计划外的资产维护会造成运营混乱。生产会停止，对下游和上游产生影响。配额无法满足，截止日期无法完成，生产力下降。所有这些都会造成巨大的物质损失。
意外停机使世界上最 大的制造公司损失了11%的年收入，即总计 1.4 万亿美元。好消息是，通过预测性维护策略，可以很大程度上避免资产停机。
什么是预测性维护？
预测性维护 (PdM) 测量和监控不同资产的健康特征，以估计恶化趋势并预测故障。它建立在持续定量数据收集和深入分析的状态监测实践的基础上，以便在出现任何明显的损坏迹象之前检测和预测问题。
换句话说，PdM 系统在正确的时间向正确的人提供关键信息。借助预测性维护洞察，资产管理人员可以：
l降低资产故障风险
l降低维护成本
l延长资产使用寿命
l提高员工安全
l实现更大的可持续性
l提高组织生产力
大多数 (95%) 预测性维护采用者报告了正的投资回报率，其中27%报告称在不到一年的时间内收回了全部投资。
百事公司在采用 PdM 系统后，由于设备故障、工作流程、中断和增量维护成本的减少，其菲多利工厂每年的生产能力增加了4,000 多小时。
全球综合能源公司 Suncor为 14 个地点的20,500 项关键资产实施了预测性维护解决方案，包括油砂、下游、勘探和生产以及管道，并在一年内获得了超过 3700 万加元的价值。
资产管理人员依赖五种维护策略：
1. 反应性维护：资产故障或损坏后进行的计划外立即维修。
2. 纠正性维护：对出现损坏或退化早期迹象的资产进行计划或安排的修复。
3. 预防性维护：根据历史数据，按照预先定义的时间表执行。
4. 预测性维护：根据对服务质量下降或故障可能性的实时洞察进行安排。
5. 规范性 维护：围绕数据驱动的建议进行规划，以防止未来的故障。
简单来说：反应性维护和纠正性维护是在事后进行的，即当损坏已经很明显时。预防性和预测性维护策略面向未来，但它们在精 确度方面有所不同。
预防性维护依赖于预期的资产状况，基于历史基线、过去的维护记录和合规性要求。基于这些，团队的时间表计划了纠正性维护，而没有考虑实际需求。
相比之下，预测性维护是根据实际（而非预期）资产状况进行决策的，该情况借助高级分析模型确定。预测性维护工具将历史记录与各种实时数据点（例如超声波声学、热测量、润滑水平）进行比较，以测量当前资产的健康状况。然后生成时间序列预测，以建议最 佳维护计划。
以下是预防性维护和预测性维护之间的主要差异的并列比较：
预测性维护是一系列流程和技术的集合，用于实现实时数据收集和高保真分析。
典型的 PdM 系统通常有两个关键组件：数据聚合模块和高级分析引擎。前者从所有已授权的设备、传感器和其他操作系统（例如资产管理平台、SCADA、CMMS 等）收集数据。经过适当的转换（质量检查、标准化等）后，汇总的见解将提供给算法，该算法执行二元分类（例如正常或故障状态）、检测异常（例如工作温度不明原因上升）并发布时间序列预测（例如 4 周内可能的服务质量下降）。
为了更好地理解设置，让我们分别看一下每个技术组件。
大多数公司依靠监控和数据采集 (SCADA) 系统进行远程资产和设备监控以及性能调整。现代 SCADA 系统汇总来自传感器、执行器、PLC 和通信网络的数据，以提供性能基准。
然而，数据收集通常仅限于过程变量（例如温度或压力下降）。SCADA 系统也仅在问题发生后才提供反应性警报。这就是为什么许多领导者将 SCADA 洞察与来自传感器和物联网设备的额外数据相结合的原因。
由于制造技术的进步，传感器的尺寸越来越小，生产成本也越来越低。过去二十年里，每个传感器的平均售价降低了一半，从0.66 美元降到了 0.29 美元。
此外，新的传感设备更加耐用。例如，根据Wilcoxon 的估计，中等质量的加速度计的 IM 率仅为 2%，而高质量加速度计的 IM 率仅为 0.3%，其终身成本分别为 5,600 美元和 1,350 美元。
为了实现预测性监控，资产管理人员通常会投资多种传感器来捕获温度、振动、压力或湿度等参数。这些传感器可以是数字或模拟传感器，用于振动分析、声学监控、油分析、电机电路监控、磁场测量等。市场上有适合资产生命周期不同阶段几乎所有监控需求的传感器解决方案。
许多预测性监控场景都需要物联网 (IoT) 设备。物联网设备结合了传感、微处理器、通信模块，有时还结合了边缘计算功能，以汇总数据并将其传输到集中存储库进行分析。
工业物联网网络可以包括：
l智能网关用于聚合来自多个传感器的数据
l边缘设备在本地对受监控资产执行异常检测
l支持物联网的机器可实时共享状况数据并支持远程性能调整
常规传感器测量受监控资产、设备和操作环境中的物理变化。物联网设备收集、传输并有时处理来自多个系统的传感器数据，以提供预测见解。物联网系统的主要目的是实现受监控设备、预测分析系统和用于资产管理的其他软件之间的实时数据交换。
传感器提供充足的状态数据，但通常不能满足所有监测需求。例如，检测厚度损失、绝缘层下的腐蚀或表面开裂。
许多监管场景还明确要求定期进行无损检测 (NDT)，以提供更深入的评估。NDT 数据也可以（也应该）用于优化预测性维护。最后，工业资产（例如 400 英尺的消防烟囱或海上钻井平台结构）的庞大规模使得传感器部署要么过于困难，要么在经济上不可行。
因此，许多公司投资于额外的检查系统。例如，工业检查无人机可以收集 RGB 和热图像、进行超声波厚度测量或执行多光谱分析。专用无人机有效载荷可以帮助资产管理人员在更短的时间内更精 确地获取大型基础设施的额外状况数据。
Voliro T 无人机拥有 360 度的运动自由度，可以执行近结构检查，并且精度高，所需时间比使用传统方法（例如手持式 NDT 设备和绳索通道或升降平台）少 2 倍。
Voliro T 具有六个可互换的有效载荷，可用于执行壁厚测量（使用超声波 A 扫描或 EMAT 技术）、涂层厚度测量、绝缘层下腐蚀检测和防雷系统测试。
通过我们的解决方案，您可以从高架管道、大型储罐、输电塔、火炬塔和烟囱收集可靠的状况数据，以制定预测性维护策略。
为了监控小型生产设备，领导者也在投资计算机视觉系统。例如，实时监控传送带操作，以检测设备性能是否欠佳。例如，检测容器的液体填充率低，这可能表明系统配置不良或水封退化导致损坏。或者监控远程资产。一家美国热电缆供应商安装了一个自主计算机视觉系统来检测其资产上的结冰情况。当冰层高度超过设定的阈值时，系统会自动调整电缆加热水平。
机器学习 (ML) 和深度学习 (DL) 将汇总的条件数据转化为运营洞察：设备状态、基于事件的警报、与时间相关的预测、深入的缺陷描述等。
支持预测性维护解决方案的算法包括：
l回归模型（例如线性或支持向量回归）用于预测连续、可变的结果（如剩余使用寿命），预测退化趋势，或估计环境压力源对设备性能的影响。
l分类模型（例如决策树或梯度提升）用于对数据中的模式进行分类。它们用于预测故障的二元分类、根本原因分析分类和各种性能异常分类。
l时间序列模型（例如 ARIMA 或 LSTM）使用顺序数据来预测资产的未来状况和性能趋势。例如，预测设备故障、检测性能逐渐下降或识别重复出现的故障模式
l卷积神经网络 (CNN)可以检测多维数据（例如空间数据、资产图像和传感器读数的组合）中的模式，以提供更准确的分类和预测。
一个 PdM 可以结合多种 ML 和 DL 技术来提供更准确的洞察。深度学习（例如 CNN）可用于从数据中提取特征，然后时间序列 ML 模型可以调整预测。
预测性维护系统通常与其他软件集成，以简化调度和维护工作流程。例如，与计算机化维护管理系统 (CMMS) 集成可让您通过预测性见解通知调度。通过及时实施建议，可以避免停机并有效利用资源。
反过来，与资产管理平台的集成可以帮助您进一步优化资产生命周期。通过使用预测资产管理工具，可以为不同资产类别提供风险暴露评分，可以平衡资产绩效与维护成本。您还可以优化供应链流程，以重新订购替换、备件或新零件，以及执行纠正措施的资源调度。
预测分析输出还可以转化为根本原因分析 (RCA) 工具，以帮助技术人员调查导致性能下降或资产故障的根本问题。
最后，预测模型作为更先进的决策支持系统的基石，可以实时推荐（有时自动应用）特定的维护或性能调整操作，即规范性维护解决方案。
巨视安防
预测性维护用例的类型
ML 和 DL 启用了新的分析领域，使用更广泛的参数和数据类型组合。与早期的数据分析系统不同，基于 ML 的解决方案可以交叉关联来自不同来源（例如振动传感器、热成像和油监测系统）的数据，以提供更丰富的运营见解。
根据条件，所有预测性维护用例可分组为：
l间接故障预测
l异常检测
l剩余使用寿命估计
这三种类型之间的差异归结为数据输入/输出、应用方法和交付结果。
故障机制很复杂，因为有多种因素在起作用——化学暴露、使用频率、正确利用等。一些故障也会发生得相当快，如应力腐蚀开裂。
预测性维护工具可根据不同的性能变量、操作条件、运行历史和过去的维护操作来估计故障的可能性。机器学习算法通常会根据上述因素的组合来分配风险评分，以提示何时可能发生故障。
波音公司部署了一个预测性机器学习模型，用于检测液压扰流板动力控制单元中可能导致飞机停飞事件的早期腐蚀迹象。该模型基于来自飞行传感器数据和维护记录的超过 2000 亿个数据点进行训练。当两根冗余铜线中的一根腐蚀到开路故障的程度时，它可以高精度地检测出来。这对波音公司来说是一个很大的优势，因为机载飞机系统只有在两根电线都发生故障时才会发出警报。
在石油和天然气行业，间接故障预测有助于确保更好的石油钻井平台维护。例如，预测性维护系统可以处理来自钻井设备的调节数据（振动水平、温度变化、腐蚀性液体存在、过去的维护），以发出有关可能出现故障的警报。有了这样的预见，钻井平台操作员可以优化备件交付，以避免运营中断。
在电力和能源领域，故障预测有助于延长风力涡轮机和变压器的资产寿命。通过结合控制系统日志、润滑系统数据、振动分析以及无人机捕获的叶片和塔架数据，操作员可以检测到磨损的早期迹象，从而最 大限度地减少停机时间并最 大限度地提高能源产出。
异常检测是预测性维护解决方案的另一项重要功能。在这种情况下，算法经过训练可以检测出任何与“正常”资产概况的偏差，这些偏差表明可能存在故障、缺陷或性能下降。异常检测为团队提供有关损坏或停机风险的“早期预警”，从而可以更快地进行干预。
工业锅炉和压力容器等资产的维修比更换更具成本效益。然而，微小的裂缝很难发现，尤其是当它们开始在内部扩散时。然而，可以检测到的是它们存在的迹象，例如压力或流速的降低。
一家石油公司实施了基于状态的监控解决方案来跟踪其热交换器的性能。该系统实时监控设备温度、碳氢化合物流速、压力和其他参数，以检测泄漏的早期迹象。在测试阶段，PdM 系统检测到反复出现的异常，从而立即检查并更换了几个老化的热交换器。这为公司节省了数千美元的直接和间接成本，例如监管调查和破裂时的声誉损失。
RUL 表示距离资产需要维修或更换还剩多少时间。根据资产类型，RUL 可以使用行进距离、执行的重复周期或自开始使用以来的时间等参数来定义。
如果受监控资产以可预测的方式退化，则可以使用机器学习算法根据传感器数据建立准确的估计值。该算法可以不断将资产性能与其“正常”基线进行比较，以警告早期恶化迹象。根据数据可用性，当前两个数据集不可用时，RUL 模型可以根据终身资产数据、运行至故障数据或规定的阈值退化值进行训练。退化模型通过预测条件指标的阈值交叉来估计 RUL。
您可以通过确定不同类型的跟踪资产的主要故障指标来为 RUL 模型构建适当的数据集。例如，Novity 高级交付经理Preston Johnson 表示，油分析、声发射和超声波测试数据可以为估算化工厂离心泵的 RUL 提供最 佳数据。
在采矿业中，RUL 模型通常用于预测露天矿场运输卡车发动机的剩余使用寿命。由于车辆经常暴露在恶劣的条件下，因此需要更频繁地进行维修。RUL 模型可以根据以下数据点进行训练：
l发动机温度波动
l燃料消耗率
l发动机振动水平
l油品质量和污染物存在
使用在已知条件下收集的传感器数据，训练 RUL 模型来预测发动机接近故障时这些指标如何变化。例如，随着发动机部件的退化，模型可能会将振动强度的增加与燃油效率的降低识别为即将发生故障的迹象。
巨视安防
结论
预测性维护简化了资产健康状况分析，为操作员提供对性能恶化、结构可靠性和故障风险的实时预测。借助早期预警，操作员可以优化计划的维护停机时间窗口，减少因故障导致的计划外停机时间，并提高员工的工作效率。
然而，预测性维护计划的成功在很大程度上取决于数据的可用性。特别是，如果我们谈论的是监控桥梁、水坝、储罐或管道等大型工业资产。在这种情况下，传感器和物联网部署可能并不总是具有成本效益，而由于检查的复杂性，手动数据收集非常耗时。
我们的目标是利用我们的工业检测无人机解决这一挑战。Voliro T可在几分钟内部署，使用一系列可互换的有效载荷（超声波传感器、EMAT、DFT 仪表、防雷系统测试工具包和脉冲涡流仪表）在高空收集 NDT 数据。以更少的人员在 2 倍的时间内收集可靠的资产状况数据，以获得预测性维护计划中缺失的见解。
公众号 扫码咨询
 |
上海市闵行区中春路4999号莘庄商务楼1326室 |
 |
service@covond.com |
 |
www.covond.com |
 |
交换机：18017588179（孙经理） 无人机：13311882358（孙总） |
