可以帮助公司克服预测性维护怀疑的经验教训

预测性维护可以为在生产线上应用该技术的制造商带来可观的收益。

预测性维护可以为在生产线上应用该技术的制造商带来可观的收益。

相关相片

嘉宾评论,行业经理Philipp Wallner, MathWorks

 

预测性维护已成为负责预防灾难性系统故障的工业设备操作人员日益增长的要求。他们能够预测和响应潜在设备故障的能力使他们能够抢先安排维修时间,并最大程度地减少对工厂运营的整体干扰—最终使公司受益’s bottom line.

然而,对于预测性维护是否带来可衡量的收益,有时仍存在怀疑。这种怀疑主要是由于那些公司难以确定他们将从投资该应用程序中看到的投资回报率,并且不确定他们是否具有适当数量的设备故障数据甚至是实现功能算法的正确数据。通常,预测性维护被错误地标记为“black box”解决方案,其中应用程序从设备接收操作数据,并使用算法以某种方式预测机器的剩余使用寿命。但这是一个不准确的表示,因为它忽略了领域知识在开发可以检测和预测故障的算法中所扮演的角色。

具有数学背景的数据科学家通常参与预测性维护。但是,他们通常缺乏工程师社区中已经存在的领域知识。公司有一个很好的机会来桥接数据科学和工程界,以生成必要的设备故障数据,从而可以更好地训练预测性维护算法。 软件仿真工具 简化了此过程,因为它们可以使预测性维护算法更强大,并确保总体上需要较少的数据来进行适当的培训。这些工具还使那些可能不太熟悉预测性维护的人员能够实施不同的技术来收集和训练数据。

为了训练这些算法,公司需要知道故障数据的外观。但是,如果设备不提供此类数据,通常将无法获得 ’分解频率很高’为了收集故障数据而故意使设备运行失败的成本很高。为了解决这一障碍,诸如仿真模型之类的软件工具可为您提供帮助 通过表示物理设备在不同测试场景中如何在现场工作来生成故障数据。以下是三个最新的应用程序来演示此方法:

  • 油田服务公司Baker Hughes 使用软件工具来开发泵运行状况监视软件,该软件将数据分析用于预测性维护。结果,该公司将设备的停机成本降低了40%,同时减少了现场额外卡车的需求。
  • 包装和纸制品生产商Mondi 开发了带有软件工具的健康监控和预测性维护应用程序,以识别潜在的设备问题。有了这些工具,尽管该公司’缺乏具有机器学习专业知识的数据科学家。
  • 高科技产业集团赛峰(西班牙) 使用模拟模型来训练用于主动监控和预测液压机异常的神经网络。使用仿真模型生成代表故障机器的数据可以使他们克服由于缺乏来自机器的实际故障数据而带来的困难。

这清楚地表明,公司有很大的机会将他们的数据科学和工程学界聚集在一起,以通过工程仿真工具生成必要的设备故障数据,然后使用这些数据更好地训练预测性维护算法。软件仿真工具可以简化预测过程,因为它们可以使预测性维护算法更强大,并确保总体上需要更少的数据来进行适当的培训。这些工具还使那些可能不熟悉数据科学的人能够实施不同的技术来预处理数据并基于该数据训练预测模型。

2020年预测性维护的现状

当前,大多数预测性维护算法都在现场且靠近设备—例如边缘服务器,可以在生产设施或风电场中本地收集数据。在未来的几年中,公司应该期望看到工业控制器和边缘计算设备的计算能力迅速提高,以及使用云系统,以帮助实现生产系统上软件功能的新维度。预测性维护将不断发展并不仅考虑来自一台机器或站点的数据,而且还将考虑跨多个工厂以及来自不同供应商的设备的数据。根据需求,这些基于AI的算法将部署在非实时平台以及诸如可编程逻辑控制器(PLC)的实时系统上。

最终,预测性维护最强大的用途是将来自世界各地的设备的数据馈送到云平台中。与尝试在本地进行相同的操作相比,云使制造商既可以从多个区域收集数据,又可以更有效地训练预测性维护算法。尽管有人对数据的安全性和所有权持怀疑态度, 公司应为基于云的预测性维护的现实性做好准备.

对于将这种新技术应用于其生产线的制造商而言,预测性维护具有多个可衡量的优势。那些天堂’确定了预测性维护如何通过货币化并适合其各自的业务模型,从而可能面临竞争劣势。但是,有可用资源来实现领域专业知识和机器学习的配对—这意味着每家公司都可以实现预测性维护及其优势。

更多MathWorks报道

分享这篇文章

订阅我们的免费杂志, 免费的电子邮件通讯或两者兼而有之!

加入超过90,000名工程专业人员的行列,他们将在新闻发布后立即获得最新的工程新闻。


关于作者

德 编辑s's avatar
德 编辑s

德’的编辑将新闻和新产品公告发布到 数字工程.
新闻稿可能会通过以下方式发送给他们 [电子邮件 protected].

关注DE
#24095