【導讀】預測性維護是一種使用數據分析技術來預測機器或設備何時可能發生故障的維護策略。這種方法有助于減少計劃外停機時間，盡可能降低維護成本，并提高設備的整體效率。
圖源：Freepik
預測性維護下的物聯網
預測性維護是一種使用數據分析技術來預測機器或設備何時可能發生故障的維護策略。這種方法有助于減少計劃外停機時間，盡可能降低維護成本，并提高設備的整體效率。
物聯網是指能夠相互收集和交換數據的互聯設備網絡。物聯網設備包括傳感器、可穿戴設備和其他嵌入技術的智能設備，這些設備可以連接到互聯網并傳輸數據。在預測性維護的背景下，物聯網設備可用于從機器和設備收集實時數據，然后預測何時需要維護。通過將預測性維護與物聯網相結合，企業能夠顯著提高維護效率，降低停機風險。
01 為何要做預測性維護？
維護是一個保存或延長設備壽命的過程。顧名思義，預測性維護主要用來預測未來的維護事件，它是一種積極主動的維護方法，包括使用數據分析技術來預測設備何時可能發生故障，并相應地安排維護活動。這種方法可以大幅提高設備的可靠性，通過延長資產壽命來幫助企業節約運營成本。
預測性維護在現代工業中具有極其重要的作用。無論是在工業建筑、智能家居還是汽車中，這些系統都融合了大量用來收集數據的傳感器。在工業系統發生故障或錯誤運行之前，從不同傳感器收集的信息有助于預先識別這些錯誤并采取必要的措施來糾正潛在的異常。預測性維護在現代工業中的重要性主要體現在以下幾個方面：
減少停機時間
通過預測設備可能發生故障的時間，企業可以在計劃的停機時間安排維護活動，極大限度地減少設備故障對生產的影響。
提高設備可靠性
預測性維護可以幫助企業在問題成為重大問題之前被識別并加以解決，避免造成更大的損失。
提高安全性
定期維護有助于確保設備安全有效的運行，降低因事故帶來損傷的風險。
有助于降低成本
預測性維護可以通過減少緊急維修需求、降低維護成本和延長資產壽命來幫助企業節省資金。
提高運營效率
通過優化維護計劃，企業減少了維護活動所需的時間和資源，使其更加專注于業務的其他領域。
綜上，我們可以得出這樣的結論：預測性維護通過提高設備的正常運行時間，大幅提升了企業的盈利能力。
根據普華永道的一份報告，就平均數據而言，工廠的預測性維護可能將成本降低12%，將正常運行時間提高9%，將安全、健康、環境和質量風險降低14%，將老化資產的使用壽命延長20%。
02 物聯網與預測性維護協同作用
在過去的幾年里，企業擁有的物聯網（IoT）設備數量越來越多，這些設備可以幫助他們建立更加高效的工作流程，車間的智能化和自動化程序隨之增強。物聯網在實現預測性維護方面同樣發揮了至關重要的作用。
首先，嵌入機器和設備中的物聯網設備可以用來收集溫度、振動、壓力等實時數據。
其次，有線和無線連接解決方案提供了足夠的帶寬來處理大量數據，允許在邊緣或云中構建完整的模型。
再有，預測性維護系統通過使用機器學習算法和預測模型對這些數據進行分析，識別并指示即將發生的設備故障或異常運營模式。
物聯網和預測性維護之間的協同有可能徹底改變各個行業的維護實踐。除了上述列舉的五大預測性維護帶來的好處，物聯網預防性維護還將讓企業在運營中獲得以下優勢：
實時監控
物聯網傳感器可以持續監測設備，并收集各種參數的數據，如溫度、振動、壓力等。這種實時監測允許早期檢測異常或偏離正常操作情況的出現。
數據驅動的決策
改進的安全和風險管理是物聯網預測性維護的一大優勢。物聯網設備收集的大量數據可以使用先進的分析技術進行處理和分析。通過將機器學習算法應用于這些數據，可以識別模式、趨勢和潛在的故障特征，使得維護團隊能夠做出數據驅動的決策，并有效地確定維護活動的優先級。
遠程監控和診斷
物聯網促進了設備的遠程監控，使維護團隊能夠從中心位置監控和診斷問題。這種能力對于地理位置分散的資產或無法進入的地點特別有價值，因為它減少了實物檢查的需要，提高了響應速度。
更好的安全性
通過分析長時間內的數據，企業可以創建一個潛在的危險條件列表，并估計其對日常操作的影響。因此，基于物聯網的預測性維護有助于企業在可能的安全風險開始影響生產之前就能預測并解決它們，將安全風險始終置于可控范圍之內。
根據管理咨詢公司麥肯錫的數據，基于物聯網的預測性維護可以將工廠設備的成本降低40%，同時將停機時間減少50%。此外，還有機會通過延長現有工業資產的使用壽命，將資本投資減少5%。
到2025年，預計這些節約下來的這些資金每年可能達到驚人的6,300億美元。這也是為什么有大量的制造商越來越接受工業物聯網支持的預測性維護，并將其作為提升業務能力的一種手段。
03 物聯網預測維護中的關鍵技術
那么，基于物聯網的預測性維護又是如何工作的呢？在頂層，它是通過大數據、云計算、邊緣計算、機器學習和連接性等先進技術的結合而實現的。在基礎層，我們需要構建一個面向特定任務的支持平臺，涉及的產品包括傳感器、有線和無線解決方案以及連接器和無源組件等。
以下是基于物聯網的預測性維護平臺的五個重要組成部分：
傳感器
傳感器作為基于物聯網的預測性維護系統的關鍵組件發揮著至關重要的作用。在基于物聯網的預測性維護系統中，這些傳感器戰略性地被放置在設備的關鍵部件或區域，以捕獲相關數據，例如發動機、電機、齒輪、壓縮機、渦輪機等，被感測的信息有溫度、振動、濕度、聲音和噪聲水平、旋轉或線速度等，這些數據可以用來檢測或預測設備的磨損和異常狀況。
在實際應用中，傳感器還可以集成到現有的基礎設施中，或者作為改裝部件添加。通常，這些傳感器大多是低能耗產品或具有能量收集能力，確保在不干擾設備運行的情況下連續收集數據。傳感器的選擇取決于具體的維護要求和被監控的資產，振動傳感器、溫度傳感器、壓力傳感器、加速度計、濕度傳感器、接近傳感器和霍爾效應傳感器等都是常用的產品。
Mouser是全球諸多知名傳感器制造商的授權經銷商，在其網站上可以找到適用于物聯網預測維護多種傳感器。
Amphenol Wilcoxon PC420傳感器
圖1：Amphenol Wilcoxon PC420振動傳感器（圖源：Mouser）
Amphenol Wilcoxon PC420傳感器就是一款環路電流為4mA至20mA，可對趨勢振動數據進行經濟高效監測的振動傳感器，其中4mA為無振動，20mA為傳感器滿量程振動水平。其振動數據可與常見的監測參數例如壓力、溫度或流量等結合在一起使用。
PC420傳感器為頂部或側面出口傳感器，溫度探頭集成在傳感器外殼中，可提供安裝位置的溫度數據。這類傳感器將其用于空腔檢測或往復式發動機監控，可有效預知電機、冷卻塔、壓縮機以及變速箱的健康狀況。
連接和通信
基于物聯網的預測性維護系統的基本要求之一是可靠和無縫的連接。除了傳感器，網關或邊緣設備等物聯網設備也是預測性維護系統的重要組成部分。這些設備充當傳感器和中央數據處理系統之間的媒介，它們聚合來自多個傳感器的數據，在本地執行基本分析或預處理任務，并將相關信息傳輸到云或集中式服務器。
現在的物聯網設備通常包含邊緣計算功能，可以在網絡邊緣進行數據的實時分析和決策，這有助于減少延遲、帶寬使用和對云連接的依賴，是時間敏感的預測性維護場景的理想選擇。
根據具體的使用情況和環境，基于物聯網的預測性維護系統可提供多種連接選項，常用的協議包括Wi-Fi、藍牙、Zigbee、蜂窩網絡（如4G、5G）等。
Renesas物聯網傳感器
圖2：面向工業預測性維護等多種應用的瑞薩物聯網傳感器板方框圖
（圖源：Renesas）
Renesas公司的物聯網傳感器板是用于多功能物聯網傳感器板解決方案的參考設計，具有機器學習和藍牙低功耗（BLE）功能，主要面向工業預測性維護、帶手勢識別功能的智能家居/物聯網設備、可穿戴設備（活動跟蹤）以及人機界面（HMI）或指紋傳感等應用。其中的MCU為32位RA6M3產品，采用120MHz Arm Cortex-M4F內核，并集成TFT控制器、2D加速器和JPEG解碼器。
此外，RA6M3 MCU還包括帶有單獨DMA和USB高速接口的以太網MAC，以確保較高的數據吞吐量。方案中采用的IDT HS300x高性能相對濕度和溫度傳感器，通過專有的傳感器級別保護提供高可靠性和長期穩定性，具有極低功耗和電流消耗。
中央數據存儲系統
數據存儲系統是基于物聯網的預測性維護系統能夠安全運行的關鍵組成部分，所有設備數據包括傳感器生成數據和其他IT設備的業務信息都存儲在該系統中。隨著物聯網設備不斷生成大量數據，擁有能夠處理信息涌入的強大且可擴展的存儲解決方案非常重要。基于云的存儲平臺是目前使用較多的方案，它能提供靈活且幾乎無限的存儲容量，且無需大量的內部基礎設施投資。
預測分析工具和機器學習算法
實現基于物聯網的預測性維護有效性的兩個關鍵組成部分是預測分析和機器學習算法。其中，預測分析工具主要用于處理從物聯網設備收集的大量傳感器數據，包括分析歷史數據、檢測模式以及識別可能表明設備故障或維護需求的潛在異常狀況。
機器學習算法是物聯網預測維護系統中預測分析的組成部分，這些算法可以使用歷史數據進行訓練以識別模式、相關性和異常，這些參數將指示未來故障或維護要求的可能性。隨著物聯網傳感器和設備不斷收集新數據，機器學習算法會隨著時間的推移調整和提高其預測能力，使其能夠做出更準確的預測。
可視化和報告工具
通過使用物聯網傳感器和設備對設備進行持續監控，預測性維護系統將生成大量數據，為各種資產的性能和健康狀況提供有價值的見解。可視化和報告工具可使這些數據具有可操作性，更直觀易懂。
在物聯網預測維護系統中，除了常用的電機控制、電源管理和無線連接產品，技術廠商還提供了一系列專門針對預測性維護應用的解決方案。
STMicroelectronics
STEVAL-BFA001V1B
圖3：STMicroelectronics STEVAL-BFA001V1B
預測性維護工業參考設計套件
（圖源：Mouser）
STMicroelectronics的STEVAL-BFA001V1B就是一款工業參考設計套件，其專為狀態監測（CM）和預測性維護而設計，是具有傳感器和IO鏈路功能的預測性維護套件，該方案基于3D數字加速度計、環境和聲學MEMS傳感器，非常適用于監測電機、泵和風扇的運行狀況。
其中，硬件開發套件包括一個工業傳感器板（STEVAL-IDP005V1）、一個ST-LINK/V2-1編程和調試工具的適配器（STEVAL-UKI001V1）、一根0.050" 10針扁平電纜、一個帶公頭觸點的四極電纜安裝連接器插頭和一個帶2米電纜的M12母頭連接器，使用簡便。
固件包中包含用于高級時域和頻域信號處理的專用算法，以及具有3kHz平坦帶寬的3D數字加速度計分析，運行在32位高性能STM32F469AI微控制器上，傳感器數據分析結果通過基于IO Link設備收發器的有線連接發送。
04 物聯網和預測性維護發展趨勢
預測性維護市場是一個快速增長的市場，其驅動因素包括技術進步、工業自動化的日益普及以及企業優化維護流程的需求。預測性維護使用數據分析、機器學習和人工智能來預測機器或設備何時需要維護，使公司能夠主動而非被動地進行維護。
來自咨詢集團Next Move Strategy consulting的數據顯示，預計2020年至2030年間，全球預測性維護市場的規模將大幅增加——2020年該市場規模為45億美元，但預計到2030年將達到643億美元。
圖4：全球預測性維護市場規模增長情況（圖源：Statista）
Vantage Market Research的預測數據雖然沒有上述這樣樂觀，但也給出了很高的預期，他們認為，2022年全球預測性維護市場價值為51.9億美元，在2023-2030年的預測期內復合年增長率為29.80%，整個行業預計到2030年將達到418.9億美元。
物聯網預測性維護的未來將如何發展呢？綜合行業內各種信息，我們總結出以下幾點：
AI將更多地集成到先進分析方案中
預測性維護是物聯網中高級分析的一個關鍵應用，涉及對設備和系統的主動監測，發現潛在故障或在故障發生之前檢測到。為了助力企業做出更高置信度的預測，人工智能（AI）將更多地融入到預測性系統中，任何微小的變化都可以很快被AI分析出來。
在這里，AI技術如機器學習、深度學習和自然語言處理，主要通過實現自動化決策和從數據中學習的能力來補充高級分析。AI算法可以實時分析大量物聯網數據，識別設備故障的早期預警信號，并做出預測或建議，這種能力在預測性維護場景中尤其有益。AI和物聯網的結合使預測性維護在預測方面會有非常高的成功率，這種組合將極大限度地提高生產力和資產壽命。
越來越多地采用邊緣計算和5G網絡
當物聯網解決方案通過云計算實現時，大量數據將通過網絡共享到云端。盡管云計算技術同樣支持預測分析系統，但企業可以通過利用邊緣計算技術來提高數據處理和分析的速度和性能，從而獲得至關重要的優勢。在邊緣運行的預測性維護系統減少了云上共享的數據量，加之低延遲和對數據分析的實時訪問，系統成本大幅下降。
5G網絡與基于物聯網的預測性維護系統的集成是該領域的另一個變革趨勢。與前代相比，5G提供了更高的數據傳輸速度、更低的延遲和更大的網絡容量。這些功能使其成為物聯網設備的理想通信基礎設施，尤其是在需要超可靠和低延遲連接的場景中。
預測分析的使用量不斷增加
預測分析包括分析歷史數據以確定其模式和趨勢，然后將其用于預測未來的結果。未來，預測分析在預測性維護中將越來越受歡迎。
05 本文小結
基于物聯網的預測性維護已成為優化各個行業維護實踐的強大解決方案。通過利用物聯網設備采集的實時數據，預測性維護讓企業有能力隨時監測設備的狀況，并在潛在故障發生之前識別故障，主動安排維護計劃。通過傳感器數據、物聯網、人工智能和軟件分析的組合實現的協同效應將為企業提供前所未有的運營優勢。
傳感器和數據分析的使用意味著企業可以前瞻性地預知設備的運行狀況，使其在系統崩潰、故障或運行錯誤之前解決問題，消除了計劃外停機，帶來了巨大的生產效益。尤其是，對于所有制造企業而言，無論大小，在未來，他們都將需要制定強有力的預測性維護策略，這種需求只會隨著時間的推移不斷增長，基于物聯網的預測性維護市場前景可期。
免責聲明：本文為轉載文章，轉載此文目的在于傳遞更多信息，版權歸原作者所有。本文所用視頻、圖片、文字如涉及作品版權問題，請聯系小編進行處理。
推薦閱讀：
