随着物联网技术的快速发展，在各个行业中产生了不同的结果。物联网进入了工业领域，被叫作工业物联网(IIoT)，它正在给传统自动化设备带来全新的变革，同时也为设备厂商创造更多的增值机会。

　　作为物联网的一个子集，工业物联网为运营技术(包括远程管理和运营分析)增加了新的功能。到目前为止，工业物联网最大的价值在于预测性维护，新型物联网设备收集了大量的生产数据，再通过机器学习和人工智能分析，从而让管理者更好地理解生产系统是如何工作和维护的。


　　预测性维护是提前维护的最佳办法，当分析到工业设备的组件可能出现故障时，设备管理者就可以预先维护，以便在进行维修之前可以对其进行更换或修理，从而避免更高成本的损坏和停机时间。预测性维护融合大数据、机器学习等多项技术，为人与机器互动交流提供了机会。

　　预测性维护的关键是什么?

　　要预测出一套设备的可能性故障，除了从设备数据中整理出关键的指标，还要结合更多的历史事件进行分析，最终形成一个与设备对应预测性维护模型。预测性维护的复杂性在于这套基于机器学习的生产系统模型必需随着时间而改变。

　　以火车的维护为例，随着火车零件的老化，它们对压力的反应与新的时候不同。因此，维护计划应该随着时间的推移进行调整，以考虑不断变化的故障率，这些时间表可以使用机器学习输出新的模型。

　　设备在全生命周期的不同阶段有着不同的表现，设备故障有一个“浴缸曲线”的说法，把设备寿命划分为三个主要阶段：早期故障率阶段、稳定状态阶段和损耗阶段。通常机器在使用寿命开始时，会经常出现故障。但随着时间的推移会进入稳定期，维护过程会逐渐消失，故障更为罕见。而到了后期机器故障会率会飙升，最终报废。


　　因此，机器学习需识别出设备处于哪个生命阶段，并不断调整预测模型，如日立开发的Lumeda的平台，引入了数据科学家，可以用来更精确地调整机器学习模型，在模型投入生产后能够监控机器学习模型的准确性。该平台会创建集中的数据库供数据科学家进行实验，测试不同模型时公司可以改变它的输入，并更准确地预测生产线将会发生什么。

　　汽车预测性维护的应用场景

　　汽车一般都会有一个OBD-II的系统，它是一个车载自动诊断系统。该系统主要用于监控发动机的运行和排气系统的工作状态，一旦发现排放超标就会发出警示。OBD-II系统会把故障信息写入存储器，通过标准的诊断仪器可以读取故障代码，然后根据故障信息逐一排除疑点，帮助维护人员快速准确地找出故障源头。

　　一家初创公司TheCarForce希望利用这些数据来帮助司机和制造商实现预测性维护，他的做法是利用SIM卡将汽车的诊断数据发送回中央服务器，现在的汽车可能收集比航天飞机更多的自我诊断数据，这些数据一旦收集到服务器就可以用于分析。


　　这种方案潜在的受益者众多，能为4S店以及汽车制造商带来新的机会。在4S店使用案例中，维修师傅可以从他们服务的车辆获取实时维护数据，这样既可以警告客户即将发生的问题，也可以将大型数据关联在一起，以帮助预测未来的可靠性问题。

　　这是一个增值服务，因为4S店可以在机器问题之前先一步做出动作，在意识到某客户可能会在特定的日子更换部件，维修者可以进行计划和安排采购，然后联系客户预约维修。这样不就会出现在机器问题时，要花大量时间在购买部件上。

　　采集数据是预测性维护的基础，只有收集充分的设备参数才能让人工智能发挥出效果，TheCarForce的采集方案为汽车预测性维护提供了更多的可能，随着数据的不断收集和案例对比分析，维护者可以更准确、快速完成工作。

　　物联网帮助农场获得更高产出

　　在大面积的农场不乏有各种拖拉机、收割机等农业机械设备，在密西西比河三角洲的一个20,000英亩的大型农场里，种植着棉花、粒米、大豆、玉米和小麦，这个农场拥有20多台拖拉机和多台收割机、采棉机和喷雾机，这些设备都通过物联网进行了连接。

　　农场负责人表示，他们需要采用物联网技术来跟踪并查看机器状态的发展，如果设备发生了什么问题，他们就会马上修复它，不允许出现停机时间。因为，他每天都靠天气、土壤和时间来获得更好的产出，时间对于他们来说是十分宝贵的。


　　3月到10月都是农业的繁忙季节，这些时间内必需保证机器设备是可用的。这就需要从连接的机器获得的数据进行高级分析，他们甚至会分析一些次要的警报，可能被视为对实际操作员“滋扰”警报，并用它们绘制关于可靠性和服务数据的模式和结论。

　　例如，在发动机的前部安装风扇，这会导致一个小的振动。系统会检测到这个变化，并发送错误代码。获取更多的外部和内部数据，将可以分析出机器的所有可能事件。发现机器设备的初期故障迹象，及早做好防护和避免事情的发生，这比在故障发生后再处理要节省掉很大的费用。

　　小结：

　　机器学习模式管理设备将对一些重型工业领域产生重大影响，例如物流运输、装备制造、汽车等，这对于一些低利润高资本的领域十分有价值。因为设备的故障维修不仅让用户支付昂贵的费用，停机可能使得企业失去更多创造产能的机会。预测性维护方案很好解决了装备密集型产业的痛点，同时也开启了一个巨大的增值服务市场。

　　人工智能和机器学习算法的不断进步，对于大数据的分析将有很大的帮助。物联网保证了设备数据的稳定获取，这些数据将存储到云端，然后通过机器学习进行分析，给设备管理者提供最好的运营策略。随着自动化设备的普及应用，预测性维护带来的经济价值将是巨大的。
第三十八届CIO班招生
国际CIO认证培训
首席数据官（CDO）认证培训

免责声明：本网站（http://www.ciotimes.com/）内容主要来自原创、合作媒体供稿和第三方投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。
本网站刊载的所有内容（包括但不仅限文字、图片、LOGO、音频、视频、软件、程序等）版权归原作者所有。任何单位或个人认为本网站中的内容可能涉嫌侵犯其知识产权或存在不实内容时，请及时通知本站，予以删除。