什么是预测性维护?

为什么预测性维护很重要

要了解是什么使预测性维护如此有吸引力，重要的是要了解通常执行维护的两种方式:反应性维护和预防性维护。

反应性维护和预防性维护

在反应式维护方法中，只有在机器出现故障时才执行维护。这种方法可能适用于灯泡，但对于工业机器来说，计划外故障和停机时间可能非常昂贵和危险。

因此，许多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件的增加。它也不能防止意外故障，因为机器的状况只是定期测量，而不是连续实时监测和分析。

获取数据

获取数据是开发任何预测性维护算法的第一步。人工智能算法只有在拥有强大的训练数据时才准确，这些数据代表了你想要预测的失败类型。因此，收集在正常和故障状态下表示机器的数据非常重要。

然而，故障数据通常很难访问——毕竟，任何维护程序的目标都是防止故障!这使得工程师很难获得正确的数据来开始构建精确的算法。

这个问题的一个解决方案是从基于物理的模型中生成合成数据，比如在Simulink中构建的模型万博1manbetx^®和Simscape™。例如，工程师可以建立一个油泵模型，并模拟由于阀门泄漏和管道堵塞而导致的故障。然后，就有可能以一种安全、经济的方式生成故障数据，而不会影响实际油泵的性能。这些基于物理的模型可以用于操作数字的双胞胎预测未来的表现。

识别条件指标

一旦你有了正确的数据，下一步就是将其缩减为一组可以用作条件指标训练一个预测算法。条件指示器是指示健康操作和故障操作之间差异的特征。它们通常是使用统计、信号处理和基于模型的技术(使用MATLAB等分析和设计工具)组合提取的。工程团队的专业知识在这里是关键——他们对机器如何工作有深刻的见解，并可以帮助确定最佳功能。

识别正确的特征是预测维护算法成功的关键。正确的特征可以用来训练算法，以检测不容易观察到的趋势。此外，特征提取减少了原始数据集的大小。例如，商用飞机每次飞行产生的数据接近1tb。传输、存储和分析如此大量的数据可能很困难，这就是原因特征提取变得越来越重要。

开发算法

一旦你提取出了最佳特征，下一步就是训练你的预测算法。这些算法可以分为三大类:异常检测、故障识别(诊断)和剩余使用寿命估计(预测)。最终，预测性维护算法的目标是将传感器数据转化为维护决策。

如果数据被标记为故障模式，工程师可以使用监督学习方法来训练预测模型，以区分这些故障模式。然后，这些模型可以连接到现场的操作系统，帮助确定性能下降的根本原因。

无监督学习方法最适合应用于异常检测目标是将来自设备的输入状态指示器值分类为正常或异常。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，因此在首次尝试开发预测性维护算法的工程师中非常受欢迎。

一种单独的基于概率和时间序列的方法可用于计算剩余使用寿命机器的。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。了解机器何时可能发生故障，工程师可以安排维护，订购备件，或限制操作以延长其寿命。

部署运行中的算法

预测性维护解决方案不仅仅是算法。算法必须在运行中部署，以实现减少停机时间、降低维护成本和提高运行效率的好处。

操作环境必须安全地管理数据和扩展计算资源，以确保算法能够在嵌入式或IT/OT系统中有效运行。它还必须与其他It系统集成，以管理库存、提高服务票据，并将算法的结果显示在仪表板上给运营团队。

在许多操作应用程序中，预测性维护算法不仅仅运行在云预置服务器中。算法的部分——通常是信号处理和特征提取——可以直接部署到工业控制器等边缘设备上，这些设备可以实时快速处理高频传感器数据。这有助于降低数据存储和传输成本。

基于MATLAB和Simulink的预测性维护万博1manbetx

工程师使用MATLAB、Simulink和万博1manbetx预测性维护工具箱™设计、测试和部署定制状态监测以及预测性维护算法。

使用MATLAB和Simulin万博1manbetxk，您可以:

• 访问来自云存储、数据库、数据历史记录和工业协议的流数据和归档数据。
• 交互地探索、提取特征并对特征进行排序诊断特性设计器。
• 开发预测模型，用于检测异常、识别故障和预测剩余使用寿命(RUL)。
• 建立基于物理的模型来生成合成传感器数据并进行部署数字的双胞胎．
• 生成用于实时边缘处理的C/ c++代码。
• 与您选择的IT/OT系统集成而无需重新编码:云中的扩展算法作为共享库、包、web应用程序、Docker容器等。

相关的话题