[关闭]
@lsmn 2018-07-25T07:47:48.000000Z 字数 4103 阅读 1512

预测性维护的回报与挑战

IoT IIoT AI


摘要

预测性维护并不新鲜,但现在比以往任何时候都多,随着工业物联网(IIoT)和人工智能(AI)的发展,预测性维护可以为制造商节约大量的成本。

正文

本文要点

  • 通过使用传感器监控运行状态,制造商利用预测性维护最小化停机可能;
  • 预测性维护的其中一个最大的障碍是,为了实现高安全性、高可靠性、低延迟,让数据从机器连续而流畅地进入ERP系统;
  • 除了节省成本外,预测性维护还可以带来差异化竞争;
  • 手工编码集成限制了IT部门响应业务变化的能力;
  • 与手工编码集成相比,集成平台是一个更好的可选方案,因为它们可以提供更为灵活的环境,处理与不同的、需要经常升级的系统的多方集成。

预测性维护并不新鲜,但现在比以往任何时候都多,随着工业物联网(IIoT)和人工智能(AI)的发展,预测性维护可以为制造商节约大量的成本。

通过使用传感器监控运行状态,制造商利用预测性维护最小化停机可能,把历史数据存储在云上,并执行分析。这样,就可以根据实际磨损进行设备维护,而不是按计划维护。就像你根据实际液位、振动和皮带厚度的实时测量结果进行保养,而不是每隔几千英里。

对于工业设备,更高效的维护可以带来巨大的节省。这包括设备寿命更长、现场技术员更高效、避免昂贵的停机时间,那会导致产品延期和安全隐患。有了预测性维护,工厂中的机器或者客户家里的电器甚至可以评估自身性能,当有信号表明设备需要维护时,它会订购自己的替换零件,并发送指令给现场技术人员。预测性维护甚至可以利用基于大数据的算法来预测将来的设备故障。

当与新零件订购和安装相关的管理过程自动触发时,就可以为后勤部门节省成本。例如,一台机器可以感应到钻头磨损,自动订购了一个新的,然后通知技术服务部门派遣一个现场服务代表,并把新件采购需求发送到ERP系统。通过自动化手动、易出错的劳动密集型管理职能,制造商可以获得额外的效率提升。

但是,预测性维护的其中一个最大的障碍是,为了实现高安全性、高可靠性、低延迟,让数据从机器连续而流畅地进入ERP系统。不过,这些障碍正一个个被清除,由于可以获得巨大的回报,所以制造商有强烈的预测性维护投资意愿。

预测性维护ROI

来自美国能源署的数据表明,预测性维护相当划算。制定一个实用的预测性维护方案可以取得显著的成果:ROI提升10倍、维护成本降低25%-30%、故障减少70%-75%、停机时间减少35%-45%。当以人工工时计算节省的成本时,预测性维护每年的小时成本为9美元,而预防性维护每年的小时成本为13美元。

原因很简单。反应式维护工作比主动更换磨损零件的成本高4到5倍。当设备由于无法获知性能衰退而出现故障时,生产力损失、库存备件、产成品延期等原因会导致最直接的成本。

华尔街日报和艾默生公司的一项研究表明,计划外停机,有42%是设备故障导致的,据估计,工业产品制造商每年因此产生的成本高达500亿美元。即使是在恢复生产以后,因操作中断而产生的成本还在继续。按照Frenus在“客户之声:制造业中的预测性维护”一文中的说法,大约50%的大公司都在计划外停机后面临质量问题。

除了节省成本外,预测性维护还可以促成差异化竞争。当机器数据可以用于实行预测性维护而准确性又比较高时,借助类似基于感知技术健康状况的自我恢复这样的数字能力,制造商就可以专注于实现产品差异化。制造商的价值不仅体现在车间工艺质量,还体现在它如何保护自己的资产。预测性维护可以成为销售工具,向客户展示制造商用来延长设备生命周期、提升维护过程效率的内置功能。

预测性维护实战

UPS声称,他们通过实现预测性维护解决方案减少了停机,延长了卡车车队设备的生命周期,节省了数百万美元。UPS管理着全球55000多名驾驶员和超过10万台车辆,他们已经存储了超过16PB的数据,其中包括与发动机性能、车况、车速、停车次数、里程、每加仑英里数有关的信息。

西门子为位于加利福尼亚的爱德华兹空军阿姆斯特朗飞行研究中心成功实现了NASA冷却系统的预测性维护。该系统监控风机、水泵、空气处理机、冷却塔的性能,获得可能降低维护和操作成本的见解。每当某个设备的状态发生显著的变化,就会自动通知NASA和分析师进行检查。

德国联邦铁路公司(DB)和西门子已经推出了一个试点应用,用于预测性保养和维护高速Velaro D列车。西门子利用一个专门的数据分析中心,位于德国慕尼黑的移动数据服务中心,来预测可能的设备故障。

有不少供应商宣称,他们的零部件具备拨打服务电话的功能,其中包括康明斯发电设备公司,如果发电机可能出现某种潜在的设备问题或有特别的服务要求,那么它们就会通过移动应用自动通知所有者和技术员。

预测性维护的IT挑战

在预测性维护系统可以正常工作之前,还有几项难题需要解决。机器、设备、传感器和人需要连接起来,彼此之间可以无缝通信。为了充分理解数据,将信息概念化,就需要一个物理世界的虚拟副本。这需要部署最复杂的解决方案技术如AI来支持决策和问题解决,尽可能实现赛博系统自治。下面是几项具体的要求。

手工编码集成会限制IT部门响应业务变化的能力。这会产生危险,就是人们会认为IT部门成了瓶颈,在集成项目中使用了珍贵的资源,却减缓了公司的发展。与手工编码集成相比,集成平台是一个更好的可选方案,因为它们可以提供更为灵活的环境,处理与不同的、需要经常升级的系统的多方集成。它们都经过了优化,可以处理不同供应商的技术栈,以及进行栈间优化。容错性、弹性、伸缩性以及监控和性能管理都是内置功能,那样,就可以使用一种标准方式跨系统管理所有数据。

尽管我们这里简单分析了技术上的障碍,但预测性维护是未来维护管理的重要组成部分。成功处理集成问题并自动化制造过程和维护的制造商会把他们的运转效率带到一个新的水平,获得巨大的财务优势。到时候,洗碗机、洗衣机制造商、甚至是汽车制造商都可以出售服务时间,因为他们非常信任其设备的运转效率,为客户消除了设备故障风险。只有当预测性维护使人和机器可以高效安全地通信时,所有这些才会发生。

关于作者

Yuval Lavi于2013年6月加入Magic,负责提供高级的专业服务。在担任专业服务部门全球副总裁三年之后,Yuval换岗到科技&创新部门全球副总裁。在这个新的岗位上,Yuval负责制定公司的技术愿景,为公司开辟新的技术领域,建立战略技术联盟。在加入Magic之前,Yuval是Kopel Reem软件公司的总经理兼共有人,自1996年作为一名程序员开始其职业生涯以来,他一直担任那个岗位。

查看英文原文:The Rewards and Challenges of Predictive Maintenance

添加新批注
在作者公开此批注前,只有你和作者可见。
回复批注