本文選自德勤報告《Predictive maintenance and the smart factory》，主要介紹預測性維護和智能工廠。

不合理的維護策略會導致工廠產能降低5%-20%，工業企業由意外停機造成的損失高達 500 億美元/年。

以往，由于缺乏準確的方法來判斷設備失效的確切時間，設備維護運營者不得不選擇是冒著發生故障停機的風險使其壽命最大化，還是提前更換正常部件以最大限度保障設備正常運行。

不過日前德勤提出，新興的互聯技術能夠確保設備使用壽命最大化的同時，又能有效避免設備故障。德勤認為，預測性維護（PdM）技術旨在打破原有秩序，通過避免發生意外停機、縮短計劃停機時間，最大限度地延長設備使用壽命。

預測性維護能夠從關鍵設備傳感器、企業資源規劃系統（ERP）、計算機維護管理系統（CMMS）、生產數據等多個系統中快速采集數據。智能工廠管理系統則將數據與先進的預測模塊和分析工具相結合，預測設備故障并進行處理，幫助維護人員找到問題的根源。

簡言之，智能工廠能夠完成機器到機器（M2M）、機器到人（M2H）的交互，同時結合分析和認知技術做出正確決策。

預測性維護聽上去非常誘人，但是如何實現？德勤提出以下幾種技術，探索預測性維護和智能工廠的實現與落地。

>> 物聯網

物聯網（IoT）可能是預測性維護面臨的最大挑戰。互聯網是將筆記本電腦和移動設備連接到充滿HTML編碼數據的大型服務器場。物聯網與之類似，但數據是從資產到企業服務器的連續流中產生的。

物聯網使用溫度、振動或電導率等傳感器，將設備的操作過程轉換為數字信號。數據也可以從其他來源流式傳輸，例如機器的可編程邏輯控制器（PLC），制造執行系統（MES）終端，CMMS，甚至ERP系統。物聯網完成物理-數字-物理（P-D-P）閉環的前半部分（下圖1）。

                

>> 分析和可視化

P-D-P閉環的第二步是使用先進的分析技術和預測算法，分析數字信號并進行可視化。

商業智能（BI）等技術不再僅限于數據科學家使用，大量的分析平臺開始為非結構化數據、認知技術、機器學習和可視化提供頂層解決方案。從而讓制造領域專家和運營分析師，能夠更便捷地使用應用程序，獨立創建儀表板。

另一個趨勢是數據回到邊緣端，這意味著數據在“邊緣端”生成的同時就被處理，同時將得到的結果直接反饋給設備維護人員。這種方式通過將一些處理工作分配給外部節點，減輕核心網絡壓力，提升系統性能。

>> 即將到來的“物理-數字-物理”閉環

在對信號進行處理、分析和可視化之后，最終需要將分析結果轉換為行為。其中有些是通過指示的結果直接改變設備功能，有些則是通過報警，提醒維護人員完成維修工作。

最終可以設想這樣一套流程：預測算法觸發公司CMMS系統創建維護工作訂單，檢查ERP系統中的備件，并自動為所需的任何其它部件創建購買請求；之后維護管理人員只需批準工作流程中的項目，并匹配給相應的工作人員即可。這樣的一整套自動化流程將會最大程度地降低時間成本。

以上流程看似面臨著很多挑戰，但數字化轉型的優勢遠大于這些困難。它的優勢包括：

• 降低材料成本（5%-10％的運營和MRO材料支出）

• 降低庫存運輸成本

• 提高設備正常運行時間和可用性（10%-20％）

• 減少維護計劃時間（20%-50％）

• 降低總體維護成本（5%-10％）

• 改善健康安全和環境三位一體的管理體系

• 減少用于無用信息的提取和驗證的時間

• 花費更多時間在數據驅動的問題解決上

• 明確計劃、績效和問責制的聯系

• 對決定決策所有權的數據和信息更有信心

德勤在報告中指出，雖然技術是預測性維護策略的關鍵推動因素，但它只是其中的一部分。如果沒有基本的構建模塊，技術投資可能永遠不會產生預期的結果。所以成功的維護策略還需要關注操作流程，需要能夠在正確的時間和地點部署所有合適的資源（人力、技術、備件、設備等）。

圖源：德勤 Predictive maintenance and the smart factory

企業不論大小，沒有一家能夠在不考慮維護策略、流程，及支持它們的技術的情況下取得成功。所以可以從現在開始思考以下問題，進一步評估公司需求和維護計劃的成熟度。

• 我們的資產需要多高的可靠度？我們的可用性目標是什么？

• 我們的技術人員是否具備完成工作的技能？

• 我們是否在正確的時間、正確的地點提供合適的備件？

• 我們的流程是否有詳細記錄，是否可訪問且有用？

• 我們是否有適合工作的工具？

• 我們如何確定何時更換設備而不是維修？

• 我們已經擁有哪些未被有效使用的數據？

• 我們是否在生產系統中確定了關鍵資產？

• 是否有一些關鍵資產可以從預測性維護試點中受益？

• 整個企業的預測性維護價值是多少？

預測性維護最大的價值是基于剩余使用壽命（RUL）的預測，在維護機會窗內選擇成本最低的維護策略和排程計劃，同時綜合考慮所有設備的維護需求，制定全局最優的維護方案。簡言之就是把不確定的信息確定化，并為客戶節約成本、提高效率。

根據羅蘭貝格與漢諾威工業展覽會合作針對153家機械工程運營公司的調研顯示：81%的受訪公司已布局預測性維護，其中雖有近40%的受訪公司已在提供相關技術和服務，但大部分公司仍然在產品研究階段，或尚未開始任何相關工作。

然而科技的發展日新月異，正在迅速地向工業領域的各個環節滲透，越來越多的預測性分析軟件和嵌入式智能IoT被整合到工業產品和生產系統中，企業只有盡快找到一種合適的方法，將大數據轉變為高效的企業決策，即將技術與運營完美結合，才能在瞬息萬變的市場環境當中所向披靡。