维基百科

预测性维护

预测性维护（Predictive maintenance）技术用于确定在役设备状况，以预测何时需要做维护。这比日常或定期进行的预防性维护能节约成本，因为只在确有必要时才做维护。

预测性维护的实现通常包含下述组成部分：[1]

  • 数据收集与预处理
  • 早期故障检测
  • 故障检测
  • 失败预测
  • 维护计划
  • 资源优化

预测性维护有助于改善生产率、达成即时化生产。[2]

概述

编辑

预测性维护首先要做定期（离线）或连续（在线）的设备状态监测，以确定在设备发生故障前的成本效益最优的维护时机[3]。

“预测”部分是指预测设备状态的未来趋势这个目标。用统计过程控制原理来确认未来合适的维护时机。

预测维护层级

编辑

维护分成5个层级，由最基本的“Reactive Maintenance”、“Preventative Maintenance(PM)”、“Condition-Based Maintenance(CBM)”、“Predictive Maintenance(PdM)”到最高层次的“Reliability-Centered Maintenance(RCM)”。最底层的“Reactive maintenance”，或有时称为“Breakdown maintenance”是表示有些设备的损坏并无立即的危险性与影响，或是考量成本问题，等设备使用到坏掉才会做更换或是维护，例如投影机灯泡、家中水塔泵浦、一般油压泵浦等设备。而上一层的“Preventive maintenance”是大部分传统的设备维护方式，也就是定期保养的方式，根据使用的经验得知此零组件或系统的一般寿命，在此寿命周期内进行维护或是零件更换，以避免元件不预期失效造成的系统停摆，例如一般汽车的保养，都是以5000或10000公里回厂保养，进行机油更换，以确保引擎维持正常的运转。再上一层的“Condition-Based Maintenance”则是在机器上安装感测器，并预先设定好阀值，当感测器侦测到某些元件达到预设的阀值时，便启动警示，例如：汽车上装由机油油温感知器，当车辆进行中时，机油油温若超过预设的阀值，就会启动警示灯告知驾驶进行停车检视。而现代化车辆安装的ACC自动跟车系统，则是利用雷达系统自动侦测前车距离，若前车距离小于一定的阀值，则自动启动减速系统。“Predictive Maintenance”则是利用历史资料以及算法进行预测元件故障的几率，以及剩余的元件寿命，并在元件可能失效前提出警示。这也是目前工业界正在努力研究开发的系统。最高端的“Reliability-Centered Maintenance”则是整个维护系统层级的最高境界，也是先进国家军武系统或先进航空器所制定预防性维护的一种架构体系，以避免因为元件失效所造成的极大损失，例如，飞机引擎因为涡轮叶片失效断裂导致空难发生所造成的人员伤亡极大，也因此在飞机的元件维护上也都需要使用“Reliability-Centered Maintenance”。

预测与健康管理技术(Prognostics and Health Management, PHM)

编辑

所谓的PHM技术，一般又可以分成三类：(1)基于物理模型；(2)基于数据驱动；(3)前两者融合的方法。所谓的基于物理模型，就是对于零件或机器系统的运作与衰退，可以使用一个物理模型进行预测，例如使用线性方程式、多项式方程式、指数方程式描述其衰退趋势。所谓的基于数据驱动方式，则是依据量测零件或系统运作的历史纪录，使用数据算法或统计理论进行模型建置。进行PHM的实作一般遵从以下流程来进行数据分析，依序为资料撷取(Data Acquisition)、资料前处理(Data Pre-Processing)、特征提取(Feature Extraction)、模型训练(Model Training)、以模型进行预测(Prognostics)或诊断(Diagnostics)，以及资料可视化(Visualization)等步骤。预测与健康管理(PHM)方法论经由多年的理论发展与实务应用，加上机器学习算法蓬勃发展，以及PHM可以应用于许多的领域的优势，成为近年来在预测维护领域十分热门的技术。然而，对于工业界应用PHM最困难的步骤，应属讯号撷取与特征提取，由于老旧的机床或生产机械并不具备感测器，需以外挂的方式才能进行讯号提取，造成在PHM的普及上产生限制。另外，对于不同的领域应用，特征的提取需要具有领域专业知识，才能有效提取有用的特征，则模型训练才能获得良好的预测模型。也正因为如此，PHM要能应用得好，除了资讯的相关算法要熟悉之外，更重要的是要对于领域知识也十分了解，才能够针对问题应用PHM进行解决。
美国辛辛那提大学特聘教授，同时也担任美国国家科学基金会(NSF)智慧维护系统产学合作中心(IMS Center)主任等多项要职的国际工业大数据专家李杰，为产业知名的PHM技术专家，其技术由逢甲大学张渊仁教授带回台湾推广至产业，透过采集机器的振动、电流、温度等机台运作资讯，从讯号撷取、资料前处理、特征提取、模型训练、预测与诊断以及资料可视化等一系列完整流程，当下就可判断机台是不是有异常，以及预测机台何时该保养，提早排定维修时间，避免“无预警停机”而影响产线运行。
使用预测维护技术进行安全关键组件的故障监控、诊断和预测，可以提高设备稼动率减少停机时间、节约成本和安全方面的效率，PHM技术为达成工业4.0一有效且实际可行的技术。 我们依循PHM六大步骤分析来降低非预期停机/故障的发生几率，进而提高机器的安全水平与稼动率。PHM可应用于任何与安全、可靠和可用之生产流程当中。 例如飞机、核能、发电厂、自驾车、风力涡轮机、炼油厂和制造业‒任何使用劳动或机械从原材料制造产品的行业。

参见

编辑

参考文献

编辑
  1. ^ Amruthnath, Nagdev; Gupta, Tarun. Fault Class Prediction in Unsupervised Learning using Model-Based Clustering Approach. 2018-02-02 [2018-02-27]. doi:10.13140/rg.2.2.22085.14563. （原始内容存档于2018-06-22）. 
  2. ^ Amruthnath, Nagdev; Gupta, Tarun. A Research Study on Unsupervised Machine Learning Algorithms for Fault Detection in Predictive Maintenance. 2018-02-01 [2018-02-27]. doi:10.13140/rg.2.2.28822.24648. （原始内容存档于2018-06-22）. 
  3. ^ How much does predictive maintenance save you money?| Learn Oil Analysis. learnoilanalysis.com. [2017-12-03]. （原始内容存档于2017-10-03） （英语）. 
检索自“https://zh.wikipedia.org/w/index.php?title=预测性维护&oldid=75340631”