什么是规范性维护？

它广泛应用于各种行业，只要重型、互联的工业资产是业务流程的核心。

随着越来越多的企业从过时的被动维护策略转向更现代的主动维护策略，规范性分析正成为市场上最先进的解决方案之一。许多先进的企业将规范性策略与预测性策略结合部署，用后者来识别问题，用前者来推荐解决方案。

借助智能传感器和企业资产管理 (EAM) 平台，现代企业能够收集到比以往任何时候都多的资产信息。规范性维护有助于将这些数据投入使用，推荐维护任务以解决问题，避免其导致设备故障或计划外停机。

预测性维护 (PdM)  是一种利用运行数据和实时状态监测 (CM) 来预测资产何时可能发生故障的维护计划。规范性维护则更进一步，它会推荐技术人员可以采取的具体维护任务来解决问题，甚至评估其建议的财务和运营应急措施。

规范性维护的核心功能依赖于预测性维护——提供数据驱动的建议，在问题导致资产退化或故障之前加以解决。

随着组织日益将 IoT 技术和高级分析作为其资产管理策略的一部分，对规范性和预测性解决方案的需求正在增长。根据最近的一份报告，规范性和预测性分析解决方案的全球市场在 2024 年价值 254 亿美元，预计到 2032 年将增长至 1561.4 亿美元。

所有规范性维护 (RxM) 策略都遵循一个五阶段流程，包括通过物联网传感器收集数据、使用规范性和预测性技术进行数据分析，以及任务自动化。

以下是对每个阶段的详细介绍。

现代工业资产，如石油和天然气泵、涡轮机和变压器，配备了数千个 IoT 传感器，实时收集与资产性能相关的数据。这些传感器收集的数据通常包括温度、振动、能耗和流量等关键变量。

然后，这些数据传输到状态监测 (CM) 平台、云环境或边缘计算系统进行进一步分析。在此阶段，规范性平台还会导入有关资产性能的历史数据，以与当前状况进行比较。

组织必须为其打算监测的每项资产设定基线性能预期，建立在理想条件下的正常运行曲线。没有基线，规范性维护系统就无法检测异常或识别可能表明正在发展的故障模式的模式。

规范性分析工作流程的第二阶段是应用预测性分析和统计算法，在故障发生前进行预测。依靠第一阶段收集的性能基线和数据，系统此时能够预测某些资产何时可能发生故障。

例如，一直在收集和分析车辆发动机数据的预测模型，可能确定该发动机在六周内有 99% 的故障概率。该信息是基于检测到的振动相比历史运行数据有所增加。

第二阶段是传统预测性维护策略和系统的终点，允许技术人员根据所生成的信息采取行动。

规范性维护在前两个阶段预测方法收集到的洞察基础上，增加了一层额外的智能。在第三阶段，规范性系统可以评估可能的应对措施，并根据其被编程要考虑的变量来推荐行动。

例如，如果规范性系统在第二阶段判断出某个轴承即将发生故障，可能会给出下列建议之一：

• 在特定时间范围内更换轴承。
• 调整运行参数以适应有故障的轴承。
• 降低运行速度以配合维护任务。
• 将维护安排在即将到来的停车期间，以避免计划外停机。
• 增加润滑。

除了维护和性能数据，一些企业还会纳入来自企业其他部门的数据，如资本规划、零件库存和工单排程，供规范性系统考虑。

大多数现代规范性维护策略利用计算机化维护管理系统 (CMMS) 来实现工作流程的自动化与增强。在正确集成的情况下，现代 CMMS 在规范性维护中扮演着关键角色，既是记录系统，也是规范性维护活动的执行层。

作为记录系统，CMMS 是所有维护活动的权威业务信息来源。作为规范性维护任务的执行者，CMMS 可设置为自动执行手动任务，如生成工单、订购更换零件和保持维护计划及时更新。

将 CMMS 集成到规范性维护策略中，有助于简化维护活动、减少对手动工作的依赖并提升执行力。

规范性维护工作流程的最后阶段是持续进行的。持续学习是一种 AI 训练技术，它按顺序为模型训练新任务，同时保留其已学到的知识。随着 CMMS 生成工单并由维护团队完成，机器学习算法不断从每个已完成的维护任务的结果中学习。

最终，当规范性学习系统收集到足够的信息时，它就能洞察出哪些干预建议防止了资产故障，哪些没有。这些洞察在运营层面极具价值，既能为系统未来的推荐提供依据，也能指导技术人员设定和管理基线。  

企业之所以采用规范性维护策略，是因为它们带来的好处超越了资产维护的运营和执行阶段。如果有效实施，规范性维护可以影响整个组织，改善工人安全，提高资本规划效率，并提升整体生产力：

• 减少计划外停机：在工业领域，计划外停机是造成运营中断最昂贵的源头之一。根据最近的一份报告，计划外停机每年给制造商造成的损失估计达 500 亿美元，平均每小时成本约为 26 万美元。规范性维护有助于预测故障并推荐纠正措施加以预防，从而显著减少机械和设备的停机时间。

• 提高运营效率：规范性维护帮助企业根据风险和业务影响——而不仅仅是资产健康和性能——来确定维护活动的优先级。通过从资本规划的视角来看待维护工作，规范性策略有助于阐明哪些维护任务会对业务运营产生影响，而不仅仅是对特定资产的健康产生影响。

• 减少紧急维修：紧急维修是一种被动维护 ，在重要设备发生故障时执行。即使不造成计划外停机，它也是个棘手问题。紧急维修往往因加班人工和零件加急运输而导致成本增加，并可能给工人带来危险状况。规范性维护通过在问题升级前进行有计划地干预，降低了紧急维修的可能性。

• 加强资产生命周期管理：资产生命周期管理 (ALM) 是企业为确保资产在整个生命周期内平稳运行所依赖的流程。规范性维护通过提供对资产健康度和未来性能的实时可见性来改善 ALM。当与 CMMS 集成时，规范性维护策略可帮助企业在资产的每个阶段（包括规划、安装、运营和报废）做出更明智的决策。

• 提高可靠性：规范性维护策略帮助企业及早识别故障模式，并在其导致设备故障前加以解决。这种方法短期内有助于降低灾难性故障的可能性，并随着时间推移使设备和流程更加可靠。

• 增强工人安全：设备故障会带来重大安全风险，尤其是在运行重型资产的工业环境中。规范性维护帮助企业在问题发展为危险事件之前识别出潜在问题，从而降低工作场所安全事故的可能性。

• 改善可持续性：随着可持续发展举措在企业层面日益普遍，规范性维护正成为帮助企业实现其目标的有效工具。维护得当的资产消耗更少的能源，产生更少的排放和废物，并需要更少的替换零件。此外，通过不断从成千上万个 IoT 传感器收集和分析数据，企业可以深入了解其资产的运行情况，以及哪些维护行动有助于使其更具可持续性。  

规范性维护被用于所有资产密集型行业，包括制造业、石油和天然气以及采矿业。以下是这些行业及其他行业如何利用规范性维护来提高资产可靠性、降低成本并改善工人安全的情况：

制造业企业主要利用规范性维护来监控生产设备、机器人和大型装配系统。

现代人工智能驱动的平台可以分析振动、温度、液位和其他关键绩效指标 (KPI)，并帮助在设备问题导致故障之前识别它们。

规范性维护在制造业中的常见应用包括：

• 计算机数控 (CNC) 机床
• 工业机器人
• 传送带系统
• 包装设备
• 压缩机

石油和天然气设施依赖大型、复杂的资产在严苛环境中不间断运行，以支撑其核心业务流程。

规范性维护有助于监测和维护各种关键部件，包括泵、压缩机、管道和涡轮机，确保停机时间保持在最低水平。 

规范性维护也有助于改善石油和天然气行业的工人安全。重型机械故障可能导致伤害甚至死亡。先进的分析技术有助于在起重机、泵和石油钻井平台上的问题导致危险状况之前，识别并解决它们。

采矿设备通常在极端条件下运行，这会加速磨损并导致性能退化。

与 CMMS 完全集成的规范性维护，可帮助维护技术人员监测对核心运营至关重要的各种重型资产的运行状况和资产性能，包括：

• 运输卡车
• 破碎机
• 传送带
• 挖掘机
• 加工设备

实时分析工具让维护团队准确了解环境和条件如何影响其设备，并帮助他们在问题中断生产之前加以解决。  

运输与物流行业主要依赖规范性维护来保养长途运输人员和货物的大型车队。

配备 IoT 传感器的车辆在源头收集数据，以便在 CMMS 或云端进行进一步分析。运输与物流行业的规范性维护应用包括：

• 商用卡车车队
• 铁路网络
• 飞机
• 船舶

现代医院依赖大型、复杂的资产来支持患者护理并优化流程。 鉴于环境的关键性和系统的互联性，这些资产必须具有高度可靠性。

在医院环境中，规范性维护有助于支持各种系统：

• 核磁共振成像 (MRI) 机器
• CT 扫描仪
• 呼吸机
• 实验室设备
• 建筑基础设施系统

医疗保健领域的规范性维护系统可提高设备正常运行时间、患者安全和合规性。

随着 AI、IoT 技术和 ML 应用的不断进步，规范性维护有望成为现代维护计划的基础组成部分。未来的系统可能会整合日益复杂的算法、更大的数据集，甚至更强大的预测模型，以提供准确的建议。

能够将规范性维护与预测性维护、CMMS 平台和先进的 EAM 系统相结合的组织，将在这些技术成熟时处于实现其价值的最佳位置。从某些方面来说，规范性维护代表着维护管理的新时代，能够善加利用的组织能够用更高效、自动化、主动的做法取代过时、被动的做法。

但规范性维护的未来也面临挑战。规范性和预测性分析系统的优劣取决于其所接收的数据，而许多组织仍在围绕数据的一系列广泛问题上挣扎，包括以下示例：

• 不完整或缺失的维护历史和故障记录
• 记录不完善的工单
• 不一致的资产命名规范
• 孤立的运营数据

当建立在良好的数据基础之上时，规范性维护可以帮助组织在所有维护流程中运用数据驱动的智能，延长资产生命周期并提高生产力。但如果底层数据不佳，即使最先进的预测性和规范性平台也无法顺利启动。