在预测性维护中使用 AI

当工厂设备出现意外故障时，生产就会放缓或停止。这不仅会损失时间和金钱，还会消磨客户的耐心。值得庆幸的是，制造商、公用事业企业、能源生产商及其他依赖重型机械的企业可以使用生成式 AI，比以往更加准确地预测机器故障。有了这些信息，他们就可以安排维护时间，避免计划外停机，延长昂贵设备的生命周期，并最终帮助保持生产线和供应链持续运营。

什么是预测性维护中的 AI？

预测性维护是一种数据驱动的方法，主要用于预测机械故障并进行主动维修。随着物联网 (IoT) 的兴起，智能工厂、石油钻井平台、风力发电厂、电站、矿山、卡车车队和其他行业使用的设备都配备了数据收集传感器，这些传感器能够为用于监控设备、检测异常和确定维护优先级的 AI 算法提供数据。

这些系统会不断分析设备的运行状况，并寻找设备可能发送故障的迹象，即使设备目前看起来非常正常。通过根据基线数据评估性能，即使效率只是微微下降了，AI 工具也可以实时发现并提醒团队创建维修单。企业除了可以更准确地预测何时会发生故障，还可以更深入地了解故障的根本原因。

关键要点

• 与旧数据分析技术相比，AI 可以提供更快、更准确的预测性维护。
• 通过使用 AI 预测机器故障和维护需求，企业可以缩短停机时间，同时提高效率。
• 有些全球大型企业在预测性维护计划中部署了 AI 工具，并取得了可喜的成果。

AI 预测性维护详解

以前，制造商通常会根据机械生命周期（包括常见故障）的预测结果来制定工厂设备的维护计划。现在，制造商可以利用 AI，通过收集和分析机器数据来预测故障，获得更加细化的机器和生产网络综合视图，并且不再需要依赖猜测。

企业还可以实时获得维护推荐方案，优先维修重要设备。他们还可以收获一个关键优势：几乎所有设备都需要停机维修，但基于精确预测的计划有助于尽量缩短停机时间，并将维修安排在理想的时段进行。

预测性维护的重要性

重点：可以缩短停机时间。根据 International Society of Automation 的数据显示，工厂通常会因设备故障和其他停机原因而损失 5% 到 20% 的制造能力。停机的总成本涵盖了产量减少、废品率上升、无效的临时修复以及依赖第三方来继续生产工作。

面对如此多的问题，可见准确预测机器的运行状况和维护需求对于缩短停机时间至关重要。根据 2024 年西门子 (Siemens) 的研究报告，生产线闲置的成本会不断增加。以汽车领域的大型工厂为例，停产可能产生每年 6.95 亿美元的成本，这与五年前相比增长了 150%。该研究报告也指出，全球 500 强企业因意外停机而失去了年收入的 11%。

预防性维护与预测性维护

预防性维护和预测性维护是监控工厂设备运行状况的两种主动方式。

通过预防性维护，无论机械的使用频率或使用次数有多少，企业都可以定期评估这些机械的状况。企业通常会从设备供应商那里获取历史数据和推荐方案，以创建基于规则的维护计划。唯一需要考虑的变量是自上次评估以来的间隔时长。

虽然预防性维护比纯被动维护方法更好，但它需要依赖根据狭窄数据集提出的广泛推荐方案。例如，这种方法可能会建议更换一个重要的（昂贵的）零部件，而不考虑可能会延长使用寿命的细微因素。就像被动维护一样，过度维护可能会带来原本可以避免的停机和费用。

借助预测性维护，企业可以持续使用计算机传感器提供给性能监视软件的数据来评估设备。AI 算法可以分析大量数据，包括设备温度、振动、压力和液位，以构建详细的设备运行状况和性能模型。如此一来，企业就可以更有信心地预测故障，同时还能够获得系统推荐的有效维修内容和时间方案。预防性维护以不太灵活的规则为指导方针，而预测性维护却有所不同，后者使用实时监控来动态响应并发现预期的问题、根本原因和所需的维修。

以一家专门从事注塑的制造商为例，该企业可以使用预测性维护来检测和解决机器人和注塑机的异常情况。通过密切监控机器运行状态和零件质量，该企业成功缩短了维护时间，让员工能够专注于开发新产品并改善运营流程。

通常，企业会使用预测性维护来监控那些可能造成停机、金钱损失、人身伤害或死亡的机器故障。例如，如果变电站中断会导致数千人受到断电的影响，公用事业企业可以选择投资于更细粒度的预测性维护，并且可能会利用 AI 工具。对于不属于关键路径的低风险设备，企业会倾向于继续选择预防性维护，有时还会细化监控规则以获取细粒度数据，从而进行更主动的维护安排。

AI 预测性维护的优势

预防性维护和预测性维护是监控工厂设备运行状况的两种主动方式。

• 降低成本
  更准确地预测机器故障，有助于优化维护计划，缩短计划外停机时间并减少相关成本。此外，还可以发现问题并推荐维护方案，以此延长设备的寿命。AI 算法也可以密切跟踪机器的能耗，检测效率低下的问题，并推荐节省资金的方案。这些算法甚至可以进行维修优先级排序，减少不必要的检查、维修和更换工作量，有助于削减人工成本。
  
  某家全球制造商使用 AI 系统监视 10000 多台机器，包括机器人、输送机、升降机、泵、电机、风扇以及压力机/冲压机。该制造商在部署后的三个月内获得了投资回报，成功节省了数百万美元。
• 减少中断
  AI 通过比旧方法更快、更准确的故障预测来减少停机问题。这有助于制造商提前解决设备问题，延长正常运行时间，并保持供应链畅通。
• 提高生产力
  根据德勤 (Deloitte) 2022 年的一项研究显示，AI 预测性维护工具可帮助企业将劳动生产力提高 5% 至 20%。这是因为 AI 有助于将停机时间缩短多达 15%，确保生产线持续运行。
• 提高安全性
  机器故障可能会危及员工安全。通过了解机械何时可能会出现故障并提前进行维修，制造商可以避免员工受到伤害，包括经常需要接触机械的维修技术人员。根据美国职业安全与健康管理局的数据显示，每年约有 18000 名负责操作和维护机械的美国工人在工作中受伤，超过 800 人死亡。
• 延长设备生命周期
  基于 AI 的数据分析工具可以预防过早磨损，帮助延长设备资产的使用寿命，让制造商可以延长正常运行时间，提高生产力并增加收入。
• 改善质量控制
  手动质量控制实践既耗时又容易出现人为错误。AI 工具可自动检查设备并提供实时反馈，帮助提高产品质量和一致性，尽可能降低缺陷率和生产成本。AI 算法经过大量产品规格数据的训练后，就可以识别产品有裂缝、没有对齐、颜色和纹理不一致等问题。在监测扭矩时，AI 系统可以跟踪扭矩值的一致性，以确保螺栓和螺钉已拧紧，符合规格要求。如果扭矩值超出可接受的范围，系统会提醒制造商尽快解决问题。

如何将 AI 应用于预测性维护？

AI 正在为制造业、车队管理、快递、采矿、回收和能源等领域的预测性维护提供支持，所有这些都依赖于复杂的机械。企业可以构建自动化模型来监视设备状况、检测异常、预测设备故障和停机、确定维护优先级并安排维护时间、优化能源使用并推荐纠正措施。

• 预防停机
  通过从互联资产中收集数据（包括历史性能和实时上下文数据），基于 AI 的预测性维护可减少代价高昂的停机问题。算法可以实时分析数据并向工厂团队发送报告，其中标记了可能发生故障的迹象，例如机器过热或不正常的电压波动。
  
  某家大型铝生产商部署了 AI 工具来监控冶炼厂的机器人和其他设备。假设锯片电机因为组件松动而影响了性能，工人可以至少提前两周收到维护提醒。如此一来，在每次事件中，企业可以避免 12 小时的意外停机。
• 条件监控
  制造商必须监控设备状况，以保持设备稳定运行。AI 算法可以比旧技术更快、更准确地识别正常和异常情况。这些系统可分析设备运行状况的实时数据，发现相关模式，并预测故障以提前避免停机。此外，这些系统还可以帮助企业根据当前情况优先安排维护项目，而不是按照之前确定好的时间表。
• 异常检测
  一直以来，异常检测都是通过基于规则的系统完成的，该系统使用硬编码阈值来发现机器异常并预测故障。例如，如果机器的振动超过了 ISO 标准中设置的阈值，系统会报错并建议进行维护。但是，复杂的设备不仅会产生大量的振动数据，还会产生温度、压力、热量等多种变量的数据，这使得旧系统难以准确地阐释信息。
  
  相比之下，AI 系统不仅可以收集和分析数据，还可以随时从数据中学习。基于 AI 的分析不仅可以遵循规则并识别当前问题，还可以识别性能偏差的细微迹象，在新出现的问题导致中断之前及时发现。
• 故障预测
  AI 可以通过分析历史性能和实时传感器数据来创建预测设备衰退的模型，帮助企业避免机器彻底故障。模型所摄取的数据越来越多，学习、适应和预测的准确性也会越来越高。故障预测的深度学习属于一种机器学习，可以找到人工观察和其他旧方法无法发现的关系。以跨国快递企业为例，该公司使用 AI 系统来在分拣设施中预测 30 多种机器的故障问题，从而发现变速箱故障、传送带损坏和其他成本高昂的问题。该公司估计，该系统每年可为其节省数百万美元。
• 维护计划的优先级和时间安排
  AI 可实时发现问题、确定优先级以及重新调整维护计划，从而改善已经制定好的维护计划。AI 驱动的预测性维护不仅仅是根据当前问题或过去的数据创建计划，而是能够预测设备状况保持不变时可能会发生什么情况。此方法还为企业推荐可以采取的主动措施，从而获得更好的结果。
• 能源优化
  机械的效率会随着时间推移而逐渐降低，因此需要使用更多的能源来维持相同的输出。美国压缩空气和天然气研究所发现，该国低效的压缩空气系统每年浪费了 32 亿美元。借助基于 AI 的预测性维护，制造商和其他机器运营商可以发现设备缺陷并安排维修，以防止或至少预防机械报废和返工的需求。福特汽车 (Ford Motor) 依靠 AI 来优化整个工厂的能源使用，通过将 AI 和数字孪生结合在一起，发现能源浪费的根源并找出解决办法。
• 计算机视觉识别
  计算机视觉识别技术让计算机可以“看得见”。例如，制造商可以训练 AI 工具来查看和分析监控视频中的机器状况。通过视觉细化算法，图像可以捕捉难以检测的异常，例如细微的磨损迹象、部件未对准、组件缺失，甚至货架上的包装损坏，为其他数据提供补充信息。这些图像还可以帮助确定问题的根源以及有效的补救措施。

AI 预测性维护的示例

有些全球大型制造商正在使用 AI 来加强预测机器维护并延长正常运行时间。

某家全球汽车制造商使用 AI 来检查和维护工厂中的焊接机器人。具体来说，该公司使用的是计算机视觉识别和深度学习，通过分析机器人的图像和视频来发现缺陷。AI 系统会为每个机器人推荐参数和设置，并在需要维护或更换时通知员工。据该公司表示，该解决方案可以将机器人检测时间缩短 70%，并将焊接质量提高 10%。

GE Aviation 利用 AI 来预测航空公司和其他客户使用的喷气发动机的维护需求。该公司大约有 44000 台发动机内嵌了传感器，可将数据提供给辛辛那提和上海的 GE 监测中心。GE 将数据与物理发动机模型和环境细节相结合，在维护问题发生之前进行预测。该公司使用 AI 后，不仅提高了发动机的可靠性，还降低了航空公司的维护成本并提高了安全性。

利用 Oracle Supply Chain Management 提高正常运行时间

Oracle Cloud Supply Chain & Manufacturing 应用可帮助企业提高供应链弹性、减少中断并从容应对不断变化的市场状况。在 Oracle Fusion Cloud Maintenance 中使用内嵌了 AI 的预测性维护工具，有助于提高对机器性能的可见性，同时缩短停机时间并降低运营成本。

AI 预测性维护的常见问题解答

AI 在维护管理中有什么作用？
AI 可以比旧技术更快、更准确地预测设备故障并生成维护洞察。如此一来，AI 就可以帮助企业减少机器磨损并缩短计划外停机时间。

如何将 AI 用于维护？
企业可以使用 AI 来监控机械的运行状况、检测异常、避免设备故障和中断并确定维护优先级和安排维护时间。

如何将机器学习用于预测性维护？
机器学习算法可以预测工厂设备何时会衰退、发生故障以及需要维修或更换。这些是 AI 驱动的预测性维护解决方案的关键。