什么是预测性维护？

预测性维护是一种通过分析设备历史和实时数据，来预测团队何时何地需要安排维护的策略。相较于预防性维护或被动式维护等传统方法，预测性维护策略具有显著优势，其通过监测数据并运行算法，为维护团队提供优化工作流程所需的信息。

拥有成熟预测性维护体系的企业，能够优化其维护活动，避免设备故障维修成本、减少不必要的维护、最大限度地减少意外停机时间，并提升设备性能。

良好的预测性维护策略整合了多项要素，共同指导维护团队实施更主动的维护策略。

• 历史数据：任何维护系统的基础，都是设备使用、性能、维护、维修和更换的历史信息。团队通常利用这些数据制定预防性维护计划。
• 状态监测：现代资本性设备，在工业物联网（IIoT）的部署中，实现了实时数据采集。机器上的传感器负责收集数据，并通过网络将其传输至中央数据库进行存储和分析。状态监测不仅可捕获特定设备是否正在运行、运行时长以及完成的运行循环次数，还记录了温度、负载、振动、声音、运行工况等物理特性，以及设备在执行供应商设计任务时的性能表现。
• 预测分析：系统收集数据后，下一步是将各种类型的预测模型应用于数据。这通常包括人工智能（AI）方法，例如机器学习（ML），以及统计分析和其他类型的数据分析。在更先进的实施方案中，还会利用仿真模型（包括数字孪生）来提高其预测准确性和细节水平。预测分析的目标是将监测信息与性能下降及故障关联起来。
• 监测与建议：系统将预测分析结果与实时监测相结合，为维护团队提供优化维护计划所需的信息。
• AI/ML增强功能：AI工具正在逐渐成为高效预测性维护方案的重要组成部分。AI/ML算法可基于历史行为实现更准确的预测，并通过IIoT传感器捕获的数据或仿真生成的数据进行训练。还可利用神经网络和大型语言模型（LLM）等其他AI方法解读信息、识别模式或模式变化并总结数据。

预测性维护的子类型

预测性维护技术的实施可以采用多种形式，取决于维护团队如何应用预测结果：

• 预防性维护：根据时间或使用量实施的维护计划，被归为计划性维护。这种方式最适合设备磨损规律一致的情况，团队仅根据使用情况即可确定何时需要维护。有时，设备制造商会事先规定好维护计划，作为预先设定的维护方案。了解预测性维护与预防性维护的区别，是制定维护计划以合理优化二者应用的重要步骤。
• 纠正性维护：如果在设备发生故障或性能下降时才进行维修，称为纠正性维护。这种方式最适合易于诊断和修复的设备故障或性能问题。
• 基于状态的维护（CBM）：当监测参数提示问题时安排维护，称为CBM。这是最具效益的维护类型，因为它可以告知维护团队潜在的问题，使团队能够在问题升级之前及时解决。
• 基于风险的维护：团队根据故障或非计划维护带来的业务风险来安排和执行维护。基于风险的维护是许多维护部门在实施基于状态的维护后，为进一步降低运营成本而采取的下一步措施。

预测性维护解决方案中的数据采集技术

预测性维护技术的另一关键组成部分是用于监测设备的数据采集方法。以下列出了最常见的数据采集技术：

• 加速度与旋转速度记录：该技术是指记录设备线性运动或旋转部件力产生的加速度，这些力可能缩短设备使用寿命。预期加速度和旋转速度的变化也能提示潜在问题。
• 声学监测：利用麦克风监测的机械声音进行声学分析，是成本最低且最能揭示设备行为变化的方法之一。正常运行时的振动会形成声学特征，当特征发生变化时，操作人员就能判断机器内部出现异常。
• 控制系统输入和输出跟踪：自动化控制系统所生成的信息，会作为输入数据，并对来自各类传感器的反馈进行跟踪，其中部分传感器可能不属于工业物联网（IIoT）网络。全面的预测性维护解决方案需纳入此类数据采集。其中，关键指标包括运行时间、循环次数、输入流量与速度、系统性能及指令响应。
• 电气信号监测：在任何机电系统中，如果系统状态发生变化，其电信号都会表现为电压尖峰或电流纹波的波动。
• 流体杂质与材料属性跟踪：许多机械设备使用气体、液体或润滑剂来减少运动部件之间的摩擦。润滑剂中的金属碎屑、过热导致的粘度降低以及密封泄漏产生的杂质，均可作为机械系统过度磨损的指示信息。监测系统通过油液分析、流体电导率及其他无损测试方法，捕获各种类型流体的变化。
• 压力传感器与称重传感器监测：测量机械系统载荷最简单的方法，是采集流体压力或机械组件上的载荷。
• 温度测量热成像：大多数资产性能监测方案都利用热电偶或热敏电阻的传感器数据，来测量系统关键部位的温度。同时，还会部署红外摄像头，以生成所有可见表面的温度图像。温度变化，是另一项能够以低成本进行监测的参数，也是能够反映潜在故障的特征。
• 振动传感：振动分析，是预测性维护系统中另一种成本较低但能够提供丰富洞察信息的技术。正如声音的声学特征可作为指示信息，结构组件振动模式的变化也能反映出系统状态发生了变化。

AI在预测性维护实施中的作用

AI驱动的功能可显著扩展和增强预测性维护在各类应用案例中的效果。尽管设计预测性维护解决方案的团队可以在任何需要进行数据解读的环节利用AI技术，但大多数应用可归入以下三个类别：

• 基于ML的预测分析：ML（机器学习）算法是众多高级预测分析工具的核心。在相关解决方案中，可以利用现场数据或仿真来创建模型，以评估输入参数变化对输出参数的影响。ML算法具有确定性特性，因此非常适合用于预测。
• LLM数据查询：LLM（大语言模型）可通过交互式数据查询界面分析传感器数据，辅助生成详细工单和检修指导，支持模式识别，并使管理人员能够在实际实施解决方案之前进行虚拟“假设分析”。此外，LLM中的发现还有助于操作人员和维护团队更深入地挖掘数据，以识别变化或趋势。LLM具备自然语言交互能力，消除了复杂界面，因此用户无需经过专门培训即可使用。同时，其摘要功能可快速处理并解读大型数据集。
• 利用AI增强模式识别能力：识别传感器数据中的趋势或偏离预期模式，是预测性维护的关键环节。而这两方面正是AI工具的优势所在——AI工具可替代或增强人工监测。

预测性维护技术若能与企业需求相匹配，可显著节省成本并延长设备正常运行时间。企业必须确保实施解决方案的投资回报足以证明该成本是必要的。任何规模的企业在开始预测性维护实施流程之前，都需要确认其运营是否符合以下特征：

1. 公司有需要维护的物理资产。
2. 这些物理资产已配备IIoT监测系统，或企业愿意投资联网实时监测系统。
3. 备件及维护成本在运营成本中占比较大。
4. 设备维护或故障导致的停机会对公司的业务目标产生重大负面影响。
5. 企业拥有维护团队或愿意组建一支维护团队。
6. 管理层承诺对人员、流程、系统和设备进行投入，以采集实时数据并根据其提供的信息采取行动。

具备上述特征的任何实体，都可以受益于以下预测性维护带来的优势：

• 降低维护活动成本：正确实施预测性维护工具最直接的影响是，减少维护任务数量。预防性维护可能导致团队执行不必要的维护任务，而通过数据驱动的调度，团队只需在必要时采取行动。此外，团队能够掌握给定维护任务的紧急程度，并根据优先级和效率安排任务。
• 减少维修和更换次数：通过在故障发生之前识别潜在问题，预测性维护可以大幅降低企业维修和更换损坏部件的成本。
• 延长系统正常运行时间：生产中断不仅代价高昂，而且还会引发全组织性问题。预测性维护工具的输出使团队能在停机造成的负面影响最小时安排维护，并减少设备故障导致的停机时间。
• 缩短维护规划时间：预测性维护解决方案提供的详细、可操作信息，有助于维护团队简化维护调度和管理的整个流程。如果企业将预测性维护软件与计算机化维护管理系统（CMMS）及资产管理工具集成，可以大幅缩短规划时间，因为相关信息都集中存储在一处。
• 提高备件管理的成本效益：拥有大量设备的设施可能需要储备大量备件，以应对不必要的预防性维护或组件故障。通过实施主动的预测性维护策略，可以转为对该设施应用准时制库存系统，仅在系统提醒即将出现需求时才订购部件。
• 优化资产性能：预测性维护的最终优势在于企业维护的设备的性能提升。工程师可以利用生成的数据来识别性能下降的情况，即使此时无需立即维护。此外，仍可下达工单，以进行改善资产状态的调整。

企业在实施预测性维护系统时将面临诸多挑战，但提前了解这些挑战将有助于他们规划和制定应对策略。最主要的挑战包括：

• 系统基础设施：预测性维护系统使用来自设备传感器的数据。随着时间的推移，信息技术（IT）基础设施需求可能显著增长。云端或本地数据存储需要容纳海量数据，因此网络工程师必须将IIoT传感器及设备控制系统与数据存储基础设施连接起来，实施团队还必须提供足够的计算能力以支持数据分析和仿真。
• 安全性提升：设备故障可能带来危险。许多机器在高温高压环境下运行，并存储大量势能或动能。而预测性维护使团队，能够在问题发生之前消除潜在安全风险。
• 员工培训：大多数企业，会培训维护技术人员和工程师开展计划性维护。如果采用预测性维护，培训则侧重于提高灵活性，以及如何基于数据驱动的洞察开展工作，对监测、预测分析和仿真提供的信息做出响应。
• 数据要求：预测性维护系统中的预测分析和状态监测功能，需要长期积累大量数据。如果缺乏连续数据，工程师就无法训练机器学习系统或识别数据的变化和趋势。
• 复杂性：预测性维护系统非常复杂，因为需要将各种传感器技术、数据科学、AI、设备生命周期管理和维护调度整合到一个综合全面的系统中。在许多情况下，该系统还需满足各种机器类型的需求。

众多行业都能从预测性维护系统中受益，但对于考虑在该领域新增或扩展解决方案的企业而言，以下三种应用非常值得参考：

1.天然气动力涡轮机

2023年，全球23%的电力来自天然气驱动的动力涡轮机。这类动力涡轮机属于涡轮机械，通过将天然气燃烧转化为旋转轴动力来驱动发电机。其内部有众多组件，由于高温、振动、润滑不良以及持续运行产生的磨损，这些组件极易发生故障。对于运营这些复杂昂贵系统的企业而言，动力涡轮机的任何停机状况都意味着资金损失。此外，大型旋转盘可能会发生灾难性故障，从而损毁整个系统和周围设施。

维护团队通过结合声学、热和振动监测，并跟踪运行参数，以查找任何能够反映潜在故障的异常情况。团队可以利用基于AI的预测分析与详细的物理仿真，根据这些特征信号，诊断出潜在的问题发生位置。借助这些信息，维护团队可以在故障发生或性能开始下降之前及时修复系统。

2.重型设备

建筑和采矿中使用的重型设备，是另一个预测性维护可带来高投资回报的领域。由于这些设备在野外作业，因此维修成本更高，且所需部件可能难以就近获取。现代重型设备使用IIoT设备监测几乎每个子系统，并通过宽带将数据上传至数据库，以采集大规模车队的运行数据。

3.车队管理

车队车辆资产管理，是另一个预测性维护表现突出的领域。车队车辆的利润空间有限，因此任何停机时间都会直接影响收益。大多数现代车队车辆都配备了用于跟踪车队资产的传感器。车队管理团队只需收集数据并应用预测性维护工具开发模型，即可在潜在问题出现之前进行识别。

越来越多的企业正通过数字孪生以及详细的物理建模，将仿真集成到其预测性维护工具集中。企业可以借助这些设备的虚拟表示，以各种方式理解需要关注哪些传感器信号、信号变化意味着什么，以及实施维修的最佳工作流程。

通过仿真升级预测性维护解决方案的第一步，是采用Ansys Twin Builder基于仿真的数字孪生平台等工具创建并部署数字孪生。这些系统级模型基于经验数据、方程或物理模型，对设备中各子系统进行数学表征。部署完成后，操作人员可以观察输入的变化如何影响他们监测的输出结果。这使他们能够排查系统所需的变更，或针对现场遇到的问题尝试不同的解决方案。

负责预测性维护的团队还可以在Ansys TwinAI（由AI提供支持的数字孪生软件）等平台中，将基于物理的仿真模型与真实数据相结合。该工具采用最新的ML算法，通过混合方法从复杂系统中提取洞察，创建设备的虚拟模型。

有时，系统级建模需要更强大的功能，才能准确表征可从预测性维护中受益的机器行为。在这种情况下，工程团队可利用基于模型的系统工程（MBSE），结合Ansys ModelCenter基于模型的系统工程软件等综合仿真平台。在支持系统模型行业标准的同时，更高水平的功能与灵活性，可以快速高效地提供可执行的洞察。

当需要进行高精度行为仿真时，工程团队会在组件或装配体级别部署基于物理的仿真工具。他们可以采用综合全面的工具，例如用于结构、热和振动分析的Ansys Mechanical结构有限元分析软件，或用于流体建模的Ansys Fluent流体仿真软件。两者均有助于诊断声学特征。用户还可以将这两种工具连接起来，实现流固耦合仿真。

相关资源