預(yù)測性維護(hù)的一些常識點(diǎn)，預(yù)測性維護(hù)智能平臺公司告訴你

預(yù)測性維護(hù)智能平臺公司認(rèn)為預(yù)測性維護(hù)是通過監(jiān)控設(shè)備的工作狀態(tài)和使用情況來實(shí)施智能的、動態(tài)的和可擴(kuò)展的策略。這造成越來越多的機(jī)構(gòu)投入資源來更新他們當(dāng)前的維護(hù)策略。資產(chǎn)密集型鋼鐵行業(yè)也一直采用預(yù)測性維護(hù)策略作為現(xiàn)代化和關(guān)鍵競爭優(yōu)勢的一部分。有必要建立一個可以從運(yùn)行數(shù)據(jù)中學(xué)習(xí)并積極指導(dǎo)維護(hù)團(tuán)隊(duì)的自動化系統(tǒng)。

預(yù)測性維護(hù)智能平臺公司認(rèn)為在智能制造環(huán)境下，監(jiān)測和預(yù)測關(guān)鍵設(shè)備的工作狀態(tài)是預(yù)知維修策略的重要組成部分。隨著邊緣和云計(jì)算信息處理的快速發(fā)展，它可以交付接近實(shí)時運(yùn)行的結(jié)果。機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的發(fā)展表明，預(yù)測設(shè)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(xué)習(xí)機(jī)器狀態(tài)的演變來產(chǎn)生預(yù)測。

預(yù)測性維護(hù)智能平臺公司認(rèn)為狀態(tài)預(yù)測是根據(jù)設(shè)備的運(yùn)行信息，評估部件的當(dāng)前狀態(tài)，預(yù)測未來狀態(tài)。常用的方法有時間序列模型預(yù)測、灰色模型預(yù)測和神經(jīng)網(wǎng)絡(luò)預(yù)測。發(fā)展預(yù)測方法一般有三種基本途徑：物理模型、常識體系和統(tǒng)計(jì)模型。在實(shí)際應(yīng)用中，可以將這三種方法集成起來，形成一種混合的故障預(yù)測技術(shù)，它結(jié)合了傳統(tǒng)的物理模型和智能分析方法，可以處理數(shù)字信息和符號信息，對預(yù)測性維修更加有效。

維修決策基于人員、資源、時間、費(fèi)用、效益等多方面。根據(jù)狀態(tài)監(jiān)測、故障診斷和狀態(tài)預(yù)測的結(jié)果，分析維修可行性，確定維修計(jì)劃，確定維修保障資源，給出維修活動的時間、地點(diǎn)、人員和內(nèi)容。

預(yù)測性維護(hù)智能平臺公司認(rèn)為對于任何部件，都需要監(jiān)測多個傳感器，因?yàn)橄嚓P(guān)的故障機(jī)理(模式)通常表現(xiàn)為多變量模式。這意味著模型應(yīng)該考慮傳感器之間的相關(guān)性，而不是單獨(dú)處理它們。當(dāng)考慮到傳感器值以非常高的頻率采樣時，這些相關(guān)性是具有挑戰(zhàn)性的。例如，所使用的傳感器數(shù)據(jù)以高頻率(例如10ms)采樣。因?yàn)檫@些模型是跨多種故障模式構(gòu)建的，所以強(qiáng)調(diào)需要一個可擴(kuò)展的系統(tǒng)來訓(xùn)練和部署這些模型。

預(yù)測性維護(hù)智能平臺公司認(rèn)為鋼廠的生產(chǎn)流程每天都需要多批次生產(chǎn)。因此，傳感器的時間序列讀數(shù)基本上是不穩(wěn)定的，在運(yùn)行過程當(dāng)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(shè)定值、熱/產(chǎn)品特性和其他操作變量，需要與傳感器數(shù)據(jù)一起編碼。

預(yù)測性維護(hù)智能平臺公司認(rèn)為組件可能通過多種機(jī)制或失效模式失效。對組件運(yùn)行至關(guān)重要的故障模式進(jìn)行優(yōu)先排序非常重要。如前所述，通過了解如何根據(jù)傳感器數(shù)據(jù)描述故障的發(fā)生，有助于實(shí)現(xiàn)這一點(diǎn)。這確保了一個組件和跨組件的故障模式標(biāo)簽的一致性。