什么是预测性维护？
预测性维护是组织用来估算和计划运营设备维护计划的策略。该策略旨在优化设备性能和使用寿命。借助物联网 (IoT) 设备，您的组织可以使用智能传感器来监控机器性能的各个方面。预测性维护解决方案将传感器数据与业务运营数据相集成，并应用基于人工智能（AI）的分析来推导意义。您可以使用推导出的含义来预测设备的未来状态，并在潜在的机械问题出现之前对其进行预测。例如，如果温度或压力超过设定的阈值，或者机器的使用率高于您的预期，可能会遇到问题。预测性维护可以预测潜在的机械损坏，并在损坏发生之前安排维护检查。您的组织可以使用预测性维护，通过增加资产正常运行时间和可靠性来最大限度地延长生产时间。
为什么预测性维护很重要？
预测性维护很重要，因为物理机械可能会损坏。组件可能会出现故障或降级，性能可能会降低或变得超出预期的操作限制。这种物理设备故障和退化是由多种原因造成的：
- 外部突发事件或状况
- 经常使用导致的磨损现象
- 由于设备使用超出机器预期容量或功能范围而导致的过度磨损
整体设备工程设计和新技术也缩短了设备的使用寿命。它们还会影响维护和更换计划。
当您将越来越复杂和不同类型的设备集成到工业机械系统中时，一个组件的任何故障或退化都会对链条中的其他组件产生负面影响。这会导致意想不到的结果。您的组织可以使用预测性维护解决方案来减少设备故障的可能性，并避免超出合理范围的退化。
预测性维护有什么好处？
预测性维护计划可以通过多种方式使您的组织受益。
减少停机时间
等待设备出现故障，然后再进行维修，这就是所谓的被动维修。计划外的停机时间会影响整个运营计划。相比之下，预测性维护可以降低设备意外故障的风险。您可以提前计划纠正性维护，将停机时间转移到非关键时刻。如果需要，您还可以带上备用设备在维修期间使用，并提高业务连续性。
减少不必要的维护成本
预防性维护通常可以使机器保持良好的运行状态。但是，从降级角度来看，这种维护并不总是必要的。使用预测性维护计划时，您会在使用量或时间超过常规计划下预期的使用量或时间后触发维护。这可能是由于设备使用量减少或其他因素造成的。此过程可降低新零件的维护成本和维护团队的资源配置。
增进对集成系统的理解
通过使用预测性维护计划，您可以详细实时地了解复杂系统的整体运行状况。过去，这是无法实现的。只有带有时间戳的缺陷检查报告可以构成系统概述。如今，您可以整合所有物联网设备上的数据，对整个业务运营进行详细分析。
预测性维护的用例有哪些？
预测性维护通常用于大型复杂的物理系统的情况。下面是一些示例：
- 制造车间和工厂
- 建筑和工业设施
- 运输和物流
- 能源和公用事业
- 采矿作业
- 复杂的机器人
- 实验室服务
拥有或管理这些系统、操作或设施的公司可以从使用预测性维护中大大受益。这也将给他们带来竞争优势。
预测性维护是如何运作的？
预测性维护包括基于收集到的见解进行监控、分析和采取行动。
监控
在设备的整个使用过程中，您都必须使用各种各样的物联网传感器对其进行监控。传感器可测量温度、振动、湿度和其他参数，从而深入了解机器运行状况。
例如，温度传感器可指示机器在长时间使用后是否变热。或者来自照相机的图像可以显示阀门是否没有开得足够大。对设备进行持续或频繁的监控，以确保及时捕获数据并增加检测异常的机会。
分析
您可以分析从传感器收集的数据，以确定设备退化的速度或是否很快就会出现故障。物联网设备将数据传输到中央系统。在这里，机器学习 (ML) 和其他高级 AI 算法分析数据，以检测与既定基线或模式的偏差。他们通过分析历史数据并将其与已知故障关联来构建预测模型。将原始传感器读数转化为可用信息需要强大的计算能力。
操作
预测模型根据当前和过去的数据模式估算设备何时可能出现故障。该系统根据其未来分析创建主动维护计划。它还使用电子邮件、消息、仪表板或其他机制提醒维护团队注意潜在的即将发生的故障或时间紧迫的异常情况。随着时间的推移，您的组织执行维护并收集更多数据，预测模型会变得更加准确和可靠。
预测性维护技术
预测性维护工作是一个复杂的领域，有许多活动部件。它需要支持海量数据的存储、传输和分析的系统。这通常是来自数百甚至数千或数百万个不同物联网来源的实时流数据。数据传输需要专用网络，在数据湖中进行存储，并使用专用的高性能服务器集群进行处理。
支持预测性维护计划所需的确切基础架构取决于您使用的系统和架构。它还取决于您的传感器、数据类型和您执行的分析类型。定制预测性维护解决方案需要工程师、基础架构师和数据科学家创建正确的配置。
预测性维护和其他类型的维护有什么区别？
您的组织还可以采用预防性维护和基于检查的维护实践。
预测性维护与预防性维护对比
通过预测性维护，您可以提前预测设备的故障或退化，然后在事件发生之前先发制人地进行维护。
另一方面，预防性维护是指按设定的时间表进行维护。此维护计划可以基于时间段或可衡量的使用单位（例如风扇的转数）。通常，这些维护计划由设备制造商指定。
您可以同时使用预测性和预防性维护技术，或者使用其中一种方法。预测性维护本质上比预防性维护更先进。如果架构、配置、部署和维护得当，它会更加有效。
预测性维护与缺陷检查对比
缺陷检查是调查设备当前状态以决定是否启动新维护的过程。它还可以验证是否需要建议的维护。通常，这一过程涉及现场分析，例如对机器上的锈迹进行物理拍照。它还可能涉及远程分析技术，例如振动分析或物联网辅助捕获。
您可以使用缺陷检查以及预测性和预防性维护。检查还可用于维护计划以外的目的。例如，如果一家公司想出售其工业设施，则可能会对缺陷进行检查。买方可能想知道机器损坏或磨损的程度，这会影响购买成本。
实施预测性维护面临哪些挑战？
预测性维护依赖于在规划、物联网采购、运营、维护、分析活动以及持续改进和管理方面的大量投资。有效的预测性维护所需的时间、人力资源和金钱有时超出了小型企业的承受能力。
在您的组织部署预测性维护解决方案之前，请考虑以下挑战：
- 使用合适的传感器采集正确的数据
- 捕获正确的数据灵敏度级别
- 确保传感器正常工作
- 为维护警报设置正确的防护机制
- 为预测性维护进行正确的分析
- 决定何时以及是否进行预防性维护和缺陷检查
- 将新的设备组件集成到预测性维护系统中
- 根据分析配置自动计算机化维护管理系统
此外，您的组织还必须了解有关定期维护的任何法律、法规遵从性或保险义务。如果您计划遵循的预测性维护计划不如供应商建议的维护计划那么频繁，则这一点最为重要。
AWS 如何帮助您满足预测性维护要求？
Amazon Web Services (AWS) 提供各种服务，帮助您的组织开发和部署预测性维护解决方案。这些服务可以大规模扩展运营，而不会面临投资自有基础架构和维护的挑战。
AWS IoT 服务和解决方案可帮助您收集和存储传感器数据，以进行预测性维护。下面是一些示例：
- AWS IoT Core 让您可以连接数十亿个 IoT 设备，并将数万亿条消息路由到 AWS 服务，而无需管理基础架构
- AWS IoT Device Management 可帮助您大规模地扩展，以注册、组织、监控和远程管理 IoT 设备
- AWS IoT Events 监测您的设备或设备实例集是否发生故障或操作变更，并采取必要措施
Machine Learning on AWS（AWS 中的机器学习） 列出了许多用于分析传感器数据的完全托管服务。下面是几个示例：
- Amazon Lookout for Equipment 是一项机器学习工业设备监控服务，可检测异常设备行为，以便客户采取行动并避免意外停机
- Amazon Monitron 是一种端到端的系统，它使用机器学习来检测工业设备的异常情况并支持预测性维护
- Amazon Rekognition 提供预先训练和可定制的计算机视觉（CV）功能，可从您的图像和视频中提取信息和获得洞察力。
借助 Amazon SageMaker，您可以利用完全托管的基础架构、工具和工作流程，为预测性维护软件构建、培训和部署定制的 ML 模型。您可以在 AWS 解决方案库中浏览使用机器学习进行预测性维护的示例以开始使用。使用我们在 GitHub 上的代码，以及涡扇发动机退化的示例数据集，您可以探索 AWS 预测性维护解决方案的实际应用。使用您自己的数据进行定制，以便更深入地了解我们针对您独特使用情形的能力。
立即创建账户，开始在 AWS 上进行预测性维护。
