預測性維護的一些常識點，預測性維護智能平臺公司告訴你

預測性維護智能平臺公司認為預測性維護是通過監(jiān)控設備的工作狀態(tài)和使用情況來實施智能的、動態(tài)的和可擴展的策略。這造成越來越多的機構投入資源來更新他們當前的維護策略。資產密集型鋼鐵行業(yè)也一直采用預測性維護策略作為現代化和關鍵競爭優(yōu)勢的一部分。有必要建立一個可以從運行數據中學習并積極指導維護團隊的自動化系統(tǒng)。

預測性維護智能平臺公司認為在智能制造環(huán)境下，監(jiān)測和預測關鍵設備的工作狀態(tài)是預知維修策略的重要組成部分。隨著邊緣和云計算信息處理的快速發(fā)展，它可以交付接近實時運行的結果。機器學習和深度學習的發(fā)展表明，預測設備工作狀態(tài)的成功算法越來越多。與人工編碼規(guī)則不同，這些算法通過學習機器狀態(tài)的演變來產生預測。

預測性維護智能平臺公司認為狀態(tài)預測是根據設備的運行信息，評估部件的當前狀態(tài)，預測未來狀態(tài)。常用的方法有時間序列模型預測、灰色模型預測和神經網絡預測。發(fā)展預測方法一般有三種基本途徑：物理模型、常識體系和統(tǒng)計模型。在實際應用中，可以將這三種方法集成起來，形成一種混合的故障預測技術，它結合了傳統(tǒng)的物理模型和智能分析方法，可以處理數字信息和符號信息，對預測性維修更加有效。

維修決策基于人員、資源、時間、費用、效益等多方面。根據狀態(tài)監(jiān)測、故障診斷和狀態(tài)預測的結果，分析維修可行性，確定維修計劃，確定維修保障資源，給出維修活動的時間、地點、人員和內容。

預測性維護智能平臺公司認為對于任何部件，都需要監(jiān)測多個傳感器，因為相關的故障機理(模式)通常表現為多變量模式。這意味著模型應該考慮傳感器之間的相關性，而不是單獨處理它們。當考慮到傳感器值以非常高的頻率采樣時，這些相關性是具有挑戰(zhàn)性的。例如，所使用的傳感器數據以高頻率(例如10ms)采樣。因為這些模型是跨多種故障模式構建的，所以強調需要一個可擴展的系統(tǒng)來訓練和部署這些模型。

預測性維護智能平臺公司認為鋼廠的生產流程每天都需要多批次生產。因此，傳感器的時間序列讀數基本上是不穩(wěn)定的，在運行過程當中可能會發(fā)生很大的變化。因此，操作環(huán)境，包括但不限于設定值、熱/產品特性和其他操作變量，需要與傳感器數據一起編碼。

預測性維護智能平臺公司認為組件可能通過多種機制或失效模式失效。對組件運行至關重要的故障模式進行優(yōu)先排序非常重要。如前所述，通過了解如何根據傳感器數據描述故障的發(fā)生，有助于實現這一點。這確保了一個組件和跨組件的故障模式標簽的一致性。