TPM大数据在预测性维护的运用
来源/作者：TPM咨询服务中心 丨 发布时间：2017-04-05 丨 浏览次数：
预测性维护中大数据概述
大数据(big data,mega data)，或称巨量资料，指的是需要新处理模式才能具有更强的决策力、洞察力和流程优化能力的海量、高增长率和多样化的信息资产。 在维克托·迈尔-舍恩伯格及肯尼斯·库克耶编写的《大数据时代》中大数据指不用随机分析法(抽样调查)这样的捷径，而采用所有数据进行分析处理。大数据的4V特点:Volume(大量)、Velocity(高速)、Variety(多样)、Value(价值)。
设备预测性维护
工厂设施管理人员经常要会感受到一种压力，需要不断改进工厂和运行环境下的维护流程。根据麦肯锡公司最近的一份大数据报告，生产过程所产生的数据要多于任何其它来源产生的数据。工厂数据，远未得到足够的开发。
如果以这些数据为基础，从策略层面来实施维护流程，那么工厂设施管理人员就可以实现所谓的预测性维护——将维护技术与从不同设备和机器上得到的实时信息关联起来，从而可以实现按需完成维护工作。这样不仅可以降低停机时间，提高产量，还能消除在不必要的维护上所花费的时间和资源。
通过实施预测性维护——而不是应对性维护，可以降低设备整个生命周期内的费用，这样大多数的生产设施都有机会大幅提升它们的盈利水平。这有助于优化能源利用，减少设备停机，以及获得在其它方面的提升。
为什么需要预测性维护?
对于那些存在老旧、甚至是过时设备的生产设施来讲，维护程序经常会导致不必要的费用，比如运行停机、能源浪费和人力成本等。
按照传统的维护程序，定期进行日常维护，这就意味着操作人员很有可能在对一些并不需要维护的设备进行保养，这就意味着时间和资源的浪费;或者更换掉那些仍具有使用价值的设备。
使用传统的维护程序，如果一个设备没有按规定进行日常维护，那即使有某些征兆显示其要发生事故，也可能被忽视。
另一方面，那些已经按照实际需要，对设备和机器进行预测性维护的生产设施，与定期维护相比，在频率上会差异。利用网络、互联设备等基础设施所产生的数据，来处理诸如能源利用效率、温度、产量等事项，运行人员和工厂经理可以判断哪些设备运转正常、哪些设备可能要出故障。
运行人员和工厂经理就可以据此做出决策：何时进行维护、安排设备离线，或者在当前的条件下，安排某些设备持续运行。
当某些设备不能满负荷运行、但是其输出仍可以保持在正常变动范围之内时，工厂生产设施经理就可以利用预测维护，避免“事实”上的停机。例如，一条电池生产设备生产电池的速度快的惊人，甚至超过人眼可以分辨的程度。
三台机器产量大概有10%-15%的波动，这都属于正常生产范围内的。但是如果利用其它被监测的数据，如能源利用、运行时间和温度等，操作人员就可以将机器产量提高10%，从而可以节约大量成本。
大数据是预测性维护的基础
网络、互联设备、以及采集、监视和分析得到的数据(通常被称之为大数据)是预测性维护流程的基础。这些数据基础设施以及数据驱动的智能信息，也就是我们正在热议的物联网。物联网就是包含嵌入式技术以实现与内部状态或外部环境之间的通讯、感知、或互动的物理对象和连接的设施，它能实现对整个工厂设备的监视。工厂经理和运行人员可以根据物联网所提供的数据和信息，将工厂切换到预定的预测维护模式。
预测性维护可以利用很多种类型的数据，包括设备运行时间、温度、能源利用、产出以及更多其它数据来改善决策的制定和运行。比如，在某个消费品工厂，一个设备可以连续运行，维持稳定的纸巾生产，但是在其出故障前，能源消耗会大幅飙升。这样通过监视机器产生的能源消耗数据，当检测到能源消耗飙升时，运行人员就可及时进行干预，从而避免停机。
如果采用定期维护模式，需要将机器离线，这会在产品周期内造成非计划停机。通过利用与机器运行有关的当前数据，以及过往失效的历史运行数据，操作人员可以降低对工厂运行的不利影响。
实施预测性维护的关键步骤
实现预测性维护，不能一蹴而就，需要多层次、逐步完成。下面是在生产设施内开始实施预测性维护的三个关键步骤：
改变采购优先等级：工欲善其事，必先利其器，想要利用大数据以及物联网来实现预测维护，必须要有能够产生这些运营数据的设备。互联设备逐渐成为范式，但是在采购流程中，必须将采购优先级从传统设备转移到可以使用网络通讯的互联机器上。这种转换，可能会对组织带来一定的挑战，因为不具备网络功能的传统设备意味着在前期成本上要比互联、智能设备具有优势。
利用互联设备所产生的数据，可以避免单一故障事件以及因之而引起的生产线停机所造成的损失，在一定程度上可以补偿采购具有网络功能的设备所需要付出的额外成本。采购决策必须基于整个生命周期内的使用成本而不仅仅是前期的投资。
启用数据专家：一旦设备完成网络连接，具有测量和监视数据功能，生产运营经理就可以与数据专家合作，确保设备能够以最优的方式采集和使用数据。数据专家可以通过对现场甚至是虚拟场景的评估，来改进数据运营。
联网设备采集的数据，可以存储在云端，通过一个基于服务器的模型来实现虚拟监视。当数据被虚拟存储时，就可以对其进行访问、分析，并在数据专家的帮助和指导下，用其指挥和实施预测性维护。这种虚拟化，作为数据专家提供服务的一种，可以加速在工厂内实现预测维护。
将正确的数据推送给正确的人：利用数据驱动信息，实现预测性维护的一个关键方面就是在整个组织架构内推送数据，从而可以对决策过程施加最大的影响力。
数据必须保存在特定的组织层面，但是必须将其推送到工厂车间层，供车间层单个机器操作人员利用。与通过智能手机推送通知、数据一样，生产运营经理在努力确保数据在组织内传输、从各个渠道将其推送到工厂车间的操作人员时，必须考虑将数据传递的清晰易懂。
例如，在煤井、采矿和金属工业等行业，天气状况是实现预测性维护的一个关键因素。如果数据采集设施、优化分发数据的系统已经就位，当恶劣天气即将到来时，生产运营经理就可以通知现场的员工和运行人员，而不必安排专门人员来跟踪天气预报。
智能数据基础设施可以显示，哪些设备因恶劣天气造成的降级程度最厉害，设备的当前状态，以及在天气状态来临前应当进行哪些特定的维护工作。在任何工业领域内，生产运营经理应确保数据应能到达最底层或车间层，这样相关人员就可以因之做出响应。
这经常并不需要通知维护专家进厂，而是确保每个设备运行人员都可以利用这些数据来执行预测性维护，从而优化性能。
TPM咨询公司提出：经过综合考虑的预测性维护程序，可以为工厂运行带来显著的收益。有效利用预测性维护的工厂和设施经理，可以获得可观的运行收益以及竞争优势。一旦某个设备实现互联，整个工厂内的相关人员必须相信由这些数据所得出的结论，从而可以从基于数据的预测性维护中获得最大的收益，尽管这些结论可能会对以前的优化生产参数认知造成挑战。
渝公网安备 50010502003586号