泛的资产维护策略，探索了实施PdM的一些挑战，并研究了可以成功过渡到PdM的公司结构变化。最后，作为智能工厂资产维护策略的一部分，我们描述了着手实施PdM的一些方法。