预测性维护:如何改进流程和降低维护成本

自动化流程通常意味着提高效率，但我们永远不应该忘记，效率需要对涉及自动化的流程和机器进行持续的管理。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:

• 反应性或纠正性维护它只包括在故障或故障后进行维修
• 预防性维护，也就是说，计划或计划的维护活动这通常涉及更换部件，以防止意外故障和长时间停机。
  实际上，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%对于反应性维护，涉及生产突然中断和实施的措施，其持续时间难以提前估计。

生产线停机成本约为制造商每年450亿欧元几乎一半的损失是由于机械的技术故障(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?

维护成本宏观上分为两类:

• 自己的成本:

1. 直接成本:其中最常见的是维修及/或维修机器所需的人力，此外还有采购物料及零件所需的人力。
2. 间接成本:包括与不直接涉及但仍受影响的资源有关的费用，以及设备、系统和服务的费用。
   诱发成本:这些是与导致生产中断、错误、延迟的停机和故障相关的成本，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IoT(物联网)、云和机器学习的讨论，但它们对这种类型的管理和决定有什么影响机器需要保养吗?

由于新技术的出现，为机器配备高效的传感器和系统成为可能监控设备/系统中发生的事情，分析它，并实时报告它。

他们有能力识别相关数据，进行诊断，并在机器运行期间持续捕获数据。

数据收集与数学算法相结合，能够检测故障前的异常以及机器本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。机器的连续检查系统和其中的数据收集有助于监控所有相关参数，以便能够在故障发生之前进行干预，因此，在意外停机之前进行干预。这个过程非常简单:由于能够持续监控、收集和处理数据，当检测到任何偏差时，它都是正确的表示之前某一特定部件发生重大磨损或故障。

预测性和前瞻性维护:如何实施

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从某种经验来看。它包括与统计计算密切相关的技术和算法，随着处理数据的增加，这些技术和算法有助于持续和稳定的改进。

系统中信息的扩散产生了大量的数据，也就是说，大数据对于生产链的生产、维护和管理来说，来源于:

• 可编程逻辑控制器(plc)
• 监控系统和数据采集(SCADA)
• 人机界面(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，才有可能实现预测性维护4.0并在故障、问题和意外事件成为问题之前预防它们，因为它们是可以预测的，从而避免机器故障或停机。

因此,预见性维护每个人都有机会去做吗改进流程，最大限度地降低自身和诱导的维护成本．

预测性维护就是这样效率．