预测性维护—— 一个没有意外停机的世界

没有什么比谈论利润更能吸引最高管理层的注意力了，这也就解释了当前围绕预测性维护的一些热议。

数十年来，重工业领域的极客们一直在深入探索预测性维护这一领域。其基本思想很简单：通过结合正确的数学分析和传感器数据，可以在机器故障前对其进行修理，节省宝贵的资源，并消除计划外停机时间。但是很长的一段时间内，使预测性维护成为可能的流程要么不存在，要么过于昂贵而不被认为是实用的。

今天的情况看起来就大不相同了，高级分析技术、低成本传感器和物联网 (IoT) 的结合有望将维护从成本中心提升到利润中心。真正的信徒们将预测性维护视为能够点燃经济革命的火花，从他们的角度来看，更广泛地采用预测性维护原则将使公司能够提供比以往任何时候都广泛得多的产品和服务。早期采用者可能是能源、运输、制造和信息技术领域的公司。随着越来越多的经济部门依赖于通过物联网流动的服务和收益，预测性维护的吸引力将迅速扩大。

先看看数据

权威研究表明，“功能性预测性维护计划”可以将维护成本降低 30%，将停机时间减少 45%，并将故障消除多达 75 % 。

预测性维护的优点很多。精心策划的预测性维护计划几乎可以消除灾难性的设备故障。我们将能够安排维护活动，以最大限度地减少或消除加班成本。我们将能够最大限度地减少库存并根据需要提前订购零件，以支持下游维护需求。我们可以优化设备的运行，节省能源成本并提高工厂的可靠性。

如果维护人员从车库跃升至最高管理层，它将遵循多年前单调的后台职能（例如会计）开创的道路，这些职能演变为财务并由首席财务官 (CFO) 领导；同样的，数据处理演变成 IT，并由首席信息官 (CIO) 领导。

这是预测性维护时代的曙光吗？SAS 的全球产品营销经理 Mike Hitmar，他专门从事制造，他对这个问题给出了“响亮的肯定”。“数据分析现在很酷，人们开始更好地理解数据分析可以做什么，”他说。“分析是 BI（商业智能）的另一面。与其回顾已经发生的事情，不如向前看并预测可能发生的事情。”

Hitmar 说，预测性维护的经济潜力将推动物联网的稳步增长。Hitmar表示，像GE、思科、IBM和英特尔这样的公司正在指望物联网所实现的预测性维护能力为能源和公用事业行业创造至少1000亿美元的额外价值。根据 Gartner的预测，物联网将创造近 2 万亿美元的价值，未来五年全球经济的新价值和大部分价值创造将受到预测性维护的刺激。

GE Power & Water 首席数字官兼总经理 Ganesh Bell 认为预测性维护策略可以创造三个层次的价值，如表所示。

组织层	重点	目标
最高管理层	市场业绩	优化企业盈利能力
副总裁	运营优化	提高效率; 降低总体运营成本
管理人员	资产表现	提高资产可靠性和可用性；降低维护成本

在描述第一层时，他说：

对于工厂经理和维护经理来说，主要关注点是资产性能。他们的目标是让他们拥有的每项资产的计划外停机时间为零。这是基础——提高资产的可靠性和可用性，同时降低维护成本。

Bell 补充说：“下一层是副总裁，他们考虑优化整个工厂的运营，不仅仅是有形资产，而是一切，包括供应链和人力资源。”

第三层也是最高层——最高管理层，专注于优化整个企业的盈利能力。“在能源领域，当我们谈论节省 1% 的燃料时，它会为我们的客户带来大约 650 亿美元的价值，”他说。“从我们的角度来看，我们看到预测性维护对所有三个层面都产生了重大的业务影响。”

每一层都有不同的观点和目标。在底层，经理和操作员必须了解各个零件和机器的物理特性。在下一层，资源、机器、流程和人类行为之间的相互作用至关重要。在最顶层，重点是确保在较低层实现的效率能够增加市场优势和实际利润。

显然，预测性维护不仅仅是一种工具或解决方案；它是一个集成的业务战略，具有多个层次、相互关联的流程以及跨企业和超越传统边界的各种利益相关者之间的复杂关系。

Bell 表示，他看到了预测性维护的发展与 ERP（企业资源规划）、CRM（客户关系管理）、供应链管理和其他已成为企业 IT 组合不可或缺的重要组成部分的系统的发展之间的相似之处。“我们已经看到 CIO 参与其中，并与他们公司的资产负责人或运营负责人合作，建立支持预测性维护所必需的 IT 基础设施，”他说。

他补充说，当 CIO 让 IT 部门为转向预测性维护做好准备时，重要的是要超越他们作为“数字化人员”的传统角色。“预测性维护与用电子替换原子或使用软件执行业务流程不同。这是根本不同的东西；这是为公司创造新价值和新收入。”

预防与预测

预防性维护和预测性维护之间的区别不仅仅是语义上的。想象一个三层金字塔。底部是反应性维护，其操作理念是“等到它坏了，然后修复它”。下一个级别是预防性维护，即按预定的时间间隔进行维修或改造。预防性维护的目标是延长机器及其零件的使用寿命。

在我们想象的金字塔的顶端是预测性维护，它试图在问题实际发生之前避免它们。在预测性维护场景中，目标是完全消除计划外停机或故障。不难看出为什么公用事业公司在预测性维护方面处于领先地位：停电的补救成本很高，会造成各种真正的危险，而且肯定会激怒客户。出于类似的原因，医疗设备制造商也是预测性维护的先锋。

根据 DOE 提供的信息，表2和表 3显示了预防性和预测性维护之间的主要区别。

预防性的维护	预测性维护
在许多资本密集型流程中具有成本效益	增加组件的使用寿命/可用性
灵活性允许调整维护周期	允许先发制人的纠正措施
增加组件生命周期	减少设备或过程停机时间
节能	零件和人工成本降低
减少设备或过程故障	更好的产品质量
估计比反应性维护计划节省 12% 到 18% 的成本	改善工人和环境安全
	提高工人士气
	节能
	预计比预防性维护计划节省 8% 到 12% 的成本

预防性的维护	预测性维护
灾难性故障仍有可能发生	加大对诊断设备的投入
劳动密集型	加大员工培训投入
包括不必要维护的性能	管理层不容易看到的节约潜力
在进行不必要的维护时可能对组件造成意外损坏

追随金钱

Greg Fell 是重型设备制造商 Terex 的前 CIO。此前，他在福特汽车公司担任技术管理职务。Fell 认为支持预测性维护的实际和经济论据已经变得强大到不容忽视。

“考虑预测性维护的最佳方式是将其与收入流联系起来，”他说：

当您的机器启动并运行时，您就在赚钱。当您的机器出现故障时，您就是在赔钱。典型的汽车制造商每 60 秒可以生产一辆汽车。如果每辆车的零售价为 40,000 美元，那么您的收益或损失加起来会非常快。

预防性维护依赖于“平均故障间隔时间”这个简单的概念来创建实用的维护计划，而预测性维护则基于对机器及其各个部件运行背后的物理学的更深入和更基本的理解。

“不是仅仅查看平均故障间隔时间，而是在机器本身内部寻找微妙的线索，”Fell 说。“你要测量声音、热量、振动、倾斜、加速度、压缩、湿度，并检查是否有任何一项超出规格。” Fell 补充道：

预测性维护的基本理念并不新鲜。发生变化的是，与过去相比，今天从机器上获取数据的成本要低得多。二十年前，一个加速度计要花费数千美元。今天，每部智能手机都内置了一个。预测性维护所需的技术已经小型化，成本也大幅下降。

将数据从机器传输到数据存储库的成本也有所下降。过去，机器生成的操作数据由车间的技术人员手动收集。如今，这些数据可以通过蓝牙或 Wi-Fi 无线发送到互联网。

并非所有的工作都是平等的

传统预防性维护方案面临的另一个问题是假设每台特定类型的机器都将在相似的条件或相似的参数下运行。Clifton Triplett 是管理咨询公司 SteelePointe Partners 的管理合伙人。他还是价值 200 亿美元的全球油田服务企业 Baker Hughes 的前首席信息官，以及通用汽车公司的制造流程主管。作为西点军校毕业生，Triplett 深知设备通常在设计工程师或制造商无法预料的情况和环境下运行。

“重要的是要记住，并非所有的工作都是平等的，”特里普莱特说。“如果您在设计的操作限制范围内运行工具，它将需要一定程度的维护。但如果你在室外运行，远低于或高于正常运行规范，这个时候，不同级别的服务通常会是最佳的。”

例如，如果一辆主要用于在加拿大运送矿石的卡车被用于在山上来回拉运矿石、在平坦的柏油路上行驶或在炎热尘土飞扬的沙漠地区行驶，那么它将需要不同的服务水平。在石油和天然气行业，与用于更具挑战性的非常规水平钻井的钻头相比，主要用于传统“直下”钻井作业的钻头需要不同的可靠性参数和服务要求。可靠性部分由设计定义，但可重复使用的设备在很大程度上取决于对其执行的维护服务。

“在军队中，我们会在尽可能多的不同场景中运行工具和设备，以了解它们在不同环境下的表现和反应，”Triplett 说：

我们将在不同高度、温度和湿度下测试设备。我们将测试设备以查看淡水或咸水是否会影响其性能。无论你想到什么，我们都试过并评估了如何适应我们设备所处的条件来调整我们的维护计划。

仿效军方关注维护问题的公司可以为其服务收取额外费用。例如，随着钻井条件变得更加极端，可靠性的价值就会相应增加。如果您是一名独立的石油钻井工人，并且您有一个很好的预测性维护计划（假设它已通过可靠性指标和性能证明），则可能会要求更高的服务费用或接受更具挑战性的机会。Triplett 说，非生产时间 (NPT) 是“所有钻井公司都力图消除的罪恶”。服务或操作故障是 NPT 的头号贡献者，对服务公司维护计划的信任，也使得客户在授予工作时建立起了信心。

“如果油田运营商信任您的维护计划，他们也更有可能让您使用现有设备更长时间，因为他们不会那么担心设备出现故障，”Triplett 说。“如果您的维护策略或记录不佳，他们更有可能要求您在每次开始钻探时都使用新设备。被迫始终使用新工具的成本非常高，而且很可能没有竞争力。”

聪明的运营商明白，预测性维护会转化为定价权，而现在，随着钻井技术越来越复杂，市场份额的机会越来越大。例如，哈里伯顿 (Halliburton) 因能够在高温环境中比其竞争对手更长时间地可靠运行而享有盛誉。这种声誉创造了定价权并产生了更高的利润。

建立基础

Daniel Koffler 是 Rio Tinto Alcan (RTA) 的首席技术官，该公司是铝业务的全球领导者，也是跨国金属和矿业公司 Rio Tinto Group 运营的五个产品集团之一。RTA 每年生产 3140 万吨铝土矿、700 万吨氧化铝（氧化铝）和 220 万吨原铝。Koffler 负责确保 RTA 的机器保持运转。

“在任何一种失效运行场景中都存在固有的停机时间。当你的主要资产失效时，你被迫保留额外的资产来弥补损失，”Koffler说。“无论哪种方式，你在修理期间都会失去生产能力，并花费资金购买闲置的额外资产。”

尽管定期维护模式可以避免计划外停机，但您也很有可能最终会不必要地修理设备或更换零件。“通过预测性维护模型，我们可以让资产运行更长时间，并避免计划外停机，”Koffler 说。

根据 Koffler 的说法，可靠的数据和可靠的计算模型是预测性维护的基础。此外，企业文化必须适应并不总能产生完美结果的过程。

“在管理层，人们需要接受数据模型并不是从 100% 成熟度开始的。这是一个需要时间的过程。你不会从高峰开始，”Koffler 说。“这意味着你必须接受额外的风险。可能会出现意想不到的故障，这些故障是这个过程的一部分。”

Koffler 强调预测性维护并不是一个神奇的公式；这是一个迭代的、科学的过程，需要逐渐成熟：

您需要主题专家（如机械师和数据科学家）之间的协作。机械师了解机器的工作原理，数据科学家知道如何构建数据模型。机械师的知识应该被编码到数据模型中。机械师和数据科学家需要在一段时间内进行沟通以完善模型。如果没有跨职能协作，就无法做到这一点。

与任何基于统计分析的过程一样，预测性维护本质上是不精确的。他说，预测策略带来的风险必须由相关利益相关者“协商”和理解：

你可能希望采取极度保守的方法，在更早时更换零件，但仍通过将零件推向其预测的故障点来最大化价值。然后它将成为一场关于风险而非分析的讨论。这些关于成本、生产力和风险的讨论每天在业务中发生。这是现实生活的本质。

Koffler 不相信预测分析会在不久的将来成为主流消费产品。“你必须进行成本效益分析。放置传感器、收集数据、分析数据——这一切都要花钱，”他说。“仅仅因为你可以做某事并不意味着你必须这样做。以汽车发动机中的皮带为例。你可以把传感器放在皮带上，但运行它们直到它们断裂，然后更换它们更经济。”

不仅仅是重型机械

并非预测性维护的每个方面都围绕重型机械和工业过程。Doug Sauder 领导 Precision Planting 的研发团队，该公司开发的技术可以帮助农民改善田间的种子间距、深度和根系。

“未来的农业挑战都是关于以可持续的方式少花钱多办事，”Sauder 说。“这是关于满足不断增长的人口的需求和对环境负责。” 在他看来，预测分析在任何合理的解决方案中都发挥着绝对关键的作用。

“我们可以更聪明地最大化每一平方英寸的土地，从种植什么种子、多少种子、正确播种、浇水和施用适量的肥料，”Sauder 说：

例如，对田地中的氮进行建模很重要。您需要对降雨进行建模并了解它是如何分散到地下的。您需要具备预测氮气移动位置的能力，这样您才能知道何时该向农田施用更多氮气。

Sauder 和他的团队不仅帮助农民更多地了解他们的田地；他们还“训练”农场设备以使其性能更好。“我们称之为’智能熨斗’，它本质上是一种技术，可以让农民的设备在穿过田地时独立思考，”他说。

从空中看，所有的玉米田看起来都非常相似。但在地面上，每个领域都是独一无二的。当玉米播种机穿过田地时，它会不断遇到各种土壤条件。有些土壤很硬；有些土壤很软。如果设备上的播种压力是静态的，一些种子会比其他种子沉积得更深，导致生长不均匀。但是农民要到几个月后才会发现问题，到那时再去解决就太晚了。

Sauder 说：

我们将传感器放在花盆上，每秒进行数百次测量。我们可以在播种机穿过田地时实时改变压力，以确保每颗种子都进入最佳位置。有了“智能熨斗”，我们可以真正地对田地的每一点进行微观管理，并确保每颗种子都被投放到正确的环境中。

对玉米田进行“微观管理”的能力需要与管理燃气轮机、喷气发动机、核发电机、内燃机车、矿石运输车和磁共振成像设备的性能所需的预测能力相同的组合。正如 Koffler 在本报告前面提到的那样，预测性维护是一门多学科科学，其根源和分支远远超出了重工业。

维护的未来

预测性维护发展的下一步可能涉及更大量的机器学习和闭环自动化技术。目前，预测性维护系统仅限于发出危险信号和发出阻碍故障的警报。未来的版本无疑将包括高级决策工具和推荐引擎。

Mu Sigma 是世界上最大的决策科学和分析公司之一，其产品开发主管 Prakash Seshadri 认为预测性维护不可避免地会演变为规范性维护。在规范性维护场景中，系统不仅会告诉您坏事即将发生；它将提供有用的建议。

Seshadri 说：“这不仅仅是说，‘这有可能会破裂，’”

预测性维护系统会说，“根据当前和预期的条件，这是你应该做的”并提供一系列选择，从而指导人们做出更好的决策。但与此同时，如果人类决定推翻建议，系统将捕捉该行为并通过学习进化。

今天，预测性维护在信息技术、制造业、医疗保健和能源领域得到广泛应用。在不久的将来，预测性维护将在零售、电信、媒体和金融行业得到更广泛的应用。”交叉感染”的潜力似乎是无限的。