通过使用机器学习，结合从工业物联网(IIOT)设备收集的数据，可以改进流程、降低成本并提高效率。
预测性维护应用数据和模型来预测设备或资产何时发生故障。这种方法可以通过预测故障，来帮助公司主动解决可能导致代价高昂的停机或中断情况。
另一种方法是采用“停机修复”方法，这在很多方面对公司而言都是昂贵的。一旦机器发生故障，与事先知道并避免该问题的情况相比，要使机器恢复正常则需要大量资源。
维护类型
有三种维护方法：
1. 被动性
被动性维护方法意味着我们仅在部件出现故障时才进行更换。这种方法会导致严重且昂贵的后果，根据我们所谈论的机器类型，它甚至可能是危险的。例如，如果有问题的机器是一台喷气式发动机，故障可能会危及数百人的生命，并可能会毁掉一家公司的声誉。
2. 预防性
预先计划的维护是一种稍微好一点的方法，因为是定期对问题进行分类和处理。但是，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，这会浪费公司的资源。您不知道何时可能发生故障，因此需要采取保守的方法来避免不必要的成本。例如，当您提前维护机器时，实际上是在浪费机器的使用寿命，效率低下地使用维护资源，并且通常会增加您的业务成本。
3. 预测性
能够预测机器什么时候会出故障是最理想的情况，但是很难准确预测。在最佳情况下，您将知道机器何时会出现故障。您还将知道哪些部件将出现故障，这样您就可以减少诊断问题所花费的时间，并减少流程中的浪费和风险。当机器故障由预测系统发出信号时，维护计划应尽可能接近事件，以充分利用其剩余使用寿命。
预测性维护可以解决的问题
利用从工业物联网(IIOT)设备收集的数据，我们可以解决广泛的维护问题，最终目标是使用机器学习(ML)达到先发制人的态势。
可以解决的问题包括：
- 检测故障点。这一概念包括预测部件何时出现故障，并有助于更好地预测部件或机器在其生命周期中的哪个阶段会出现故障。
- 早期故障检测。在这种情况下，我们可以通过将传感器数据应用于机器学习算法，在故障发生之前检测出故障。
- 最大限度地延长剩余使用寿命。能够预测部件发生故障的时间间隔，我们就可以在正确的时间应用维护或更换部件。
我们越能准确地预测部件或机器何时会出现故障，就越容易在整个组织内实现最高的生产力和效率。
您将看到改进的领域包括：
- 更有效地利用劳动力
- 监控机器性能所需的资源更少
- 可预测的生产力水平
- 最大限度延长机器和部件寿命
- 最高水平的生产收益
- 消除不必要的维护任务
- 降低风险
- 改善工作场所安全
预测性维护方法
要使预测性维护成功，必须具备三个主要方面。
- 首先，可能也是最重要的，您需要高质量的数据。理想情况下，希望历史数据考虑到过去的故障事件。需要将故障数据与机器本身的静态特征(包括其平均使用情况，一般属性以及其运行条件)并列。
- 毫无疑问，您将得到大量数据，因此，专注于正确数据至关重要。关注无关数据只会把事情弄得一团糟，并使注意力从最重要的地方移开。您应该扪心自问，什么样的故障很可能发生?您想预测哪些?当一个进程出现故障时会发生什么?它会很快发生吗，还是随着时间推移而慢慢损坏?
- 最后，仔细看看其他相关的系统和部件。是否还有其他与故障相关的部件?可以测量它们的性能吗?最后，这些测量需要多久进行一次?
为了获得最佳结果，需要长时间进行数据收集。高质量数据可得出更准确的预测模型。任何不足只会缩小可能性范围，而不会给您确凿的事实。分析可用数据，并问自己是否有可能基于这些见解建立预测模型。
通常，我们使用两种预测建模方法：
- 回归模型可预测部件的剩余使用寿命。它告诉我们机器还有多少时间会出现故障。为了使回归模型起作用，必须提供历史数据。每个事件都会被跟踪，理想情况下，各种类型的故障都会被表示出来。
- 回归模型提供的假设是，基于系统的固有(静态)方面及其当前性能，可以预测其剩余生命周期。但是，如果系统发生故障的方式有多种，则必须为每种可能性创建一个单独的模型。
分类模型可预测特定时间内的机器故障。我们不需要提前太久知道机器要发生故障，而是只需要知道故障即将发生。
分类和回归模型在许多方面是相似的，但是在某些方面确实有所不同。首先，分类着眼于一个时间窗口，而不是一个确切的时间。这意味着需要的数据不那么严格。
工作原理
一旦建模，就可以通过以下方式进行预测性维护：
机器学习模型收集传感器数据，并基于历史故障数据，识别故障之前的事件。
我们预先设置了所需的参数，以触发潜在故障的警报。当传感器数据超出这些参数阈值时，将启动警报。
机器学习的作用在于检测正常系统操作之外的异常模式。借助高质量数据对这些异常有了更好的认识，我们预测故障的能力将大大提高。
总之，机器学习支持以最少的人为干预分析大量数据。
通过应用机器学习，结合从工业物联网设备收集的数据，可以改进流程、降低成本、优化员工效率，并显著减少机器停机时间——这是组织成功的关键。
