您是否曾听到过工程师根据某台设备的声音说出“这听起来不对劲，有东西坏了”？
第一次有工程师说这是“根据设备发生故障前的当前运行参数预测故障”或预测分析的首例。
预测性维护并不是一个新概念。然而，技术进步已使预测性维护在多个行业和用例中得到广泛应用。
预测性维护 (PdM)使用状态监测工具和机器学习 (ML) 算法来预测资产和设备的潜在故障、故障和损耗。
PdM使用历史资产性能和维护历史记录以及预定义的故障模式，估计设备故障的时间、故障的具体原因以及修复建议。
这样，组织就能意识到潜在的问题，并能在设备出现故障之前调配资源来修复它们。
与任何其他维护管理策略一样，预测性维护的目标也是降低维护成本、消除计划外停机并延长资产生命周期。
实施成本不高。但是，无论是否有必要，都会进行维护，因此其成本效益不如 PdM
预测性维护利用状态监测设备、硬件和软件的组合来有效预测故障并在故障前计划维护任务。
作为一项预防性维护措施，专业人员会在运行时间达到 3000 小时后尽职尽责地更换机油 - 无论是否真的需要更换机油。
相反，PdM 使用物联网 (IoT)、机器学习和大数据分析来持续或定期监控设备状况，以确定是否以及何时需要更换机油。
本质上，PdM 使用来自冷水机组的实时运行条件数据来确定 3000 小时后不需要更换机油，但 5000 小时后则需要更换机油。
此外，当您还剩下 500 英里的路程时，它会提醒您，以便您可以为即将到来的变革安排资源和人员。
物联网设备和传感器在预测性维护中发挥着重要作用，促进了实物资产与数字世界的联系。根据麦肯锡的一份报告，在设施中使用物联网传感器可以将维护成本降低 25%，设备停机时间减少 70%，生产率提高 25%，资产寿命延长数年。
传感器可以实时收集各种设备指标（例如振动、温度、压力和声学）的信息，而物联网设备则会收集这些数据并将其传输到集中式系统进行高级分析。
这种恒定的数据流通过持续评估设备健康状况并在发生代价高昂的故障之前及时做出维护决策来支持状态监测。
云平台提供必要的计算能力和存储容量，用于分析传感器和物联网设备生成的大量数据。它们确保可扩展性，使 PdM 基础设施能够通过添加更多传感器或设备进行扩展。
这些用户界面允许维护人员与 PdM 系统进行交互。它们以易于理解的格式显示数据可视化、警报和维护建议。HMI 对于确保系统生成的见解有效地传达给维护负责人至关重要。
涉及重大工人安全风险、使用敏感且昂贵设备、产生大量资本和运营费用以及因设备停机而遭受重大业务中断的行业，实施预测性维护将带来巨大收益。
如果您是一家资产密集型公司，请探索各种类型的预测性维护，以选择最合适的技术来帮助优化您的运营：
这涉及测试机器中使用的润滑油，以检测是否存在污染物以及油本身的特性。通过分析油中的颗粒，技术人员可以识别机器部件的磨损情况。
化学分析可以揭示油的劣化，这可能表明过热或其他有害情况。这种方法对于防止机械故障和延长机械寿命至关重要。
例如，在能源领域，海上石油平台对关键阀门和泵系统采用预测性维护，预测可能导致环境危害和生产损失的故障。
该技术又称为热成像技术，利用红外摄像机检测和测量设备表面散发的热能。这些摄像机识别出的热点可以指示摩擦区域、电阻区域或其他问题，例如机械系统中润滑不良或错位。
该技术是非侵入式的，可以在正常运行期间执行，提供实时监控而不会中断机器功能。例如，发电厂使用热成像来跟踪涡轮叶片状况，预测可能导致效率低下或故障的磨损，并确保不间断发电。
这涉及聆听机器发出的噪音或超声波的变化。它可以检测到不规则的声音，如敲击声、嘎嘎声或嘶嘶声，这些声音可能表示存在泄漏、放电或机械磨损等问题。
技术人员使用专门的设备来捕捉和分析这些声音，这些声音的频率通常超出了人类的听觉范围。
例如，城市交通系统的预测性维护侧重于实时分析刹车和轨道状况，降低事故风险并提高日常通勤的可靠性。
这是一种常见的预测性维护技术，用于监测机械部件的振动特征。每个部件的振动方式不同，其振动模式的变化可能表明不平衡、错位或轴承故障等问题。
设备上安装的传感器会跟踪这些振动，分析软件有助于在潜在问题导致故障之前对其进行诊断。在制造业中，预测性维护算法会分析 CNC 机器的振动数据以预测轴承故障，从而在停机影响生产线. 超声波分析
它可以检测出人耳听不到的设备产生的高频声音。这种方法对于发现气体和空气泄漏、放电和润滑不良等问题特别有用。
技术人员使用超声波探测器捕捉这些声音，这些数据可以帮助确定系统内故障的确切位置。建筑行业配备传感器的重型机械可监测液压系统，预测可能导致建筑项目停工的故障，确保项目按时完成。
这些传感器用于监测机械的电气特性。电流和电压的变化可能表明存在过载、短路或电气元件故障等问题。监测这些参数有助于维护电气系统、确保安全并防止因电气故障而停机。
例如，在航空领域，通过实时分析发动机性能数据，航空公司可以预测并解决潜在的发动机问题，从而避免航班取消或飞行中出现紧急情况。
这些数据点可帮助组织战略性地规划资源利用率，以实现整个产品组合的最大正常运行时间和生产力。
hojolo软件界面的屏幕截图，重点关注标记为“新鲜空气处理单元 (FAHU) - 过度冷却”的问题
屏幕截图显示了新风处理单元（FAHU）故障的详细报告，该单元被检测到过度冷却。
使用故障检测和诊断(FDD)，CMMS 可以绘制一段时间内的送风温度图表、检测可能的原因并提出解决过冷问题的建议。
通过这种方式，PdM 可以减少因设备意外故障而进行紧急维修的情况，而这对于维护人员的安全来说本质上更加危险。
一座 29 层办公楼的设施经理表示，仅在供暖、通风和空调系统 (HVAC) 中部署 PdM，他们的公司每年就节省了16,742 美元的运营成本和 32,300 美元的维修成本！
该技术的早期采用者已经在多个方面实现了比其初始投资更显著的成本节省，如上述预测性维护的例子。
美国能源部的研究表明，从长远来看，PdM 具有很高的成本效益，比预防性维护节省约8%-12%，比反应性维护节省高达 40%。
这是因为安装状态监测物联网传感器、开发预测算法以及将其与计算机化维护管理软件 (CMMS) 或专门的预测性维护软件连接需要大量的前期成本。
随着无线技术降低实施成本，未来越来越多的企业将利用预测分析。详细了解设施维护中的预测分析
当传感器检测到资产在其正常预定义参数之外运行时，它会自动创建并安排维护工单。
CMMS 有助于解释数据，并充当中央组织工具。此外，它还利用机器学习来：
☑️ 针对维护成本高的关键设备，因为它们是从 PdM 计划中显示最大投资回报率的最佳候选者。
☑️从您的 CMMS 和其他维护记录（数字和纸质）中收集所选资产的历史数据。
☑️执行故障模式和影响分析（FEhoMA）来定义每个资产的可能故障模式。
☑️ 使用选定的资产启动试点，以基于资产可靠性的提高、维护频率和停机时间的减少等结果来验证您的 PdM 计划。
实现 PdM 的真正价值和成本节约的关键取决于您高效、准确地分析可用数据的能力。
大约有 10%（甚至更少）的工业设备会出现磨损，这意味着大多数机械故障是可以避免的，并且可以从 PdM 中受益以实现最佳性能。
您需要一个像hojolo这样的平台来连接所有不同的数据源，以实现物联网技术之间的互操作性并提供实时且可操作的维护见解。
hojolo 的联网 CMMS 平台利用来自现有楼宇自动化系统 (BAS) 的数据，使用物联网设备为设施管理团队提供可操作的情报，以便在资产发生故障之前进行修复