德勤：预测性维护和智能工厂

不合理的维护策略会导致工厂产能降低5%-20%，工业企业由意外停机造成的损失高达 500 亿美元/年。

——德勤《预测性维护和智能工厂》

预测性维护突破两难境地

以往，由于缺乏准确的方法来判断设备失效的确切时间，设备维护运营者不得不选择是冒着发生故障停机的风险使其寿命最大化，还是提前更换正常部件以最大限度保障设备正常运行。

不过日前德勤提出，新兴的互联技术能够确保设备使用寿命最大化的同时，又能有效避免设备故障。德勤认为，预测性维护（PdM）技术旨在打破原有秩序，通过避免发生意外停机、缩短计划停机时间，大限度地延长设备使用寿命。

预测性维护能够从关键设备传感器、企业资源规划系统（ERP）、计算机维护管理系统（CMMS）、生产数据等多个系统中快速采集数据。智能工厂管理系统则将数据与先进的预测模块和分析工具相结合，预测设备故障并进行处理，帮助维护人员找到问题的根源。

简言之，智能工厂能够完成机器到机器（M2M）、机器到人（M2H）的交互，同时结合分析和认知技术做出正确决策。

如何实现预测性维护？

预测性维护听上去非常诱人，但是如何实现？德勤提出以下几种技术，探索预测性维护和智能工厂的实现与落地。

>> 物联网

物联网（IoT）可能是预测性维护面临的挑战。互联网是将笔记本电脑和移动设备连接到充满HTML编码数据的大型服务器场。物联网与之类似，但数据是从资产到企业服务器的连续流中产生的。

物联网使用温度、振动或电导率等传感器，将设备的操作过程转换为数字信号。数据也可以从其他来源流式传输，例如机器的可编程逻辑控制器（PLC），制造执行系统（MES）终端，CMMS，甚至ERP系统。物联网完成物理-数字-物理（P-D-P）闭环的前半部分（下图1）。

图1：物理-数字-物理闭环

资料来源：德勤大学出版社综合研究中心

>> 分析和可视化

P-D-P闭环的第二步是使用先进的分析技术和预测算法，分析数字信号并进行可视化。

商业智能（BI）等技术不再仅限于数据科学家使用，大量的分析平台开始为非结构化数据、认知技术、机器学习和可视化提供顶层解决方案。从而让制造领域专家和运营分析师，能够更便捷地使用应用程序，独立创建仪表板。

另一个趋势是数据回到边缘端，这意味着数据在“边缘端”生成的同时就被处理，同时将得到的结果直接反馈给设备维护人员。这种方式通过将一些处理工作分配给外部节点，减轻核心网络压力，提升系统性能。

>> 即将到来的“物理-数字-物理”闭环

在对信号进行处理、分析和可视化之后，需要将分析结果转换为行为。其中有些是通过指示的结果直接改变设备功能，有些则是通过报警，提醒维护人员完成维修工作。

可以设想这样一套流程：预测算法触发公司CMMS系统创建维护工作订单，检查ERP系统中的备件，并自动为所需的任何其它部件创建购买请求；之后维护管理人员只需批准工作流程中的项目，并匹配给相应的工作人员即可。这样的一整套自动化流程将会大程度地降低时间成本。

以上流程看似面临着很多挑战，但数字化转型的优势远大于这些困难。它的优势包括：

• 降低材料成本（5%-10％的运营和MRO材料支出）

• 降低库存运输成本

• 提高设备正常运行时间和可用性（10%-20％）

• 减少维护计划时间（20%-50％）

• 降低总体维护成本（5%-10％）

• 改善健康安全和环境三位一体的管理体系

• 减少用于无用信息的提取和验证的时间

• 花费更多时间在数据驱动的问题解决上

• 明确计划、绩效和问责制的联系

• 对决定决策所有权的数据和信息更有信心

维护策略成功的七个核心要素

德勤在报告中指出，虽然技术是预测性维护策略的关键推动因素，但它只是其中的一部分。如果没有基本的构建模块，技术投资可能永远不会产生预期的结果。所以成功的维护策略还需要关注操作流程，需要能够在正确的时间和地点部署所有合适的资源（人力、技术、备件、设备等）。

图源：德勤 Predictive maintenance and the smart factory

企业不论大小，没有一家能够在不考虑维护策略、流程，及支持它们的技术的情况下取得成功。所以可以从现在开始思考以下问题，进一步评估公司需求和维护计划的成熟度。

• 我们的资产需要多高的可靠度？我们的可用性目标是什么？

• 我们的技术人员是否具备完成工作的技能？

• 我们是否在正确的时间、正确的地点提供合适的备件？

• 我们的流程是否有详细记录，是否可访问且有用？

• 我们是否有适合工作的工具？

• 我们如何确定何时更换设备而不是维修？

• 我们已经拥有哪些未被有效使用的数据？

• 我们是否在生产系统中确定了关键资产？

• 是否有一些关键资产可以从预测性维护试点中受益？

• 整个企业的预测性维护价值是多少？

预测性维护最大的价值是基于剩余使用寿命（RUL）的预测，在维护机会窗内选择成本最低的维护策略和排程计划，同时综合考虑所有设备的维护需求，制定全局最优的维护方案。简言之就是把不确定的信息确定化，并为客户节约成本、提高效率。

根据罗兰贝格与汉诺威工业展览会合作针对153家机械工程运营公司的调研显示：81%的受访公司已布局预测性维护，其中虽有近40%的受访公司已在提供相关技术和服务，但大部分公司仍然在产品研究阶段，或尚未开始任何相关工作。

然而科技的发展日新月异，正在迅速地向工业领域的各个环节渗透，越来越多的预测性分析软件和嵌入式智能IoT被整合到工业产品和生产系统中，企业只有尽快找到一种合适的方法，将大数据转变为高效的企业决策，即将技术与运营完美结合，才能在瞬息万变的市场环境当中所向披靡。

文章主要内容来源于德勤报告 —— Predictive maintenance and the smart factory

报告链接：https://www2.deloitte.com/us/en/pages/operations/articles/predictive-maintenance-and-the-smart-factory.html