维护管理领域起步较晚，但一旦进入这个领域，变化就非常迅速。

所有这些高科技设备、软件和预测性维护的目标，都是为了让整个公司能够实时、快速地做出最佳的业务决策。

在传统的维修部门，技术工人、工程师和管理人员主要依靠丰富的经验和有限的数据做出决策。未来，他们将受益于无线数据采集，这些数据来自各种传感器，存储在海量数据文件中，并由无数种算法进行分析。

这些分析程序将帮助维护专业人员做出最佳决策。最终，该软件将能够在任何人意识到问题之前就发出工作指令来解决问题。

该分析有助于领域专家 (SME) 根据以下因素实时决定是否以及何时介入，以及应采取何种行动：

• 资产的当前状况及其抗故障能力
• 失效概率和风险
• 了解失败的后果
• 来自资产的传入数据流

该流程的强大之处在于，只要输入正确的信息并进行适当的分析，维护决策就能考虑到所有这些相互冲突的要求：

• 生产要求、选项、需求
• 生产窗口
• 维护可用性
• 零部件供应情况和交货周期
• 财务状况、现金流、利润、客户留存率
• 维护成本、维护能力

一个重要的问题是，这一切会对你产生什么影响？

随着计算机化维护管理系统 (CMMS)、有线和无线传感器、分析技术、移动订单录入和实时数据的普及，决策质量将得到提升。在某些情况下，维护方面的优势可能不大，但运营方面的优势将非常显著。

一些比较直接的维护改进方案包括：

• 您可以安排在对生产周期影响最小的时候进行预防性维护，这样可以改善需求工时。
• 店铺排班表将更加完整可靠，减少干扰。
• 灾难性事件将大幅减少，因为其中一些事件会通过传感器自行传播（例如石油、水患等问题）。
• 大修计划将更加合理安排，并且只会更换磨损的部件。
• 这样的例子不胜枚举，但其核心理念是，让能够使用信息的人掌握更好的信息，有助于他们做出明智的决策。

以下是一些具体的维护用途：

• 持续读取机器运行参数可检测故障，防患于未然。软件会持续监控“禁止超限”值和趋势，并在必要时提醒操作员。操作员可根据实际情况，结合产品、时间以及维护可用性等因素，实时做出决策。
• 可以监测能源消耗并将其与生产、原材料和特定产品关联起来。如果情况恶化，可以标记机器进行维护（但并非紧急维护）。
• 借助大数据和使用规则进行决策的程序，我们可以将数据输入系统，从而做出合理的决策，例如在特定时间将资产停止使用以进行全面维修或保养。
• 该系统可以编程来检测热狗或辱骂性操作员。

在正确的时间将正确的信息传递给正确的人。

这些数据大多会过时。如果不加以利用，就会失去价值。实时向维护团队提供信息的能力，对于提高计划效率、缩短平均故障间隔时间（减少故障次数）和减少停机时间都具有重要意义。试想一下，如果正在对某项资产进行维护，系统能够详细分析数据，并确定如果现在进行额外的维护工作，该资产在很长一段时间内都不需要再次维护。此外，如果能够知道我们距离下次计划的预防性维护（PM）还有多大的差距（误差在10%以内），那就更好了。

让我们先把话说清楚。

所有这些高科技和规范性维护仅仅是更大讨论中（重要的）一部分！如果更重要的讨论是可靠性，那么维护是解决方案的一部分，但仅仅是其中的一部分。

• 无论别人怎么说，“规范化和高科技维护不足以达到世界一流的效果！” 充其量，高科技维护解决方案只是维护的一部分，而维护是可靠性的一部分。
• 预测性维护和高科技传感器是工具箱中的工具。

我们力求成为最好的维修部门。我们称之为力争达到世界一流的维修水平。

世界一流的维护保养是一个模糊的概念，它并非真实存在，但却能带来实实在在的好处。其主要好处在于，它能创造行动契机，促使个人及其组织不断突破自我，实现发展。

但如果有人声称可以带你到达目的地——我敢保证，他们肯定会坑你一把！

数据来源

数据源有数百种。每种数据源都分为格式化数据（振动读数）和非格式化数据（关于机器健康状况的预防性维护技术记录）。数据采集方式可以是手动（图片）、半自动（振动采集方式，需要插入数据采集器进行上传）或自动（无线传感器），数据来源可以是内部系统（计算机化维护管理系统，CMMS）或外部系统（天气报告）。

数据（通常称为具有各个字段的记录）每秒（无线传感器）、每天（巡检、生产）、每周/每月/较少频率（PM 工单）、生成时（工单）以及其他频率收集。

资产状态监测是主要数据来源之一。该领域的发展趋势是从人工检查到仪器检查，再到无线传感器检查。

利用设备状态来启动维护措施的方法称为状态监测维护。状态监测维护（CBM）通过监测读数、差值读数或趋势来触发维护措施。未来，状态监测维护的应用方式可能会有所不同。

安装在设备上的传感器可以低成本（安装费用已包含在内）且准确地采集数据。另一个显著优势是，安装完成后，无需进行任何侵入性操作即可采集读数。这种非侵入式方法降低了因维护而导致故障的风险。数百种传感器包括：

• 射频识别
• 运动
• 相机
• 高速拍摄
• 温度
• 风管温度
• 水温
• RTD 高，低
• 振动（加速度计）
• 声级
• 机械应力
• 振动
• 干接点
• 营业中/歇业
• 水体存在
• 电压
• 0-5伏
• 电压表
• 电压检测
• 电导率
• 压力
• 光谱仪
• 反抗
• 安培
• 电流表
• 电流检测
• 倾斜
• 影响
• 移动
• G力（快照）
• 天气
• 色度计
• 浊度
• 二氧化碳
• PH
• 光

以上仅列出部分可用检测方法。数据收集完成后，我们即可开始分析，并着重关注资产管理的各个方面，以最大限度地提升资产对组织的价值。我们的关注点可以放在低成本、长期单位产出（每零件/吨/英里成本）、最长的资产使用寿命、运营成本、产品质量、安全性或更低的购置成本等方面。

专注于真正重要的事情。

上述状态监测工具可以检测多种状态，但只有少数状态会影响设备的可用性。我们只选择能够检测设备或流程特定故障模式的传感器。了解故障模式是有效使用传感器的关键。

本节重点讨论故障、停机时间和降低维护成本。为了分析故障并避免中断，我们首先来定义故障和故障模式。

故障：在既定条件下功能的丧失。

失效模式：指产品发生故障的具体方式或途径；它可以概括地描述故障发生的过程。它至少应清晰地描述产品的（最终）失效状态。它是失效机制（失效模式的原因）的结果。

要识别适合检测某些隐藏或更隐蔽的故障模式的传感器，需要相当多的知识和一定的创造力。

贮存

一项技术突破是存储成本的持续下降。现在，我们可以以合理的价格存储更多数据，包括大数据，并且存储时间也会更长。

所有生成的数据都存储在一个或多个数据库中。当这些数据库位于您的工厂外部时，它们被称为云存储。如果数据库位于本地，则称为雾存储（云的本地化）。云存储领域的主要厂商包括亚马逊、微软和IBM。其优势在于，借助云供应商，您可以几乎随心所欲地扩展规模，而无需构建或购买计算能力（无需支付更高的费用）。

数据是以某种形式存在的数值，代表着交易、读数和观察结果。复杂的数据库可以存储图像、手写文本、音频文件，当然还有任何字母数字内容。

例如，燃油消耗传感器会输出每小时油耗或每英里油耗，这些都是数据。一天中不同时间的GPS定位数据也是数据。速度、发动机温度，甚至工单和客户负载信息也都是数据。

大数据存储在像这样的服务器集群中。这是位于瑞典吕勒奥的Facebook服务器集群的照片。它位于北极圈以南不到70英里处。该集群利用外部冷空气为服务器降温。

不同的数据来源

我们现在正从各种来源收集数据。如果我们把这项工作称为大数据，可能会掩盖这样一个事实：这些数据一直存在，只是难以获取和关联。有了来自多个来源的数据，我们可以用新的方式将它们结合起来，从而更深入地了解正在发生的事情。

大数据是指存储在云端的所有来源的数据。虽然大数据由来已久，但如今的大数据独具特色，因为它将三种类型的数据关联起来。这些关联提供了数据的背景信息。

大数据并非新鲜事物

首先，一个显而易见的事实是，所有这些喧嚣都源于我们一直以来所掌握的相同信息。区别在于他们所说的大数据的4个V：

• 频率：最好的驾驶员可能每隔几分钟才检查一次机油温度。而工业物联网每秒都会检查一次。
• 速度：数据源的运行速度比以往任何时候都快得多。
• 多样性：所有数据一直都存在。不同之处在于，现在所有数据都集中在一个地方。现在我们可以将天气、启动系统或海拔变化（丘陵地区）与刹车维修情况关联起来。
• 真实性：通过与其他数据交叉核对，并运用高级统计方法来探究数据的真相，从而应对数据的不确定性。

大数据示例

一台CAT矿用挖掘机配备145个传感器。每个传感器每秒向卡车上的中央处理器（即边缘计算，其中本地处理器对数据流进行预处理）报告一次读数。卡车上的处理器汇总数据并将其发送到云端。数据文件会变得非常庞大。当添加来自其他来源的数据流时，它们就被称为“大数据”。我们可以添加天气、订单、交通状况、沿途燃油价格以及几乎任何其他可能影响我们决策的信息。

以下是每秒提供读数的 145 个传感器中的几个。

• 发动机冷却液泵出口压力
• 发动机冷却液温度
• 发动机冷却液泵出口温度
• 发动机冷却液温度
• 发动机机油油位
• 发动机机油压力
• 发动机油温
• 地面速度
• 燃油消耗率
• 燃油滤清器压差
• 燃油压力
• 燃油轨道压力
• 燃油轨道温度
• 燃油温度
• 燃油/水分离器液位状态

大数据、云计算或传感器本身并不是新鲜事物，也并非特别有用。

我们所做的一切工作都旨在通过分析这些数据得出合理的结论，并为我们的机械、建筑或车队的运行提出有价值的想法。我们需要的是能够帮助我们做出更好决策的输出结果。这些有用的输出结果自计算机诞生之初就已存在（第一个维护系统是1965年由美孚石油公司推出的MIDEC，用于告知您何时更换移动设备的机油）。

分析

我们究竟该如何理解所有这些数据？又该如何利用它们？理解数据的过程就叫做数据分析。数据分析运用算法。

算法

所有这些输出都运用了算法。算法可以执行计算、数据处理和自动推理任务。加州大学洛杉矶分校的约翰·维拉塞诺尔表示：这意味着，即使是像食谱或朋友家路线图这样看似无害的东西，也是一种算法。这些算法是解决问题的思维过程或步骤。

算法的概念由来已久。例如，欧几里得算法（一种计算两个数最大公约数的有效算法）出自欧几里得的数学著作《几何原本》，该书共13卷，成书于公元前300年左右。

有成千上万种算法可用于分析维护数据。其中一些最常用的算法包括：

• 决策树（一系列决策或关卡）
• 贝叶斯估计法具有越来越精确的估计值
• 线性回归
• 普通最小二乘回归
• 聚类

运输卡车专家

领域专家 (SME) 与数据科学家紧密合作开发算法（数据科学家将步骤转化为计算机可理解的输入）。任何接受过一定培训的人都可以担任这两个角色。假设您熟悉设备，并且已经查看了每个传感器的数据及其相互关系，您能看到什么？您能否预知未来几天或几周的情况？事实上，

我们可以编写简单的算法来告诉我们：

• 更换燃油滤清器（燃油滤清器压差）
• 更换机油（机油油位、机油压力、机油温度、里程、粘度）
• 效率可能与（地速、燃油消耗率）有关。

或者，更复杂的算法或许能让我们深入了解：

• 优化燃油利用的运行参数
• 导致高昂故障的先决条件，例如发动机或变速箱过早损坏
• 重大断层发生前的特定条件

现在想象一下，一位发动机/牵引机械领域的专家可以编写什么样的算法，以便在故障发生之前很好地检测出缺陷；或者，调整哪些条件可以对效率、可靠性以及最终的吨位产生巨大的影响。

分析——就我们的目的而言，分析分为四种类型：

• 描述性分析：发生了什么？例如：工单数量、未完成的预防性维护率、按优先级划分的积压工作进度。描述性分析是计算机化维护管理系统 (CMMS) 用户广泛使用的典型分析类型。
• 诊断：为什么会发生这种情况？例如：加班增加是因为故障增加；更换供应商后，轮胎问题增多。诊断中还有一种叫做辅助诊断的类型，它利用计算机程序帮助人们思考各种可能性。
• 预测：可能会发生什么？我们一直想要这个功能！例如：轴承能用到周四。两小时后，E-123 车间会发生火灾，明年我们会缺两名电工。预测分析是一个引人入胜的领域，也是 PdM 尚未充分发挥的能力。
• 指导性建议：最佳行动方案是什么？换掉该死的轴承！增加四个单位的库存，以达到 97% 的服务水平。

要考虑风险的后果，并让人们参与选择风险水平。

• 在开发检测算法或测试时，必须在假阴性和假阳性的风险之间取得平衡。
• 通常情况下，算法会设定一个阈值，即匹配结果与给定样本的接近程度必须达到一定阈值，算法才会报告匹配结果。
• 阈值越高，漏报率越高，误报率越低。

信不信由你，大多数公司其实已经拥有分析工具，但却没有很好地利用它们。

基础分析功能自 CMMS 系统诞生之初就已包含在其预设报告选项中。然而，这些报告通常未被充分利用，甚至难以理解。维护部门若想更加注重数据驱动，则可以利用这些报告实现更多目标。而且无需额外投资！

方案： 机器生成的所有数据都会被收集并发送到云端存储。云端软件会进行分析，理想情况下，还会给出关于下一步行动以及何时行动的结论。

• 这是一个认知过程（无论使用机器还是人）吗？
• 涉及症状分析、数据分析和健康诊断
• 基于多种数据来源
• 考虑所有可能的治疗方案
• 总会有建议采取的行动，总会有行动方案。

人工智能

所有这些分析都指向人工智能（AI）。

人工智能是一系列算法（有时数量相当多），它们审查数据并找到代表可操作情况的组合。这些数据用于制定维护措施。这些措施类似于经验丰富的维护人员在有时间、精力和记忆力分析数据后提出的措施。

• 人造的——由人类制造或生产，而不是自然产生的，通常是对自然事物的复制品。
• 智力——获取和运用知识和技能的能力
• 机器学习、深度学习、智能代理、机器人、神经网络、机器人和自动驾驶都是人工智能的形式，或者使用人工智能来运行。

我们每天都通过 Alexa 和 Siri 与人工智能互动。甚至一些与组织的沟通也由智能代理处理。越来越多的系统正在通过图灵测试，证明其具备计算机智能。

人工智能目前已被用于辅助驾驶飞机、砍伐原木以提高木材产量、帮助医生诊断疾病，甚至设置生产用汤锅。新的应用层出不穷。仅在维护领域，就有数百家公司针对不同情况提供解决方案。

人工智能简史

• 1950年，艾伦·图灵发表了关于机器可能具有思考能力的论文。图灵测试是：如果你和一台电脑聊天，并且认为它是个人，那么这台电脑就具有思考能力！
• 1955年，纽厄尔和西蒙编写了一个程序，证明了怀特海《数学原理》中的前38个定理。
• 1956 年，在达特茅斯举办的第一届会议，名为“人工智能夏季研究项目”，标志着该领域的诞生，该领域的精英人士都出席了会议。
• 1964年，ELIZA运行着名为“医生”的人工智能脚本，模拟了一位罗杰斯式心理治疗师的角色。尽管魏岑鲍姆一再否认，但许多早期用户都确信ELIZA拥有智能和理解力。
• 1965年：最早的专家系统实例爱德华·费根鲍姆和他的学生们。1965年，丹德拉尔通过光谱仪读数鉴定了化合物。
• 1972 年，MYCIN 专家系统诊断出传染性血液疾病。
• 1989年，“深思”（“深蓝”的前身）开始击败国际象棋大师。
• 1997年，“深蓝”成为第一个击败当时的世界国际象棋冠军加里·卡斯帕罗夫的计算机国际象棋系统。
• 2005年，斯坦福大学的一台机器人赢得了DARPA挑战赛冠军，它在一条未经演练的沙漠小径上自主行驶了131英里。
• 2011年，在智力竞赛节目《危险边缘》（Jeopardy!）中， IBM的沃森击败了两位最伟大的《危险边缘》冠军——布拉德·鲁特和肯·詹宁斯。
• 2011年苹果公司的Siri
• 2014年亚马逊的Alexa

你面临的最大挑战是从哪里开始！

首先要明确业务问题。能够为组织带来最大价值的最佳解决方案是什么？

诸如

• 检测即将发生的故障
• 不安全行为
• 运营变更的早期预警
• 异常检测
• 虐待

人工智能正日益成为创新型维护管理的重要组成部分。我们必须牢记戴明十四条原则之一：购买新设备或软件并不能从根本上改变业务流程。糟糕的流程或被动的文化无法通过技术手段解决。问题在于文化！

警报

你可能已经面临着最大的问题。问题不在于如何使用、设计或实现技术、算法、云、雾计算或传感器，而在于自律。

请回答以下问题：如果预防性维护检查员或预测性维护检查员发现缺陷、劣化或损坏，您是否总能在资产发生故障之前计划、安排并执行纠正措施？这是一个简单的问题。

如果真是这样，你很可能会忽略规范的维护工单（就像你现在做的那样——忽略预测性维护的发现），或者你会拖延，直到设备自行发生故障。在这种情况下，你将面临最糟糕的境地——拥有先进的工具，却身处被动的维护环境。

这是运营维护部门最不安全、成本最高的模式。解决之道在于改变企业文化。努力成为可靠性领导者，在一个由可靠性领导者组成的学习型组织中脱颖而出。