闲置的机器以及昂贵的服务和技术人员电话是工业生产的噩梦。
但实际上有一些方法可以应对这种可怕的情况：预测性维护可以减少机器停机时间和相关的服务呼叫。现代机器提供各种用于状态检测的传感器，旧机器可以用改造传感器进行改造。这些传感器通过标准接口读取数据，从而使新颖的算法和人工智能 (AI) 能够检测即将发生的错误，从而提出预测性维护意义上的预测性维护。
这篇博文标志着一个简短系列的起点，我想在其中向您介绍预测性维护和改造传感器技术的主题。
什么是预测性维护？
可用性对于工业生产或客户使用的机器至关重要。尽可能减少 哥斯达黎加 whatsapp 数据 计划外停机，或者理想情况下完全避免它们，这一点非常重要。根据经验或静态模型，很早就为特别关键的部件制定了固定维护计划。然而，这些静态模型通常很难转移到实践中，因为它们对运行时间和负载做出的假设不适用于特定情况。此外，参数不断变化的动态环境对静态模型和固定维护计划提出了挑战。
维护工作和停机时间会产生成本，因此您希望尽可能精确地控制和计划它们。这会产生有趣的场景：
该组件是否已经报废并且需要维护？
还应该额外维修或更换哪些其他组件，以避免进一步昂贵的技术人员干预？这对于全方位服务维护合同尤其重要。
或者从维护管理的角度来看：
如何尽可能优化地规划技术人员的部署？
技术人员应该携带哪些备件，哪些需要订购？
哪些其他组件经常与原始组件一起或在维修原始组件后不久进行更换/维修？
借助现代网络传感器，可以实时监控重要的机器状态参数（状态监测）。在这种情况下，人们经常谈论数字孪生或数字影子。借助人工智能或机器学习等数据科学方法，可以开发出（半）自主、主动建议维护的系统。后者用技术语言称为预测性维护。通过预测性维护，可以在最佳时间维修或更换关键组件。如果技术人员被叫来，额外的组件也会得到维修或更换，以避免进一步昂贵的操作。
为了开发良好的预测模型，需要来自故障案例的足够的操作数据。然而，这些通常无法以数字化和结构化的方式提供。如果没有以数字方式收集数据或者仅被不充分地分类为错误情况，就会出现这种情况。仍然使用预测性维护的一种可能方法是所谓的异常检测。这将不当行为检测为偏离规范的行为，目的是及早识别这种不当行为并采取维护等适当措施。