|
在当今竞争激烈的商业环境中，企业正面临着前所未有的挑战，即如何利用大数据，快速而精确地决策以提高生产力。工业4.0带动制造业从智能工厂转型到未来的智慧工厂。在目前的制造业里面，大数据可以把大规模预防性质的维修、生产转化成精准预测性质的维护，从而达到零排放、零宕机、零维护、零库存等绿色产业的要求。 预测性维护 设备意外停机会给企业带来重大的损失，保持设备持续正常的运行，对于提高设备利用率，减少开销是非常重要的。简单地说，在今天的工业生产活动中，等到设备故障再去采取行动，这样带来的损失是负担不起的。 为了保持竞争力，企业正尝试利用多渠道收集的工业大数据，来提高设备的性能。一个重要方法就是分析这些数据，利用历史模式来预测未来的结果。目前最流行的一种方法被称为预测性维护，即预测设备在未来可能会发生的故障，从而可以在故障发生前就采取维护行为。这种方法可以检测出高风险状态的设备，从而更高效的部署有限的后勤维护资源。 随着工业4.0下产业的升级转型，工业数据的收集、处理技术越来越成熟，这也使得预测性维护受到了前所未有的关注。总体来说，预测性维护需要解决以下问题：
回答了这些问题，带来的商业价值包括：
预测性维护的解决方案一般会提供：
商业案例 航空业 商业问题和数据来源 航空公司面临的一个主要的商业问题是机械故障引起的航班延误会带来巨额的损失。如果机械故障不能被及时排除，甚至要取消航班。航班延误会带来大量调度、运营的问题，客户的满意度和商业声誉也会受到极大的损害。所以航空公司特别关心能否提前预测这些机械故障，减少航班延误和取消。 这个案例里的预测性维护的任务，是通过分析相关数据如飞机维护历史和飞行路线，预测航班的延误或取消概率。飞行路线数据包括了起飞降落的日期、时间、机场等。飞机维护数据包括地勤记录的一系列故障和维护代码。 商业价值 利用已有的历史数据，可以建立一个多分类的预测模型，预测24小时内可能导致航班延误或取消的机械故障类型。在这之后，航空公司可以采取必要的主动维护行动，在飞机正常服务阶段就排除潜在风险，避免航班延误或取消。 商业问题和数据来源 飞机引擎是非常精密昂贵的，在航空工业中更换引擎部件是最常见的维护任务。航线维护任务要求对引擎部件备货的可用性、运输、规划有严谨的管理。通过对部件可靠性的智能预测，可以有效减少资金投入。可靠性预测的数据主要来源于安装在引擎各部位的传感器采集的电子信号，这些信号综合在一起可以有效表达引擎的运行状态。 商业价值 一个多分类的预测模型，可以预测未来一个月内，引擎因为每个部件的原因而导致故障的概率。航空公司可以特别关注那些概率大的部件，从而降低维修开销，提高部件备货效率，减少库存浪费，提高供应链流程规划的质量。 交通和物流业 商业问题和数据来源 典型的车辆维护包括纠正性和预防性维护。纠正性维护是指车辆出现影响驾驶的严重的功能性故障后，将车辆运送到维修车间的维护行为。大部分车辆也会采取预防性维护，比如定期保养，会按照计划表的时间安排，采取预定的维护措施，但是不会检查车辆子系统的当前状态。这两种维护机制都不能够保证规避车辆系统故障。 在这个案例里，可以通过车辆轮动系统里安装的传感器，收集驾驶模式的历史数据和车辆的其它实时状态数据，来预测制动系统的故障。这里面最重要的是传感器收集的加速、制动模式、驾驶距离、速度等数据，结合其它静态信息如车辆特征，可以建立一组预测器来生成预测模型。另外一组必要的信息是历史故障数据，这可以从维修部门的零件购买数据库里生成。 商业价值 预测性方法的商业价值是显而易见的。一个预测性维护系统可以用来更好的规划零件购买计划。预测模型是基于代表车辆当前状态和驾驶记录的传感器数据的，因此可以降低在下一次定期维护前，发生意外故障的风险。 同样，模型也可以减少不必要的预防性维护行为。这个系统也可以主动通知驾驶人员，某些部件需要在未来几周内被更换。同时通知这些部件的供应商，供应商就可以提前为这辆车准备一个个性化的维护方案。 商业问题和数据来源 地铁运营中最常见的延误和问题原因是车门故障。预测一辆车是否会产生车门故障，或者预测距离下一次车门故障还有多少天，是特别重要的任务。这可以优化车门检修的时机，减少列车故障时间。完成这项预测主要由三个数据来源：列车事件历史信息，车辆维护数据（如维护类型、派工类型、优先级代码等），故障记录数据。 |
|
|
来自： 沈峰dcmjx7q995 > 《预测性维护》
