2022年影响制造业预测性维护的五大趋势

因素一：加大力度查明问题所在

最早的一些预测性维护解决方案，主要是用来警醒人们特定机器所存在的问题。然而，这些解决方案并未提供具体细节，包括是哪个部件存在问题而触发的提醒等。FwIesmc

不过，现在这些情况开始有了改变。比如亚马逊的Lookout for Equipment，能够显示设备中的哪些传感器存在异常。这有助于专业维修人员开展工作，从而更高效地解决问题。此外，亚马逊的这款产品也能对发现的问题作影响预估，促使决策者在问题引发灾难前迅速进行评估。FwIesmc

传感器数据也能实现更好的环境监测。例如某家公司为一个工厂装配了智能传感器，该工厂的工人负责为刚下生产线的新车进行喷漆，若某个需要保持低温的车间温度突然上升，传感器数据可帮助该工厂领导在升温导致停产前进行排查。FwIesmc

因素二：更加关注远程评估

虽然预测性维护策略能帮助制造业代表及早发现问题，但是它也无法完全阻止问题的发生。尽管如此，新兴技术仍能帮助技术人员在抵达现场之前，对机器的故障情况有清晰了解。FwIesmc

也许许多人都打过技术热线，发现单凭口头描述很难说清问题所在。一些代理商会要求客户尽量发送错误代码的图片，并附带相关的视频或音频。但是，拍摄和发送这类图片可能会浪费宝贵时间。FwIesmc

因此，一些技术人员会使用智能眼镜，采用音频和视频的形式来记录机器运行，并把这些信息发送给技术支持代理。随后，接收方会提供包括向客户发送相关文件或图纸等各种形式的帮助。在新冠肺炎疫情期间这种方式极具优势，且在未来很长一段时间内也可能很有市场。FwIesmc

因素三：进一步采取多维度措施

预测性维护为制造商带来许多瞩目的优势。例如，可延长机器故障的间隔，提高生产力。制造商开始使用预测性维护时，主要集中在状态监测上。当一个部件的数值——无论是温度、振动还是其他——超出了设定参数，就会触发警报。FwIesmc

现在大家开始使用新一代预测性维护方法，比如利用机器学习和多维数据来评估影响部件状况的诸多因素，以此来为发出预警提供更多依据。值得注意的是，该异常检测法还可评估“即将出现的故障会如何影响机器中的其他部件”。FwIesmc

此外，应用这样的预测性维护，有助于判定某个零件是否确实出现故障并需要更换，或仅仅是因为机器利用率高于正常水平而显示了特定异常数据。好处是它有助于人们进行深入了解，弄清为什么某个零件会提前出现故障，而不是仅知道该零件已报废。FwIesmc

因素四：重新认识忽视维护引起的连锁反应

新冠肺炎疫情极大地重塑了劳动力，影响了特定时间内轮班的人数、流水线工位的布局以及工人健康状况的证明方式。同时，疫情也打乱了工厂的维护计划，经常使领导者推迟日常的维护工作，直到疫情稳定下来才重启相关工作。FwIesmc

然而，推迟日常维护的决定造成了始料未及的影响，包括工厂起火的次数增多等。与2020年相比，2021年上半年的火灾事件增加了150%，预估2021年是工厂火灾事件报告次数最多的一年。这些发人深思的数据，或许能让领导者知道推迟日常维护所面临的风险。FwIesmc

Hirra Akhtar是Resilinc公司的供应链风险咨询主任，他所在的公司发布了一份报告。据研究显示：与新冠肺炎疫情相关的人员短缺，是导致火灾次数激增的主要原因。Akhtar表示：“为什么疫情会导致工厂火灾或化学品泄漏呢？是因为减少了预防性维护，人们降低了对高温工地附近的废弃物堆积的关注，同时进行安全审查的次数也少了。”FwIesmc

因素五：数字孪生与预测性维护策略的结合

制造商利用数字孪生来精简工厂运营的操作越来越普遍。构建一个详尽的虚拟工厂模型，能够在应用到现实之前，更易发现哪个环节会出现瓶颈，有助于规划新设备安装以及测试新工艺流程。不过，一个更新的趋势在于——利用数字孪生支持预测性维护。FwIesmc

在一个案例中，数字孪生模型预测出一次工厂停电，为一家天然气公司节省了36万美元。不是所有数字孪生与预测性维护的结合，都能产生这般惊人的效益。当维护问题有特定的预测目标，当企业对异常机器掌握高质量运行数据时，就越有可能成功避免损失。FwIesmc

制造业的领导者还应该记住，他们可能会在预测性维护中，用到不同种类的数字孪生。比如，有些虚拟模型展现的是单一部件，有些则会展示整个机器。FwIesmc

预测性维护正不断发展

制造商早已明白，预测性维护有助于增加工厂的正常运行时间，且能减少意外损失。上述五个趋势表明，预测性维护及人们对它的使用方式和思维模式都在发生变化，紧跟上述趋势有助于增加获得巨大投资回报的机会。FwIesmc