设备制造商通常面临的挑战是保持机器和其他资产处于有效的工作状态，同时降低维护成本和基于时间的维修。
考虑到产品和服务的积极上市时间，在可能的故障或失败发生之前识别其原因变得越来越重要。物联网、大数据分析和云计算等新兴技术使工业设备和组装机器人能够将它们的当前状态传递给一个集中的服务器，从而更容易、更实际、更直接地检测故障。
通过主动识别潜在的问题，公司可以更有效地部署其维护服务，并提高设备上涨。有助于预测故障或故障的关键功能通常埋在结构化数据中，例如生产年份，制作，模型，保修细节以及其他非结构化数据。后者包括但不限于来自数百万日志条目，传感器，错误通知，压力，电流，电压，径流器读数和发动机电源扭矩规格的信息。
通过使用高级数据分析，可以转换从这些来源的信息，可以转变有意义和可操作的洞察力，以防止导致资产停机或事故，监控资产行为和调整资产的峰值性能水平的事件的有意义和可操作的见解。预测性维护是在功能设备失败时预测的科学程序，甚至偏离其正常行为，以便在发生故障之前可以安排其维护和修复。
无论其最终应用如何，预防性维护模型的底层架构都是相当均匀的。分析通常驻留在一系列IT平台上，但系统地可以描述为：
- 数据采集-通过嵌入合适的传感器和操作日志文件。
- 数据转换 - 机器学习模型原始数据转换
- 根据资产的运营限制，条件监控 - 提供警报
- 资产运行状况评估——如果资产的运行状况已开始下降，则根据趋势分析生成诊断记录
- 预测——通过机器学习模型生成故障预测并估计剩余寿命
- 决策支持系统建议最佳行动
- 人机界面层，使所有信息都可以以易于理解的形式访问
失败类型分类，故障诊断，故障预测和相关维护行动的推荐是预测性维护方法的所有部分。
随着工业客户越来越多地意识到机械意外故障导致的维护成本和停机时间的增加，预测性维护解决方案正在获得关注。大公司已经使用这种方法超过十年了。如今，该技术已经成熟且模块化，因此制造业中的中小型企业也可以通过保持低维修成本和满足新业务的初始运营成本来获得优势。
虽然与纠正性维护相比，预测性维护显然提供了更多的业务效益，但它也比预防性维护领先一步——维护工作按预先设定的时间间隔安排，旨在降低故障或资产功能退化的可能性。
除了控制维修成本的优点外，避免对故障恢复的保修费用，减少计划计划的停机时间，消除失败的原因，预测性维护采用非侵入式测试技术来评估和计算资产性能趋势。所用方法可以是热力学，声学，振动分析和其他方式之间的红外分析。
大数据，机器到机器通信和云技术的持续发展创造了研究工业资产发出的信息的新可能性。由于传感器，执行器和其他控制参数的输入，状态监测实时监测是可行的。利益相关者需要的是一个可存放的分析和工程服务合作伙伴，他们可以帮助他们利用数据科学，而不仅仅是预测胚胎资产失败，还可以及时消除他们并及时采取行动。
让我们知道你对这篇文章的看法。
把你的评论放在下面。