预防性维护与预测性维护

在考虑底线时，您首先想到的可能不是维护战略。然而，鉴于机器、设备和系统维持企业运转，维护战略可以发挥重要作用。不管是电网中的变压器、火车上的轮轴轴承还是餐厅里的冰箱，如果不加以适当的注意和维护，就会损坏。

当资产出现故障或无法发挥最佳性能时，就可能会出现安全问题和财务影响。据报道，制造商平均每年会损失约 800 小时的停机时间。再加上基础设施老化、员工队伍留存、预算限制和可持续发展的压力，这就不难理解为什么企业需要找到更好的方法来保持资产处于良好的运营状态。

了解并规划设备可能发生故障的时间可以提高运营效率，但如何确定哪种战略对您来说最具成本效益呢？这个决定并不简单。必须考虑多种因素，例如您所在行业、资产的类型和用途、更换成本、您拥有多少正确类型的数据，以及故障对您的业务和客户的影响多大。没有一刀切的解决方案，大多数公司都会选择在其资产组合中采用不同的维护战略组合。

反应性、预防性和预测性维护战略是最常用的维护方法。反应性维护（也称为纠正性维护）顾名思义，就是在故障发生时做出反应。它适用于低成本的非关键资产，如果采用运行至故障的资产部署战略，不会造成安全或运行风险。

预防性和预测性维护是主动式维护战略，它使用连接和数据来帮助工程师和规划人员在发生破坏之前进行修复。预测性战略更进一步，使用先进的数据技术来预测未来何时可能出现问题。这两种战略都旨在降低灾难性或代价高昂的问题的风险。

让我们仔细分析一下这些主动的方法。

预防性维护采用定期维护计划，通过定期执行例行维护任务来降低资产发生故障的可能性。使用最佳实践和历史平均值，例如平均故障间隔时间 (MTBF) 来规划停机时间。预防性维护战略自 1900 年左右开始出现，自 20 世纪 60 年代末以来才被广泛使用。

目前已发展出三种主要的预防性维护类型，它们都涉及定期维护，但维护计划各不相同，并且针对不同的业务运营目的而量身定制。

• 基于使用情况的预防性维护计划根据资产使用情况来制定未来的维护和检查计划，就像汽车行驶 50,000 英里后更换轮胎一样。
• 基于日历或时间的预防性维护设定了具体的维护时间间隔，例如每年对家用火炉进行一次维护。
• 基于状态的维护根据资产磨损和劣化等因素制定维护计划。

在所有类型的预防性维护中，机器停机时间都是提前计划好的，技术人员使用清单进行检查、修理、清洁、调整、更换和其他维护活动。

预测性维护以基于状态的监测为基础，对资产状态进行持续评估。传感器实时收集数据，并将其输入到 AI 启用的资产管理 (EAM)、维护管理系统 (CMMS) 和其他维护软件中。通过这类软件，先进的数据分析工具和机器学习 (ML) 等流程可以识别、检测和解决问题。算法还用于构建模型，预测未来潜在问题何时可能出现，从而降低资产在未来发生故障的风险。这可以降低维护成本，停机时间减少约 35-50%，使用寿命延长 20-40%。

各种状态监控技术被用于识别资产异常并提供潜在问题的预警，包括声音（超声波）、温度（热）、润滑（油、液体）、振动分析和电机电路分析。例如，组件温度升高可能表明气流或冷却剂发生堵塞；异常振动可能表明活动部件未对准或磨损；声音的变化可提供人耳无法察觉的缺陷的早期预警。

石油和天然气行业率先采用预测性维护来降低环境灾害的风险，其他行业也越来越意识到预测性维护的好处。例如，在食品饮料行业，未被发现的食品存储问题可能会造成严重的运行状况后果；而在航运行业，预测和预防设备故障可以减少海上维修的数量，因为海上维修比港口维修更困难、更昂贵。

这两种类型的维护战略都能延长运行时间并减少计划外停机时间，从而提高资产的可靠性和生命周期。主要区别在于时机和预测资产未来可能状况的能力。

预防性维护计划利用历史数据来预测资产的预期状况，并提前安排定期的例行维护任务。虽然这有利于规划，但由于绝大多数资产故障都是意料之外的，因此资产可能维护不足或维护过度。例如，问题可能诊断得太晚，无法防止资产受损，这很可能意味着在修复期间停机时间会更长，或者可能会在没有必要的情况下浪费时间和金钱。

预测性维护可以通过了解设备的实际状况来避免不必要的维护。这意味着它可以比预防性维护更早地发现并修复问题，防止更严重的问题发生。

预测性维护利用人工智能、机器学习和物联网 (IoT) 等新技术来产生洞察分析。维护管理系统和软件会自动创建纠正性维护工单，使维护团队、数据科学家和其他员工能够做出更明智、更快速、更经济合理的决策。

通过最大限度地减少能源使用和浪费，库存管理工作流（如劳动力和备件供应链）变得更加高效和可持续。预测性维护可以根据实时分析（如数字孪生体）将数据输入到其他维护实践中，从而对场景和其他维护选项进行建模，而不会对生产造成风险。

要使预测性维护有效甚至可行，需要克服一些障碍，如复杂性、培训和数据。预测性维护需要现代化的数据和系统基础设施，与预防性维护相比，其建设成本可能较高。培训员工队伍使用新工具和流程并正确解读数据，可能既昂贵又耗时。预测性维护也依赖于大量特定数据的收集。最后，实施预测性维护战略需要进行文化变革，以适应从预定的运营向更灵活的运营的转变，这可能会带来挑战。

总而言之，虽然预防性维护和预测性维护战略都侧重于提高资产可靠性和降低故障风险，但它们却截然不同。预防性维护是定期的例行维护，而预测性维护则侧重于在正确的时间提供有关特定资产的正确信息。预防性维护适用于故障模式可以预测的资产（例如，反复或频繁出现的问题），且故障的影响相对较小，而预测性维护可能更适合战略性资产，因为战略性资产的故障不太可预测，故障对业务的影响较小高。最终，如果预测性维护战略成功部署并运行，它们将通过优化维护和资产性能来提高客户满意度，并节省大量成本。

好消息是，IBM 可以提供帮助。IBM Maximo Application Suite 是一组应用程序，使您能够根据资产健康状况洞察分析将维护计划从时间表转变为基于状态的预测性维护。

Maximo 将运营数据、IoT、AI 和分析整合到一个基于云的集成平台中，助力推动数据驱动的更智能决策，提高资产可靠性、延长资产生命周期、优化性能并减少运营停机时间和成本。