工业物联网和预防性预测维护的举动

在过去的几十年里，最重要的趋势之一是向精益制造的运动。随着企业开始审查和改变其操作程序以消除浪费，大多数行业的效率在实施时达到了新的高度。但是，尽管精益仍然是提高和保持效率的有价值的工具，但在任何精益计划中，附加的改善事件在底线价值方面产生的结果越来越小，因为浪费已经在整个制造系统中大大消除了。

在这些情况下，进一步提高效率和降低系统成本的能力可能受到抑制。要么精益计划已经消除了如此多的浪费，为了进一步的收益，控制和操作系统过程的水平需要高度的自动化和分析。或者，应用于复杂制造产品的精益系统消除了如此多的浪费，以至于深入挖掘额外收益是极其复杂的。在这两种情况下，获得额外改进和收益的可能性都达到了一定程度不能由人类的手完成，直观的人类分析和“直觉”。

作为行业4.0和工业互联网（IIT）在过去几年中获得了蒸汽，很多人都会意识到，为了继续增加额外的效率和过程改进，将需要数据捕获，分析和连接的设备来前进。许多甚至将IIOR视为倾斜的下一个逻辑步骤，作为制造业中的“数字精益”。但在传统的精益中，通过部门或功能区审查和改善了流程，并且可能是巨大的或蒙羞的。IIOT，大数据和高级分析的一个关键优势是它可以提供支持制造业的部门之间的系统性互操作性，并以成本提高和增加效率的形式改善制造的改进。此外，这两个支持区域最适用于供应链和设备维护。

车间措施

从预防性维护转换

大多数现代制造业的维护工作都是建立在预防性维护的基础上。在预防性维护中，设备是在一个随着时间的推移时间表使用检查，校准，维修和其他常规服务检查，以减少未来失败的机会。多年来，这是精益和非精益制造的重要工具和关键部分，与“当您的维修”维护方案相比，允许一些可预测性。但就像改善方法达到了人类干预无法再推动改进的障碍，所以也有预防性维护也达到了僵局。

首先，预防性维护是基于统计模型和广泛的平均值来建议何时应该进行维护。因为无论是否需要维护，都会进行维护，因此在维护周期之间识别问题是无效的。这些统计模型通常是由设备供应商开发的。虽然根据OEM的经验可能会有一些建议的预防性维护的细分，但预防性维护并不能回答真实世界和实时情况。在实际应用程序中，真正的维护需求可能基于许多不同的变量。造成不同的工厂环境，如环境条件，如温度和湿度，或在情况下，制造商可能使用重或磨料材料当其他制造商使用相同的设备时，可能会使用轻的或非滥用的材料来制造其产品，这意味着真正的维护要求会有很大的差异。

预防性维护的第二缺点及其对概率而不是现实的依赖是，最佳，预测性维护只能减轻概率的影响和“可能”发生的可能性。它无法预测现在会发生或正在发生的事情。这抑制了维护管理人员和其他决策者能够管理维护努力，以优化方案，以支持提高效率和成本节约。因此，预防性维护是劳动密集型和反应性的。为了实现额外的改进和完全优化系统，IIOT提供了一种前进的方法，而不是预防性 - 维护。

向预测性维护过渡

预测性维护也称为基于条件的维护(CBM)，它依赖于已安装或嵌入式设备来监控机器的实际状态。通过使用机器学习、高级分析和人工智能，可以制定维护策略，只有当传感器或监视器显示出即将发生故障的迹象时，才能部署维护资源。根据设备和设备的类型，在许多情况下，可以在运行期间自动进行微调，直到下一个计划停机周期进行全面维修。决策和行动基于实时数据，以主动识别问题，也在维护或技术介入最具成本效益时进行，如更换或计划停机。

通过利用工业物联网技术部署预测性维护，可以大大降低成本，并使制造实现比传统预防性维护更高的效率。研究表明，当使用预测性维护程序时，可以提高整体效率达到25％。此外，停机时间可以降低75％，并且整体维护成本也可以减少25％。可以测量这些收益的区域包括：

预测和预防- 使用具有机器学习算法的分析软件的传感器，可以执行预测分析以预测故障区域并在发生故障之前识别所需的维修。通过测量诸如实时温度，产品流量和其他关键部件的变量，可以提前检测到失败。它还可以基于其他机器上的相同或相似的组件匹配和分析，以制定整体策略，以指导备件的零件购买和库存水平。

工业物联网的服务提供商也拥有强大的分析能力，可以在设备允许的情况下应用于许多调整的自动化。在其他情况下，可以将自动警报发送给维护人员，以提醒在即将到来的转换周期中，如果故障不迫在眉睫，需要进行维修。这种水平的预测和干预减少了传统维护方案所带来的劳动力浪费。

优化维护例程- 与其他制造功能相比，维护和技术人员之间的劳动力往往较高。在传统的预防性维护计划中，大部分劳动力以准备，分期和优先考虑的任务的形式浪费。它也浪费了，因为除了在一般水平之外的出厂区的其他持续维护之间没有协调这些任务。

通过预测维护，可以优化员工维护例程。使用数据和软件维修部件，甚至可以订购耗材和耗材，并在预定修复前提前进行库存和材料。这可以被视为刀具水平，使得技术人员仅在维修节省时间和减少压力所需的情况下进行。一个主要增益优化程序是通过使用传感器来监控失败,并查明其原因和位置在机器内,猜测在定位哪个部分或组件需要修复删除从流程允许技术人员为零的部分迅速,需要用最少的时间修复。

零件库存-对于预防性维修，通常用来广泛定义什么应该维护的统计分析也被用来确定哪些零件需要存储。这是一个昂贵的过程，因为库存备件供应可能超过或低于订购的备件，在某些情况下，两者都可能发生。过多订购的备件占用了现金，影响了流动缓慢的零件的现金流。订购不足的零件可能会导致昂贵的额外停机时间或昂贵的加急。

使用预测分析和机器学习，零部件供应水平可以随着时间的推移而提高，以反映实际的实时使用情况。作为整个物联网生态系统的一部分，订购、追踪、库存缓解和重新排序可以与采购和自动化联系起来，以支持精益和精确的库存水平。这使得维护策略可以根据工厂的趋势定制，以考虑设备的年龄、重或轻的产品组合、固有的环境条件和许多其他变量，这些变量在基于人的分析中是不可能考虑的。

持有收益

研究表明，在传统的预防性维护计划中，近50%每顿美元都浪费了。通过缺乏分析能力和依赖统计建模，这些计划将废物构建到系统中。此外，存在额外的数据，在大多数制造预防性维护程序中显示，只有18％的设备资产有与年龄相关的失败模式，这使得计划的工作效率非常低。

通过使用相同的物联网设备，数据和软件用于推动生产和供应链的改进，制造维护可以制定全面的策略来解决上述所有故障。IIOT服务提供商提供强大的分析以及设备采购，安装和服务。这允许维护程序有助于优化正常运行时间和资产寿命，直接支持核心生产和效率增益。

工业物联网的可用数据如此之大，以至于这些收益无法通过传统的人类决策实现。但是，通过使用先进的分析、人工智能、机器学习和设备部署，制造企业可以实现这些收获，并在精益的进化中迈出下一步，创建一个数据驱动的“数字精益”，并为每个工厂量身定制预测性维护程序。