预测性维护可以在设备出现故障之前对其进行预测，主动安排维修，避免使车间作业停顿，并且最重要的是可以防止机器故障以保持业务高效运转。Deloitte的数据显示，预测性维护可以使总体维护成本降低5％至10％。
显然，预测性维护在工程和制造业中具有巨大的价值，但这并不令人感到意外。在工业4.0时代，实时数据分析，自动化，机器学习和其他技术使团队能够加快运营并降低成本。
但是，到目前为止，很少有企业实际实施预测性维护，因为使用现有设备进行维护的过程并非没有困难。为了与数据科学家合作并在Industry 4.0中实现预测性维护功能，工程师必须克服四个主要挑战。
为了充分利用预测性维护的好处，有必要创建一个协作环境，使工程领域专家和数据科学家可以一起工作。如果采用单一的数据分析思维方式来进行预测性维护，则不会捕获构建设备并持续维护设备的工程团队的所有见解，反之亦然。
需要基于统计方法的强大算法，该算法需要整合工程师以及数据科学家的专业知识和领域知识，以确保充分利用每个有效应用程序的关键要素。
在竞争激烈的市场中，工程师承受着执行工作的压力，但他们也是具有很多独创性的灵活的问题解决者。借助正确的方法，工程师可以与数据科学家有效地合作，并实现他们可以做到的最佳预测维护应用程序-其中包括基于统计的数据分析方法（例如机器学习）以及工程领域的专业知识。
实施预测性维护的工程师要解决的一个重要挑战是如何使用故障数据正确地训练算法。通常，工程团队可以轻松地将日常生产中的“成功”数据包括在内，但是使用机器学习训练算法的基本部分是向AI教授有关设备运行时可能发生的多种错误情况。如果目的是首先避免故障，那么团队如何获取故障数据来训练算法？
答案在于仿真模型，该模型可用于生成人为的故障数据。该数据与用例无关，范围从风力涡轮机到空气压缩机。使用模拟来创建故障数据是一种比使用可能无法提供足够的结果或对故障机制完全了解的工厂车间结果更有效的AI训练方法。
图1：Simulink和Simscape中的三缸泵的仿真模型，用于训练故障分类机器学习算法以克服缺少测得的故障数据的情况
一旦在台式机上对算法进行了全面的培训，下一个挑战就是将其部署到工业系统设备中。此任务的难易程度取决于现有IT和OT基础架构的条件。有些算法应用于实时硬件平台，例如工业PC，嵌入式控制器或PLC，而其他算法则位于云中或与当前的非实时基础结构合并，例如在Linux上运行的边缘设备。
越来越多的组织使用工具链在现实世界中高效地实施预测性维护。这些工具链有助于自动生成代码，组件或独立的可执行文件。例如，国际包装和纸制品制造商Mondi在其生产线中安装了预测性维护软件，以减少塑料幅材生产中的浪费和机器停机时间。
图2：基于MATLAB的HMI，使设备操作员能够在潜在故障发生之前接收到有关警告
前面提到的所有挑战都有可用的解决方案，留下了一个关键问题–首先是如何为预测性维护构建业务案例。高级管理层将需要在批准投资计划之前了解其所能实现的投资回报率，因此，制定详细的，以数据为依据的计划势在必行。
为此，工程师必须开发一种方法，以将预测性维护货币化并计算节省的估算值，例如减少运行中设备故障的估算。
我们的一些客户还提出了一些其他好的建议，以创建可供工程师考虑的业务案例，例如将服务费与运营商（设备制造商的客户）使用的设备的预期维护联系起来。
另一个想法是利用知识产权保护自己出售已部署的预测维护算法。另一个需要考虑的领域是根据系统使用情况转移到新的业务模型，例如，销售立方米的压缩空气而不是压缩机，或者出售电梯使用小时而不是整个电梯系统。
预测性维护是工业4.0中工程和制造的重要组成部分。通过将数据科学与工程领域的专业知识相结合，使用仿真来创建故障数据，使用工具链来部署算法以及使用各种技术来构建可靠的业务案例，更多的工程师可以实施这一至关重要的技术并开始实现其价值。
从减少设备停机时间到节省大量成本，再到提高整个生产线的效率，对预测性维护进行投资的好处实在不容忽视。