通过机器学习、运营数据分析和预测性资产运行状况监测,工程师可以优化维护并降低工厂或业务运营的可靠性风险。 设计为支持预防性维护(有时也称为预防维护)的软件有助于保持操作稳定,确保遵守保修条款并在影响生产的问题发生之前先行解决这些问题。
预防性维护有 4 种主要类型。 尽管为适应不同的业务运营目的,每种预防性维护的组织和计划方式各异,但它们均围绕计划维护的概念构建。
基于使用情况的预防性维护由资产的实际使用情况触发。 这种类型的维护会考虑资产的平均每日使用情况或暴露于环境条件的时长,用于预测未来检查或维护任务的到期日期。
基于日历/时间的预防性维护根据日历间隔时间定期进行。 当到期日期临近且已创建必要的工单时,将触发维护操作。
预测性维护的目的是在故障发生之前安排纠正性维护操作。 团队需要先确定设备的状况,以便估计何时应该进行维护。 然后安排维护任务以防发生意外的设备故障。
规范性维护不仅说明故障将要发生以及何时发生,还会说明故障发生的原因。 这种类型的维护有助于分析和确定不同的选项和潜在后果,以降低运营风险。
工业环境在很大程度上依赖于定期计划维护来保持较高的生产效率,避免出现代价高昂且耗时的机械故障。
术语“预防性维护”涵盖一系列广泛的规定活动和常规任务。 系统中的每个生产组件都需要某种级别的定期维护,而设备通常至少需要进行清洗和润滑。 在其他情况下,可能需要更加广泛的维护活动,包括大修、维修,甚至要更换某些零部件。
从更高层面上说,预防性维护还涉及为拥有各种生产系统的实体工厂提供保养维护服务。 与此类预防性维护关联的常规任务包括:确保暖通空调系统处于良好工作状况,所有电气系统均正常运行,遵循编码标准,且所有必要的照明均正常运行。
人们往往倾向于认为预防性维护和预测性维护二者完全不同。 遗憾的是,尝试用这样的简单方式来理清预防性维护和预测性维护的关系,中间忽略了一个关键点。
在现实中,预测性维护是预防性维护更进一步的形式。 这两种类型的维护都试图主动预测和预防机械故障。 但预测性维护的概念更进一步。
考虑工业设备的单个部件。 如果对该设备实行预防性维护,我们可能会利用有关该机器的品牌和型号的常规信息大致估计出应实施常规维护的时间。 我们大概知道维护应在什么时候进行。
而预测性维护则更为精准,因此需要的数据也更多。 将此设备型号的预期生命周期相关信息与该特定部件的性能相关历史数据相结合。 掌握这些额外数据后,预测性维护模型即可做出强大的预测,让操作人员确切知道何时将会发生系统故障。
此外,由于通过预测性维护安排的维修恰好发生在需要此类维修之前(并非依照常规时间表),因此不会再进行不必要的维修,削减了维护预算。
预测性维护在物联网助力下发展迅速。 机器会不断产生有关其活动和状况的持续更新,因此,现在预测性维护拥有充足的数据来生成迫切需要的维护预测。
预防性维护与被动式维护之间的一个主要区别是: 时机。 被动式维护采用了“运行至故障”策略,在设备的某个部件真正停止工作之前根本不会进行维护。 需要时必须尽快完成维修。 另一方面,预防性维护会在出现机械故障之前尝试预测设备故障并采取纠正操作。
不论是预防性维护还是被动式维护,选择哪种维护方式并不是那么重要,但被动式维护所花费的成本要远远多于预防性维护。 我们拿汽车维护来打个比方,如果汽车未获得定期的强制性维护服务,结果只能是出现灾难性的多系统故障,急需大范围且费用高昂的维修。
尽管采取预防性维护措施需要预算出定期维护活动的费用,并可能需要采用计算机化维护管理系统 (CMMS),但在工业环境中,通常值得这样做,尤其是在工业运营因计划外维修而停止时,会很快造成生产停滞,甚至导致收入损失。
越来越多的案例表明,在运营中部署人工智能和物联网技术会导致推动工业部门发展的资产和活动得到持续优化。 从预防性维护的未来评估中发现,很明显,远程监控和分析建模的使用已切实减少了为执行预防性维护任务而分配的资源量。
从资产角度来说,在当前的人工智能和物联网解决方案助力下,收集和分析的数据范围越来越广泛, 这让制造商能够获得有价值数据,提高运营和产品的可靠性。 资产运营商可以真正了解他们部署到运营中的资产质量,推进全新资产生命周期战略,从运营中移除表现不佳的资产,最终减少停机时间以及降低成本。
IBM Maximo Application Suite 是一个市场领先的全集成平台,它使用高级分析工具和物联网数据来提高运营可用性并降低风险。
支持 OT 和 IT 负责人获得对远程监控、资产运行状况和预测性维护的重要洞察,确保业务不间断运营。
IBM Maximo MRO 库存优化服务可帮助您优化维护、维修和运营 (MRO) 库存。
IBM Maximo Predict 让机器学习和数据分析为您所用,在查找资产数据和用法中的模式时提高资产可靠性。