自工業革命以來，維護經理一直在與設備故障作斗爭。或許您就是其中之一。雖然過去幾代人的問題在今天仍然很普遍，但工業 4.0技術為經濟高效、可擴展的解決方案帶來了新的希望，使維護經理能夠預測問題，并在問題導致計劃外停機之前加以解決。

來自無線傳感器、手持工具、監測和數據采集 (SCADA)系統等不斷增長的狀態監測數據流，再加上現代軟件和分析，正在為工廠車間變革奠定基礎。今天，預測性維護能讓維護經理實時監測資產狀況數據，以防故障發生。

然而，即將到來的人工智能和機器學習技術有望帶來更大的互聯可靠性時代。過去，數據收集和數據分析是兩個截然不同的流程。雖然數據收集具有可擴展性，但專家執行分析的成本和有限的可用性，使得有效覆蓋僅適用于一小部分關鍵資產。未來，傳感器和軟件不僅可以在機器故障發生之前進行預測，而且還可以幫助團隊診斷問題并推薦解決方案。這種做法被稱為規范性維護。

機器學習與商業智能

如今，許多維護經理已經在應用商業智能 (BI) 技術來支持分析和改進決策。商業智能包括可視化工具，可以更容易地利用現有數據，對于許多維護組織來說，這是一種很有吸引力的方法，因為他們的公司已經在使用BI工具，而且系統可以相對用戶友好。

雖然商業智能工具和技術對于收集、可視化和分析數據很有用，但仍然需要人類專家來執行分析，這限制了覆蓋的廣度和深度。結合機器學習(ML)技術，通過依靠算法而不是人類專家來執行分析，解決了BI方法的可擴展性限制。這些算法可以通過多種方法開發，包括無監督學習技術，這些技術極大地擴展了可以分析的場景以及預測的準確性和精確度。

在當今的維護世界中，利用機器學習意味著首先要確定有助于預測設備故障的正確數據集。只有這樣，才有可能創建一個可重復的機器學習流程，以捕獲、分析、診斷和解決業務問題。

處理大數據

有無數可用的數據源提供與分析資產健康狀況和實現預測性維護相關的信息。與以往相比，更多的團隊正在處理來自更多來源的更多數據。通常，團隊的現有數據不適合機器學習工作，團隊不應該簡單地嘗試使其數據適合。

幸運的是，現在有許多公司正在開發先進的狀態監測傳感器，可以幫助組織開始這一旅程。借助當今先進的狀態監測傳感器，團隊可以進行全天候測量，從而清楚地了解資產健康狀況和性能，而無需花費額外的人力。振動傳感器和其他狀態監測裝置使團隊可以輕松快速地對資產進行故障排除。來自無線狀態監測傳感器的測量結果可以自動發送到云端，從而減少錯誤和手動操作的需要。

機器學習如何改變資產可靠性

振動傳感器是新狀態監測項目的常見起點，但其他可能性包括超聲波、油分析、熱成像和電機測試。了解資產如何發生故障(其主要故障模式)可以告訴您需要觀察哪些指標，從而知道哪種測量方法最適合該資產。

通過機器學習，資產在人們需要參與之前就可以收集、分析和診斷數據。工程師在系統分配工單之前驗證診斷。完成維修后，技術人員可以輸入他們的發現，而該算法可以從其接收的輸入和驗證中學習。

但是，該怎么做呢?

機器學習入門

與其推出一個全組織規模的機器學習計劃，不如從小處著手，并逐步擴大規模，這樣更有可能取得成功。以下是一些通用步驟，將使任何人受益，無論他們的起點如何：

(1) 完成資產關鍵性分析：按重要性層次對資產健康和維護進行優先級排序，為團隊提供重點和方向。根據每項資產在特定組織中的用途對其進行評級，包括故障時的業務影響。資產關鍵性分析可以深入了解哪些資產是狀態監測的主要關注對象。

(2) 規劃試點項目：從上面確定的一小組資產開始。確定最常見的故障模式和適當的狀態監測技術來檢測它們。您將需要一個可持續的、可重復的數據收集流程。確定適合您需求、規模和預算的狀態監測傳感器和策略。確定您的模型創建方法，選項包括加入數據科學資源、將開發外包給第三方或采用現成的解決方案。

(3) 建立框架和評估標準：創建一個工程分析框架，使您能夠測試資產診斷的準確性，并建立對解決方案的信心。評估可能需要哪些步驟才能將此驗證納入您組織的標準流程和工作流程中。

定義試點成功的標準。這可以包括試點的持續時間、覆蓋的資產數量、正確識別的故障數量、錯誤診斷故障的閾值、遺漏故障的閾值等。

(4) 啟動試點階段：成功試點的時間表會有很大差異。它取決于部署狀態監測技術的交付周期、數據收集的頻率、儀表化資產的數量、目標故障模式的頻率以及許多其他因素。一個明確的項目時間表和商定的里程碑對于保持組織中的支持以使試點工作順利完成至關重要。確保在整個試點過程中進行開放式溝通，以便您的團隊了解最終目標和實現目標的進度。

(5) 與利益相關方一起審查結果：一旦您有了試點項目的數據，并且您的團隊擁有了一些經驗，那么您就可以為進一步的擴展計劃提供理由。與您的團隊一起，回顧成功案例和改進機會，并確定改進設置的方法。

(6) 推出更大的計劃：回到您的資產關鍵性分析，以確定如何擴大您的狀態監測計劃。您可以在一個設施內或多個設施之間擴展您的計劃，具體取決于您組織的需求和優先級。

資產管理的未來

對于組織來說，了解不斷變化的維護和可靠性態勢至關重要。認識到包括機器學習在內的新興工具和技術的好處，是組織在快速變化的時代生存和發展的關鍵。

維護的最終目標——保持一切正常運行——沒有改變。但是，這些技術將使維護團隊更聰明地工作，而不是更努力地工作。