预见性维护:如何改进流程和降低维护成本

自动化过程常常意味着提高效率，但我们不应该忘记，效率要求对自动化过程和机械的持续管理。因此，自动化也意味着维护。

那些管理生产、仓库和相关流程的人总是面临以下选择:

• 反应性或纠正性维修这包括只有在出现故障或故障后才进行修理
• 预防维护,也就是说,计划或计划的维护活动这通常包括更换部件，以防止意外故障和长时间停机。

在实践中，维护对生产力的影响绝不能被忽视。产量损失的百分比各不相同从5%到20%对于反应式维修，涉及生产的突然中断和实施的措施，其持续时间很难预先估计。

生产线停机成本约厂家每年450亿欧元其中近一半的损失是由于机械技术故障造成的(来源:Kainet)。

但是，如何计算维护成本，并为公司确定解决这个问题的最佳方法呢?

维护成本分为两大类:

• 自己的成本:

1. 1. 直接成本:除了采购材料和备件外，最常见的是进行维修和/或修理机器所需的人力。
   2. 间接成本:这些成本包括与未直接涉及但仍受影响的资源有关的成本，以及设备、系统和服务。

• 人工成本:这些成本与导致生产中断、错误、延迟的停机和故障有关，因此难以预测和量化。

工业4.0时代的维护

4.0行业正在改变一切:有很多关于物联网(Internet of things)、云计算和机器学习的讨论，但它们对管理和类型的确定有什么影响维护必要的为机械吗?

多亏了新技术，机器可以有效地装备传感器和系统监控设备/系统中正在发生什么，分析它，并实时报告它。

他们有能力识别相关数据，进行诊断，并在机器运行期间连续捕获数据。

数据收集与数学算法相结合，使检测故障前的异常以及关于机器自身状态和性能的实时信息报告。

预见性维护与此背景密切相关。

这是正确的。的机器和系统的持续检查收集其中的数据便于监控所有相关参数，以便能够在故障发生之前进行干预，也就是在意外停机之前。这个过程真的很简单:由于能够连续监控、收集和处理数据，当检测到任何偏差时，它是表示之前给定零件发生严重磨损或故障。

预测和主动维护:如何实施它

为了使预测性维护成为可能，并实现它，工业4.0的两个支柱非常有用:机器学习和大数据。

正如这个词本身所暗示的，机器学习是机器自动学习的能力来自某种经验。它包括与统计计算密切相关的技术和算法，随着数据处理的增加，这些技术和算法促进了持续和稳定的改进。

系统中信息的扩散产生了大量的数据，也就是说，大数据为生产链的生产、维护和管理而来的:

• 可编程逻辑控制器(plc)
• 监控系统和数据采集(SCADA)
• 人机接口(HMI)
• 不同业务领域的物联网设备或IT系统。

多亏了这些计算系统，它才有可能实现预见性维护4.0并在故障、问题和意外事件成为问题之前就加以预防，因为它们是可以预见的，从而避免机器故障或停机。

因此,预见性维护对每个人来说都是真正的机会吗改进流程，将自身及由此引起的维护成本降至最低．

预测性维护是关于效率．