预测性维护是一种使用预测模型维护可运行的工业资产的方法，如喷气发动机、风力涡轮机和油泵。这些预测模型使用传感器数据和其他相关信息来检测异常，监视组件的健康状况，并估计剩余使用寿命(RUL)。通过预见性维护，您可以在正确的时间安排维护——不太早也不太晚。
要理解是什么使预测性维护成为如此有吸引力的主张，了解替代方案的缺点——反应性维护和预防性维护是很重要的。
反应性维护和预防性维护
在响应式维护方法中，您只在资产发生故障时执行维护。这种方法可能适用于灯泡，但计划外故障和停机对工业资产来说代价非常高。
因此，大多数操作人员进行预防性维护，定期安排维护，而不考虑机器的实际情况。虽然与被动维护相比，这种方法降低了故障风险，但它会导致更高的维护成本、更长的停机时间，以及相关的库存和备用资产的增加。它也不能防止意外的故障，因为资产的状况只是定期测量，而不是持续的实时监测和分析。
三种类型的维护及其管理故障的方法。
预见性维护
预测性维护解决了其他两种方法所面临的问题监测条件对资产进行持续的评估，并提供它何时会发生故障或需要维护的持续估计。这最大限度地减少了意外停机时间，并通过确保只在需要时进行维护来降低运营成本。此外，开发一个成功的预测性维修解决方案，使制造商能够通过向客户提供维修服务来产生新的收入来源。
预测性维护解决方案中使用的算法类型及其回答的问题。
预测性维护的工作原理
预测性维护解决方案的核心是一种算法，该算法分析来自资产的传感器数据，并使用该数据检测异常，诊断设备问题，或预测资产的剩余使用寿命(RUL)。
开发这种算法需要工程师收集适当的数据，然后使用MATLAB等工具®为了预处理它并从中提取特征，然后使用这些特征作为输入机器学习或者是做预测的深度学习模型。然后，该算法被大规模部署到IT/OT系统中，来自多个资产和设备的数据被传输到该系统中。如果这最后一步没有成功完成，预测性维护解决方案的好处将无法实现。
为预测性维护解决方案开发算法的工作流程。
失败的数据
收集数据是开发任何预测性维护算法的第一步。机器学习和深度学习模型只有在拥有代表您希望预测的故障类型的健壮训练数据时才是准确的。因此，重要的是收集在正常和故障条件下代表资产的数据。
然而，与设备故障事件相对应的数据通常很难访问——毕竟，任何维护程序的目标都是防止故障!这使得工程师和数据科学家很难获得正确类型的数据来开始构建他们的算法。
解决这个问题的一个方法是使用虚拟模型，比如在Simulink中构建的那些模型®，表示资产动态，模拟故障。例如，工程师可以建立一个油泵的模型，模拟由于阀门泄漏和管道堵塞而导致的故障。这样就有可能以一种不影响实际油泵性能的经济有效的方式收集故障数据。事实上，为预测维护算法开发生成故障数据是投资的好处之一数字的双胞胎．
特征提取
一旦您有了必要的数据，下一步就是对其进行预处理，并将其简化为一组可以用作“条件指示器”的特征。这些条件指示器捕获与资产运行状况有关的相关信息。它们通常使用统计、信号处理和基于模型的技术组合提取，在MATLAB和Simulink等分析和设计工具中实现。这也是算法开发的一个阶段，在这个阶段，工程团队的输入是关键的，因为他们对资产的表现有独特的见解。
确定正确的状态指标是预测维护算法成功的关键。它使工程师能够监控一个小得多的数据集，以确定为什么他们的资产是这样运行的。例如，商业飞机每次飞行产生接近1tb的数据。分析如此大量的数据是非常困难的，这就是为什么特征提取变得越来越重要。另外一个好处是，它有助于降低数据存储和数据传输成本。
预测模型
机器学习和深度学习模型将预测性维修解决方案与传统的基于状态的监测方法区别开来。这些模型使用条件指示器作为输入，以检测异常的根本原因或预测资产可能发生故障的时间。基于条件的监视可以提供实时更新，但不能预测资产的未来状况。
如果存在不同故障模式的条件指示值，工程师和数据科学家可以使用监督学习方法来训练预测模型，从而区分这些故障模式。然后，这些模型可以与该领域的资产相连接，从而帮助隔离影响资产性能的问题的根本原因。
无监督学习方法更适合于诸如异常检测目标是将来自设备的传入状态指标值分类为“正常性能”或“异常性能”。由于无监督学习方法不需要对应于不同故障模式的标记训练数据，因此在首次开发预测维修算法的工程师中非常受欢迎。
另一类基于概率和时间序列的方法可以用来计算机器的剩余使用寿命(RUL)。这些模型接受状态指示器的当前值，并在确定的置信区间内估计设备何时会发生故障。事实上，这些RUL模型是数字的双胞胎当他们模拟一个特定运营资产的逐渐退化时。有了资产可能发生故障的时间范围的信息，工程师可以在正确的时间安排维护，订购备件，或限制资产的操作，以延长其寿命。
MATLAB中可用的剩余有用寿命算法按可用的数据类型进行分类。
部署和操作化
预测性维护解决方案不仅仅是算法开发。一旦开发了算法，就必须将其部署到生产环境中，例如物联网(IoT)系统以使组织实现减少停机时间、降低维护成本和提高操作效率的好处。
该算法运行的生产环境必须安全管理多个运营资产生成的数据，并根据需要扩展计算资源，以确保算法能够在边缘或IT/OT系统中尽可能有效地运行。生产环境还必须与其他IT系统集成，以管理库存、提高服务票价，并将包含算法结果的仪表板展示给负责资产的运营团队。
重要的是要注意，在这些生产环境中，预测性维护算法不仅运行在云和内部服务器上。算法的部分，特别是那些与数据预处理和特征提取相关的部分，可以在边缘设备上进行评估，如工业控制器，就在作业资产旁边，能够处理它产生的高速数据。这有助于降低数据存储和传输成本。
已部署的预测性维护解决方案的组件。
工程师使用MATLAB, Simulink和预见性维护工具箱™为企业IT和OT系统开发和部署状态监测和预测性维护软件。
他们可以:
- 使用到云存储、关系数据库和非关系数据库以及REST、MQTT和等协议的内置接口访问流数据和归档数据OPC UA．
- 使用信号处理和统计技术的应用程序对数据进行预处理和提取特征，以监测设备的健康状况。
- 开发机器学习模型，以分离故障的根本原因，并预测故障时间和剩余使用寿命(RUL)。
- 将算法和模型部署到您选择的正在运行的系统中。自动生成C/ c++， HDL, PLC或CUDA代码，用于嵌入式或边缘部署。将算法作为C/ c++共享库、web应用程序、Docker容器、.NET程序集、Java部署到云端®类和Python包。
在MATLAB中使用诊断特征设计器应用程序交互式提取和排序特征，无需编写任何代码。
了解预测性维护的更多信息
30天的免费试用
问题吗?
您也可以从以下列表中选择网站: