為工業(yè)4.0設(shè)計預(yù)測性維護解決方案代表著企業(yè)維護和運營方式的范式轉(zhuǎn)變。通過使用先進的預(yù)測性維護技術(shù)，主動預(yù)防運營挑戰(zhàn)是這個新工業(yè)時代的關(guān)鍵方面。這些解決方案不僅有助于獲取新的收入來源和節(jié)省運營成本，而且在防止停工和生產(chǎn)停機方面也發(fā)揮著重要作用。

盡管機器學習傳統(tǒng)上是最大的挑戰(zhàn)，但用于分析預(yù)測性維護數(shù)據(jù)的基于云的解決方案的出現(xiàn)，加上數(shù)據(jù)分析能力的提高，已將主要的設(shè)計挑戰(zhàn)轉(zhuǎn)向捕獲正確的數(shù)據(jù)集并將硬件部署到具有許多安全和網(wǎng)絡(luò)限制的分布式環(huán)境中。這種轉(zhuǎn)變需要一個全面的設(shè)計流程，優(yōu)化為四個不同的階段，以開發(fā)具有高穩(wěn)健性和安全性的全球性、經(jīng)濟高效的解決方案。

第一階段：初始數(shù)據(jù)捕獲

第一階段側(cè)重于從單臺機器和相關(guān)數(shù)據(jù)源（如能耗）捕獲數(shù)據(jù)，以創(chuàng)建全面的數(shù)據(jù)集進行分析。它證明了可以以合理的成本捕獲和轉(zhuǎn)發(fā)相關(guān)數(shù)據(jù)。利用物聯(lián)網(wǎng)設(shè)備管理解決方案，機器可以立即連接到設(shè)備，并根據(jù)需要配備額外的傳感器。建議使用具有蜂窩數(shù)據(jù)連接的基于Linux的硬件，以盡量減少與運營技術(shù)(OT)網(wǎng)絡(luò)管理的交互。

此階段的關(guān)鍵績效指標(KPI)圍繞捕獲相關(guān)數(shù)據(jù)點的能力，例如振動、噪音、電流消耗或壓力。目的是評估是否可以以足夠的精度和時間分辨率測量相關(guān)物理數(shù)據(jù)，是否可以頻繁更新軟件，以及是否可以建立初始數(shù)據(jù)收集和轉(zhuǎn)發(fā)解決方案。

數(shù)據(jù)分析師已經(jīng)可以開始可視化和訓練基于云的預(yù)測性維護模型，但一臺機器的數(shù)據(jù)集可能還不足以對此得出結(jié)論。該階段成功完成并得到產(chǎn)品管理的確認，為啟動第2階段鋪平了道路。這里的成功還沒有顯示出來，如果項目成功，則證明可以捕獲數(shù)據(jù)。

第二階段：現(xiàn)場測試和數(shù)據(jù)擴展

第二階段將范圍擴大到包括更多機器，通常需要使用大量設(shè)備進行現(xiàn)場測試，以確保AI和機器學習算法能夠達到必要的準確性和置信區(qū)間。有時，機器園區(qū)的規(guī)模需要足夠大，才能真正捕獲和分類真正的故障或操作異常。此階段使數(shù)據(jù)分析師能夠設(shè)置機器學習模型并進行訓練。

通過在分布式機群中部署第一階段開發(fā)的軟件，利用解決方案確保在任意數(shù)量的設(shè)備上無縫配置和安裝，可以實現(xiàn)這種擴展。在此過程中，選擇滿足穩(wěn)健性和價格標準的最終硬件。重點轉(zhuǎn)移到調(diào)整和擴展機器學習模型，KPI以實現(xiàn)預(yù)測所需的置信區(qū)間為中心。

這是一個交互式過程，要求在所有設(shè)備上頻繁進行OTA軟件更新，最好連接到CI/CD管道，以便在整個機群中進行非?？焖俚牡＝柚鷻C群管理和良好（且獨立）的連接解決方案（例如蜂窩網(wǎng)絡(luò)），這很容易實現(xiàn)。在此階段結(jié)束時，產(chǎn)品管理可以審查結(jié)果并決定優(yōu)化訓練模型所得出的準確性是否足以將其轉(zhuǎn)變?yōu)樾碌纳虡I(yè)服務(wù)。

第三階段：產(chǎn)品推出

在現(xiàn)場測試中成功實現(xiàn)預(yù)測率后，系統(tǒng)即可作為產(chǎn)品推出。從第一天開始啟用無線(OTA)更新，qbee.io等解決方案可根據(jù)需要輕松實現(xiàn)全圖像A/B更新。此階段標志著項目向運營的過渡，在此階段，將創(chuàng)建和實施新的收入來源和業(yè)務(wù)模式。人們經(jīng)常低估這需要多少工作和時間。但是，通過在整個設(shè)計過程中引入設(shè)備群管理，這可以完美運行，并且只是第1階段和第2階段的延伸。即使由于價格或可用性而需要更換硬件，也不會造成很大的延遲。在此階段，可能會發(fā)現(xiàn)其他客戶需求，并通過靈活的軟件更新機制將其納入系統(tǒng)。

第四階段：生命周期管理

最后階段強調(diào)生命周期管理的重要性，確保系統(tǒng)保持安全、在線和多年更新?？紤]到工業(yè)應(yīng)用的預(yù)期壽命，進行高效的車隊管理以及通過CI/CD管道進行軟件更新至關(guān)重要。此階段旨在保持高服務(wù)水平協(xié)議(SLA)和質(zhì)量，從而防止多年來代價高昂的機器停機和故障。體現(xiàn)工業(yè)4.0概念的超現(xiàn)代化工廠，展示了先進技術(shù)的集成，以優(yōu)化效率和預(yù)測性維護。

總結(jié)

總之，為工業(yè)4.0設(shè)計預(yù)測性維護解決方案需要采取全面、分階段的方法，將重點從傳統(tǒng)的機器學習挑戰(zhàn)轉(zhuǎn)移到有效捕獲和利用正確的數(shù)據(jù)集。通過系統(tǒng)地進行初始數(shù)據(jù)捕獲、現(xiàn)場測試、產(chǎn)品推出和生命周期管理，企業(yè)可以開發(fā)出強大、安全且經(jīng)濟高效的預(yù)測性維護解決方案，并快速上市。

使用上述步驟，如果數(shù)據(jù)質(zhì)量或預(yù)測準確性太低，還可以定義明確的項目中止標準。實施預(yù)測性維護不僅可以提高運營效率，還可以顯著減少停機時間和運營成本，標志著工業(yè)部門向更智能、更主動的維護策略發(fā)展的重大飛躍。此外，它還為新的商業(yè)模式和經(jīng)常性收入來源開辟了道路。

生成海報

免責聲明：本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準確性及可靠性，但不保證有關(guān)資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網(wǎng)站對有關(guān)資料所引致的錯誤、不確或遺漏，概不負任何法律責任。任何單位或個人認為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識產(chǎn)權(quán)或存在不實內(nèi)容時，應(yīng)及時向本網(wǎng)站提出書面權(quán)利通知或不實情況說明，并提供身份證明、權(quán)屬證明及詳細侵權(quán)或不實情況證明。本網(wǎng)站在收到上述法律文件后，將會依法盡快聯(lián)系相關(guān)文章源頭核實，溝通刪除相關(guān)內(nèi)容或斷開相關(guān)鏈接。