什么是预测的维护？
你需要知道的3件事
预测性维护是一种使用预测模型维护喷射发动机，风力涡轮机和油泵等运营工业资产的方法。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，监测组件的健康，并估计剩余的使用寿命（RUL）。通过预测维护，您可以在合适的时间安排维护 - 不太早，而不是太晚。
要了解预测维护这么有吸引力的主张，重要的是要了解替代品的缺点 - 无功，预防性维护。
无功维护和预防性维护
在反应性维护方法中，一旦资产失败，您只执行维护。这种方法可能适用于灯泡，但是没有计划的失败和停机时间以非常高的工业资产成本。
因此，大多数运营商正在执行预防性维护，以规则的间隔调度维护，而不考虑机器的实际情况。虽然这种方法会使失败的风险与无功维护相比，它导致更高的维护成本，增加停机时间和相关的库存和备用资产增加。它也不会阻止意外的故障，因为才能定期测量资产的状况，而不是实时监测和分析。
三种类型的维护及其管理失败的方法。
预测维护
预测性维护解决了其他两种方法所面临的问题，方法是持续监控资产的状态，并对何时会发生故障或需要维护提供恒定的估计。通过确保只在需要时进行维护，这将最大限度地减少意外停机时间，并降低运营成本。此外，开发一个成功的预测性维修解决方案，使制造商能够通过为客户提供维修服务来产生新的收入流。
预测维护解决方案中使用的算法类型及其回答的问题。万博 尤文图斯
预测性维护方式如何运作
在预测维护解决方案的核心中，该算法是从资产分析传感器数据的算法，并使用该数据来检测异常，诊断设备问题或预测资产的剩余使用寿命（RUL）。
开发此算法需要工程师收集适当的数据，然后使用Matlab®等工具预处理它并从中提取功能，然后使用这些功能作为输入机器学习或深入学习模型，用于预测。然后在IT / OT系统中部署此算法以尺寸为单位进行流动的来自多种资产和设备的数据。如果此最终步骤未成功完成，则不会实现预测性维护解决方案的优势。
为预测性维护解决方案开发算法的工作流。
失败数据
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如果它们具有代表要预测的故障类型的强大培训数据，则型号仅准确。因此，在健康和失败的条件下收集代表资产的数据是很重要的。
但是，对应于设备故障事件的数据通常很难访问 - 毕竟，任何维护程序的目标是防止失败！这使得工程师和数据科学家难以启动正确的数据来开始构建算法。
这个问题的一个解决方案是使用虚拟模型，比如在Simulink中构建的模型万博1manbetx®，以表示资产动态并模拟故障。例如，工程师可以建立一个油泵模型，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，为预测性维护算法开发生成故障数据是投资的好处之一数字双胞胎。
特征提取
一旦获得了必要的数据，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”的特性。这些条件指示器捕获与资产运行状况相关的信息。它们通常使用统计、信号处理和基于模型的技术组合提取，并在分析和设计工具(如MATLAB和Simulink)中实现。万博1manbetx这也是算法开发的阶段，在这个阶段，工程团队的投入是关键，因为他们对资产的表现有独特的见解。
识别正确的条件指示符是预测维护算法成功的关键。它使工程师能够监控一个明显较小的数据集，以确定其资产是否正在执行它的方式。例如，商用飞机将生成接近每次飞行数据的大字节。分析这么大量的数据可能是非常困难的，这就是为什么特征提取变得越来越重要。额外的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从传统的基于条件的监测方法区分预测性维护解决方案。万博 尤文图斯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在资产可能失败时预测。基于条件的监控可以提供实时更新，但不能预测资产的未来条件。
如果有用于不同故障模式的条件指示符值，工程师和数据科学家可以使用监督学习方法来培训可以区分这些故障模式的预测模型。然后，这些模型可以连接到现场中的资产，他们可以帮助隔离影响资产性能的问题的根本原因。
无监督的学习方法更适合于异常检测等应用程序，其中目标是将来自设备的输入条件指示值分类为“正常性能”或“异常性能”。由于无监督的学习方法不需要标记为不同的故障模式的标记培训数据，因此他们倾向于为工程师第一次尝试开发预测维护算法而非常流行。
可以使用单独的概率和时间序列的方法来计算机器的剩余使用寿命（RUL）。这些模型接受条件指示符的当前值，并在设备失败时在定义的置信区间内估计。事实上，这些rul模型是一种形式数字双胞胎因为它们模拟了特定操作资产的逐渐退化。有关其资产可能失败的时间范围的信息，工程师可以在合适的时间，订购备件，或限制资产的运作来安排维护，以延长其生命。
MATLAB中可用的剩余使用算法，由可用于预测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，例如物联网系统为了组织实现减少停机时间，降低维护成本和改善的运营效率的好处。
该算法运行的生产环境必须安全地管理由多个运营资产生成的数据，并根据需要扩展计算资源，以确保算法能够尽可能有效地跨边界或IT/OT系统运行。生产环境还必须与其他IT系统集成，以管理库存、提高服务票证，并将包含算法结果的仪表板展示给负责资产的运营团队。
需要注意的是，在这些生产环境中，预测性维护算法不仅仅运行在云上或本地服务器上。该算法的部分内容，尤其是与数据预处理和特征提取相关的内容，可以在边缘设备上进行评估，比如工业控制器，这些设备紧挨着运营资产，能够处理其生成的高速数据。这有助于降低数据存储和传输成本。
部署预测维护解决方案的组件。
客户成功案例
工程师使用MATLAB，SIMULINK和万博1manbetx预测维护工具箱™为企业IT和OT系统开发和部署条件监控和预测维护软件。
他们可以：
- 使用云存储、关系和非关系数据库以及REST、MQTT等协议的内置接口访问流和归档数据opc ua。
- 预处理数据和提取功能，用于使用应用程序进行信号处理和统计技术的应用程序监控设备健康。
- 开发机器学习模型，以隔离故障的根本原因，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运行系统。自动生成C / C ++，HDL，PLC或CUDA代码，用于嵌入或边缘部署。将算法部署到云作为C / C ++共享库，Web应用程序，Docker容器，.NET程序集，Java®类和Python包。
在不使用MATLAB中的诊断功能设计器应用程序的情况交互地提取和等级功能。
了解更多关于预测性维护的信息
相关主题
30天免费试用
