我们之前讨论过预防性维护，以及它相对于其他类型维护的优劣。但这并不是故事的结局，预防性维护本身有不同的方法，所有这些方法都用于确保您的设备正常运行，并识别潜在的问题。
根据设备的复杂性和价值以及合规性要求的可能性，您可以使用多种方法。以下是目前在商业设施中使用的五种常见预防性维护，以及一些示例。
1、基于时间的维护(TBM)
当您每六个月更换一次空气过滤器时，您将需要进行基于时间的维护。基于时间的维护活动可能涉及从检查和清洁到维修和零件更换的任何事情。TBM的频率通常是根据设备供应商的建议和/或机器的过去性能预先确定的。
TBM作为一种维护策略有一些优点和缺点。它使用的人力比其他一些维护策略少，但是，即使您遵循既定的时间表，在某些情况下，您可能会在实际需要执行某项操作之前就已经对其进行了更改或维护。例如，制造商可能建议每三个月更换一次风扇滤清器，但如果该滤清器位于建筑物中不经常使用的区域，则无需更换即可延长使用时间。
另一种维护策略，基于状态(下面会有提到)的监测有助于防止过度维护，通常被认为比TBM更具价值和经济性。
2、故障查找维护
进行故障查找维护是为了确保某些东西——通常是某种保护装置——仍在正常工作。保护装置旨在引起对问题的关注，关闭过程以防止进一步的问题发生，并防止事故。偶尔激活警报将被视为故障查找维护。
虽然其他类型的预防性维护包括定期更换或替换零件，或注意到可能即将发生故障的明显情况，但故障查找维护适用于隐藏的故障，只有通过实际检查某个部件是否仍然工作才能发现这些故障。据估计，工业环境中高达40%的故障属于隐藏类别，其中80%的故障需要被根除。这种预防性维护的一个例子是：柴油发电机可能有一个保护装置，当冷却水温度升高时，该装置应关闭发电机。如果不模拟适当的条件，并检查设备是否给出正确的响应，就无法发现该设备的功能。
遗憾的是，维护专业人员通常不会优先考虑故障查找维护，但它对于维护一个安全的环境至关重要，有时可以防止因多次故障而发生的重大灾难。
3、基于风险的维护
基于风险的维护是一种策略，旨在通过评估与设备相关的风险水平，然后相应地确定维护活动的优先级，以此来减少机械故障。基于风险的维护背后的理论本质上是帕累托定律，当应用于维护时，它认为80%的故障只归因于20%的设备。因此，将精力集中在这些领域是有意义的。
根据您的评估结果，您可以更好地决定检查什么以及何时检查。很多时候，设施管理人员在无意识中将其作为日常工作的一部分，但是当一种方法被用来帮助决策时，它在交付结果方面往往更有效。如果操作得当，基于风险的维护可以优化资产性能和财务资源。
4、基于状态的监测(CBM)
基于状态的监测包括监测一台设备或机械的运行状态，以确定需要进行何种类型的维护以及何时进行。性能下降或即将出现故障的迹象表明需要进行维护，以将机器恢复到其先前的性能和可靠性水平。这种方法旨在通过在问题出现之前修复问题来避免故障，这意味着这是一种预测性维护(下面第5条)。
CBM是一种比基于时间的更有效的预防性维护策略，因为它是一种旨在明确识别机器性能变化和预防问题的主动措施。
可以监测哪些元素来诊断问题的示例如下：
视觉：这是最基本的状态监控形式，可能会发现裂缝或腐蚀等情况。
振动：压缩机、泵、电机和其他类型设备产生的振动变化有助于发现性能问题。
磨损碎屑(摩擦学)：分析相互作用机器表面的磨损和断裂可以作为设备故障的早期预警。
温度(热成像)：腐蚀的电气连接、故障的机器和损坏的机器部件都会改变运行设备的温度变化。
声音：正常运转的机器声音通常相当稳定，噪声信号的变化可能表明机器状况的变化。
5、预测性维护
预测性维护是指在设备可能发生故障时进行精确定位，并在故障发生之前对其进行处理。预测性维护的目的不是简单地减少停机时间，而是最大限度地延长正常运行时间。这是对传统预防性维护方法的改进，因为它有助于及时防止故障。(来源：物联之家iothome)
这与状态监测非常相似，因为这两种策略都有相同的目标。不同之处在于，状态监测可根据监测结果识别即时任务，而预测性维护可帮助您根据关于整体设备健康状况和预期性能的知识(通过数据收集和分析获得的知识)来规划维护任务。
物联网使预测分析成为可能。连接在机器和设备上的传感器监测和收集广泛的操作数据，范围从振动、视觉和声音到温度和功耗，无所不包。借助机器学习算法，可以挖掘这些数据并识别模式。最终，这些数据可以用来提供关于异常性能的有价值见解，这可能表明即将发生故障的可能性。
作为预防性维护的一个例子，可以考虑一个商用制冷机组。一家在全国拥有众多商用冷藏设备的制造商需要一种可靠的方法来防止这些设备发生故障，因为与故障相关的成本太高了，包括紧急维修和产品损坏的成本。作为预测性维护策略的一部分，制造商可以为每个制冷机组配备各种物联网传感器。传感器将测量：
- 冰箱温度
- 湿度水平
- 进出压缩机的冷却液温度
- 进出蒸发器的冷却液温度
- 压缩机的振动
- 压缩机启动和停止的次数
- 压缩机运行多长时间
- 压缩机使用的功率
所有这些数据都可以使用物联网平台进行存储和分析。通过预测分析，可以了解制冷机组的最佳性能，并在数据出现异常时，确定机组是否和何时可能出现故障，然后可以在问题发生之前解决它。
与您的关键资产相结合，物联网传感器可以为您的日常运营提供前所未有的洞察力。预测性维护可以显著减少停机时间，并通过延长设备寿命来减少财务支出，并提高操作的整体安全性。
