制造商明白维护是一项成败攸关的活动，特别是在高美元、快速发展和高竞争的垂直市场。在当今快速发展的世界里，过去的维护策略根本无法解决问题，而仍在使用这些做法的制造商正迅速从地图上消失。现代维护利用物联网设备等技术进行数据收集，利用机器学习进行数据处理，以获得更好的预测和可操作的见解。综合起来，计划外停机时间可以减少到几乎被消除的程度，更不用说其他的好处，如提高员工士气，减少机会成本，增强客户印象，并减少浪费。
虽然这一切听起来都很好，但有一个问题值得一问:您如何从反应性维护状态到预测和规范维护的状态如何获取您的制造公司？如何获得现代维护策略的好处，同时避免沿途陷阱？
要了解这些问题的答案，必须首先了解目前播放的维护方法以及从一个阶段到下一个阶段的更改。在本文中，我们将涵盖各种各样的工业维护技巧。
我们涵盖了制造环境下的每一个维护策略。选择any跳转到相应的部分:
无功维护是大多数制造商的起点。只要制造存在，它就是制造业的传统维护方法。
顾名思义，这种类型的维护意味着无论发生什么，您都要做出反应。你可能准备好了，也可能没准备好，也可能没期待着。一个部件损坏了，堵塞了整个生产线，通常是字面上的和隐喻上的。非计划停机时间。工人失去工资。公司失去了收入。每个人只需要等待维修工拉尔夫(Ralph)来替换有问题的部件(你可能手头上有，也可能没有)。
这可能意味着几天的停工时间，错过最后期限，对你的预算造成巨大冲击，特别是当工具、机器或损坏的部件昂贵或难以找到时。员工靠向客户传达可怕的“有延误了……”的信息获得报酬。而成本和风险则会渗透到整个供应链。这是一个代价高昂的恶性循环。
一旦制造商发现被动维护不起作用，下一步就是基于日历的维护，也称为基于时间的维护(TBM)或预防性的维护。
这是一种计划维修的形式，它是提前安排的，以便在部件发生故障前进行更换。这是在一个设定的间隔，如每30天，60天或90天。通过这种方式，制造商可以预期一定数量的停机时间或计划在非工作时间进行维护。这有助于确保设备将启动和运行在所有计划的生产期间，除非紧急情况或不可预见的情况。基于日历的维护使用“平均故障间隔时间”(Mean Time Between Failure, MTBF)的概念，根据过去发生故障的时间来确定更换部件的最佳时间间隔。它适用于经常使用和可预测的磨损的部件。
对于定期使用的机械设备，具有价格合理、易于更换的部件，具有可预测的磨损率的机械设备，预防性维护可以很好地发挥作用。在这些情况下，它是简单、可预测和有效的。预防性维护与其他维护策略(如预测或规定性维护)配合使用是有益的。
对于那些预防性维护不容易覆盖的实例，或者对于那些方法太过昂贵的实例，该怎么办呢?然后，制造商转向基于使用的维护，以考虑不同的机器使用情况，创建更合理的时间表，并从长远来看降低成本。
正如基于日历的维护使用设定的时间间隔用作替换部件，基于使用的维护利用使用间隔，例如：
在后一种情况下，无论你花一个月还是一年的时间才能跑完5000英里，只要油已经发挥了它的潜力，就需要更换，而进一步使用可能会导致汽车其他部件的退化。
继续打这个比喻，对于一个需要一年驾驶5000英里的人来说，每月换一次油是荒谬的。如果他们每月开同样的车，大约每416英里就要换一次油。这意味着他们换油的成本比实际需要的高1200%，再加上11次不必要的更换所涉及的时间和风险。在基于使用的维护系统中，即使停机的风险没有降低，它们也具有相同的风险，并在12个月的时间内节省了大量资金。这同样适用于制造机械。对于不经常使用的机器，基于使用的维护可以防止设备过度维护，节省大量的时间和金钱。
基于用法的维护是朝着正确方向的步骤，因为它会在某些情况下占据时间间隔的实际使用情况。它降低了过度维护和减少浪费的可能性。然而，可以进一步提高预测和规范性维护的影响。
条件的维护采用了使用先前提到的基于日历和条件的维护方法预测维护计划的一些猜测。
这种形式的维护类似于基于使用的维护，但是监视更频繁，数据量和深度也更大。这工具有磨损的迹象吗?是性能下降还是显示出其他即将失败的迹象?只有当项目的质量下降到某个预定阈值以下时，才会进行维护。测量可以通过连接到工具或机器的传感器连续进行，也可以通过不太频繁的模拟数据收集方法，如目视检查。
在零部件成本方面，基于条件的维护是基于使用、基于日历和被动维护的升级。因为基于条件的维护只会在预计即将发生故障的部件出现故障时进行替换，制造商们的资金得到了更多的使用，而不会像被动维护策略那样，将部件推到故障点而造成损坏和停机。
无论是通过传感器还是人类检查员都完成了与频繁的监控相关的额外费用。但是，这些成本通常偏移，节省了减少的停机时间以及部分和机器寿命。
如果使用传感器，则与安装相关的成本可以加起来，尤其是在敌对的操作环境中，传感器可能会定期销毁。有些传感器可能要求制造商修改其机器以实现它们，以便在空止其保修期内。此外，培训员工检查，安装和校准传感器可能成本高昂。
使用这种方法，维修行动之间的时间是不可预测的，因为零件只在需要时更换。这使得提前计划计划的停机时间变得更加困难。
基于条件的维护改善了零部件的使用，同时在很大程度上保护了机器不受关键故障和计划外停机的影响，但培训工人和使用售后传感器可能会变得昂贵和耗时，尤其是在传感器必须频繁更换的情况下。计划的不可预测性也会导致机会成本的增加。这个系统在需要频繁更换零件的机器上是最好的，这些机器易于监控和维修。为了给制造商带来更广泛的好处，预测性和规定性维护通常更有效。
预见性维护通过混合每个类别的许多优点而优于我们前面讨论的选项。这个系统帮助制造商预测什么时候最有可能需要维护，并且越来越精确。
预见性维护利用人工智能、机器学习和物联网设备等技术来预测何时会发生故障，以便制造商能够提前进行计划，在出现故障之前更换部件。预测性维护的目标是达到维护频率的适居范围——既不太频繁，也不太罕见。这避免了过度维护的陷阱，如过多的部件和人工成本、浪费和增加的人为错误风险。它还可以防止与维护不足相关的问题，如关键故障、计划外停机以及对机器或员工的损坏。
为此，从配备IOT传感器的工厂机器收集数据，然后根据当前和历史数据进行分析，通常利用机器学习，找到趋势和预测失败。
制造商需要在为特定设备上了解最可能的故障时，手头保持较少的备件。预测维护技术的用户通过在优化资源使用情况时减少停机时间来获得两全其美的最佳。
与基于条件的维护类似，用于这些目的的一些物联网传感器无法承受恶劣的制造环境，如带有金属碎片、润滑剂、腐蚀性材料等。更换和重新校准传感器可能会变得昂贵，特别是如果这些传感器使工厂机器的保修无效。此外，雇佣数据专业人士来监控和分析传感器数据，以创建可操作的见解，可能需要高昂的成本。
machinemetrics解决了这些问题的所有问题。我们的数据监控设备保持机器保修完整，因为它们不需要敏感的校准，即使是最强烈的制造环境需求也能承受。我们的设备从机械计算机中拉动数据并将其发送，当然加密到云端。没有内部数据科学家？没问题，我们可以为你处理这个问题。我们的工业物联网平台灵活直观，因此您可以看到您的数字转型努力的结果几乎立即 - 仅限ROI。
规范性维护（RXM）采取预测性维护一步，进一步为即将到来的维护问题提供最有价值的解决方案。规范维护授权制造商解决自己的维护需求，而无需大量专家。
说明性维护使用了与预测性维护相同的技术——工业物联网和机器学习——但也提供了场景模拟来指导操作。如果预见性维护告诉你你的工具在30分钟内将会失败,因为当前的振动模式和过去的数据说,这些模式失败,之前规定的维护就会告诉你,如果你现在减少30%的负载工具,您可以扩展工具的生活由三个小时。说明性维护告诉您下一步做什么才能从您拥有的资源中获得最大的价值——时间和工具。
成熟的维护策略使用多变量方法，并可能结合预测性和说明性维护功能。这使得制造商能够预测，以绝对最准确的今天可行的，何时预期零件故障在短期，中期和长期规模。它还有助于优化流程，以最大限度地利用工具和部件的寿命，同时避免计划外的停机时间，具有很高的精度。规范性维护解决方案能够通过使用人工智能增强技术人员的情景智能和知识库，帮助指导技术人员进行临时维修。
虽然规定和预测性维护的一些实现可以是脆弱的，但是，MachineMetrics提供了一个工业的IOT平台，可以承受广泛的制造环境，收集每秒10,000点的数据，并将这些信息发送给手头，准备好的数据专业人员等待优化你的工厂。先进的数字转换专家，我们使用我们的经验将我们的过程简化到这样的程度，您可以在您的计算机上安装我们的IoT设备 - 而无需禁止您的保修 - 没有我们在您的工厂中踏上脚，并使用我们自己计划。（但是如果你想要，我们很乐意来帮助。）
然后，你就在通往一个完全成熟、易于理解、鼓舞士气、收入飞涨的超级系统的路上，满足你所有的维护和制造需求。看看我们今天能为你做些什么。
准备授权你的车间？
了解更多.svg)
评论