隨著物聯(lián)網(wǎng)技術(shù)的快速發(fā)展，在各個行業(yè)中產(chǎn)生了不同的結(jié)果。物聯(lián)網(wǎng)進入了工業(yè)領(lǐng)域，被叫作工業(yè)物聯(lián)網(wǎng)（IIoT），它正在給傳統(tǒng)自動化設(shè)備帶來全新的變革，同時也為設(shè)備廠商創(chuàng)造更多的增值機會。

作為物聯(lián)網(wǎng)的一個子集，工業(yè)物聯(lián)網(wǎng)為運營技術(shù)（包括遠程管理和運營分析）增加了新的功能。到目前為止，工業(yè)物聯(lián)網(wǎng)****的價值在于預測性維護，新型物聯(lián)網(wǎng)設(shè)備收集了大量的生產(chǎn)數(shù)據(jù)，再通過機器學習和人工智能分析，從而讓管理者更好地理解生產(chǎn)系統(tǒng)是如何工作和維護的。

預測性維護是提前維護的****辦法，當分析到工業(yè)設(shè)備的組件可能出現(xiàn)故障時，設(shè)備管理者就可以預先維護，以便在進行維修之前可以對其進行更換或修理，從而避免更高成本的損壞和停機時間。預測性維護融合大數(shù)據(jù)、機器學習等多項技術(shù)，為人與機器互動交流提供了機會。

預測性維護的關(guān)鍵是什么？

要預測出一套設(shè)備的可能性故障，除了從設(shè)備數(shù)據(jù)中整理出關(guān)鍵的指標，還要結(jié)合更多的歷史事件進行分析，最終形成一個與設(shè)備對應(yīng)預測性維護模型。預測性維護的復雜性在于這套基于機器學習的生產(chǎn)系統(tǒng)模型必需隨著時間而改變。

以火車的維護為例，隨著火車零件的老化，它們對壓力的反應(yīng)與新的時候不同。因此，維護計劃應(yīng)該隨著時間的推移進行調(diào)整，以考慮不斷變化的故障率，這些時間表可以使用機器學習輸出新的模型。

設(shè)備在全生命周期的不同階段有著不同的表現(xiàn)，設(shè)備故障有一個“浴缸曲線”的說法，把設(shè)備壽命劃分為三個主要階段：早期故障率階段、穩(wěn)定狀態(tài)階段和損耗階段。通常機器在使用壽命開始時，會經(jīng)常出現(xiàn)故障。但隨著時間的推移會進入穩(wěn)定期，維護過程會逐漸消失，故障更為罕見。而到了后期機器故障會率會飆升，最終報廢。

浴缸曲線

因此，機器學習需識別出設(shè)備處于哪個生命階段，并不斷調(diào)整預測模型，如日立開發(fā)的Lumeda的平臺，引入了數(shù)據(jù)科學家，可以用來更精確地調(diào)整機器學習模型，在模型投入生產(chǎn)后能夠監(jiān)控機器學習模型的準確性。該平臺會創(chuàng)建集中的數(shù)據(jù)庫供數(shù)據(jù)科學家進行實驗，測試不同模型時公司可以改變它的輸入，并更準確地預測生產(chǎn)線將會發(fā)生什么。

汽車預測性維護的應(yīng)用場景

汽車一般都會有一個OBD-II的系統(tǒng)，它是一個車載自動診斷系統(tǒng)。該系統(tǒng)主要用于監(jiān)控發(fā)動機的運行和排氣系統(tǒng)的工作狀態(tài)，一旦發(fā)現(xiàn)排放超標就會發(fā)出警示。OBD-II系統(tǒng)會把故障信息寫入存儲器，通過標準的診斷儀器可以讀取故障代碼，然后根據(jù)故障信息逐一排除疑點，幫助維護人員快速準確地找出故障源頭。

一家初創(chuàng)公司TheCarForce希望利用這些數(shù)據(jù)來幫助司機和制造商實現(xiàn)預測性維護，他的做法是利用SIM卡將汽車的診斷數(shù)據(jù)發(fā)送回中央服務(wù)器，現(xiàn)在的汽車可能收集比航天飛機更多的自我診斷數(shù)據(jù)，這些數(shù)據(jù)一旦收集到服務(wù)器就可以用于分析。

圖片來源：TheCarForce

這種方案潛在的受益者眾多，能為4S店以及汽車制造商帶來新的機會。在4S店使用案例中，維修師傅可以從他們服務(wù)的車輛獲取實時維護數(shù)據(jù)，這樣既可以警告客戶即將發(fā)生的問題，也可以將大型數(shù)據(jù)關(guān)聯(lián)在一起，以幫助預測未來的可靠性問題。

這是一個增值服務(wù)，因為4S店可以在機器問題之前先一步做出動作，在意識到某客戶可能會在特定的日子更換部件，維修者可以進行計劃和安排采購，然后聯(lián)系客戶預約維修。這樣不就會出現(xiàn)在機器問題時，要花大量時間在購買部件上。

采集數(shù)據(jù)是預測性維護的基礎(chǔ)，只有收集充分的設(shè)備參數(shù)才能讓人工智能發(fā)揮出效果，TheCarForce的采集方案為汽車預測性維護提供了更多的可能，隨著數(shù)據(jù)的不斷收集和案例對比分析，維護者可以更準確、快速完成工作。

物聯(lián)網(wǎng)幫助農(nóng)場獲得更高產(chǎn)出

在大面積的農(nóng)場不乏有各種拖拉機、收割機等農(nóng)業(yè)機械設(shè)備，在密西西比河三角洲的一個20,000英畝的大型農(nóng)場里，種植著棉花、粒米、大豆、玉米和小麥，這個農(nóng)場擁有20多臺拖拉機和多臺收割機、采棉機和噴霧機，這些設(shè)備都通過物聯(lián)網(wǎng)進行了連接。

農(nóng)場負責人表示，他們需要采用物聯(lián)網(wǎng)技術(shù)來跟蹤并查看機器狀態(tài)的發(fā)展，如果設(shè)備發(fā)生了什么問題，他們就會馬上修復它，不允許出現(xiàn)停機時間。因為，他每天都靠天氣、土壤和時間來獲得更好的產(chǎn)出，時間對于他們來說是十分寶貴的。

3月到10月都是農(nóng)業(yè)的繁忙季節(jié)，這些時間內(nèi)必需保證機器設(shè)備是可用的。這就需要從連接的機器獲得的數(shù)據(jù)進行高級分析，他們甚至會分析一些次要的警報，可能被視為對實際操作員“滋擾”警報，并用它們繪制關(guān)于可靠性和服務(wù)數(shù)據(jù)的模式和結(jié)論。

圖片來源：John Deere

例如，在發(fā)動機的前部安裝風扇，這會導致一個小的振動。系統(tǒng)會檢測到這個變化，并發(fā)送錯誤代碼。獲取更多的外部和內(nèi)部數(shù)據(jù)，將可以分析出機器的所有可能事件。發(fā)現(xiàn)機器設(shè)備的初期故障跡象，及早做好防護和避免事情的發(fā)生，這比在故障發(fā)生后再處理要節(jié)省掉很大的費用。

小結(jié)：

機器學習模式管理設(shè)備將對一些重型工業(yè)領(lǐng)域產(chǎn)生重大影響，例如物流運輸、裝備制造、汽車等，這對于一些低利潤高資本的領(lǐng)域十分有價值。因為設(shè)備的故障維修不僅讓用戶支付昂貴的費用，停機可能使得企業(yè)失去更多創(chuàng)造產(chǎn)能的機會。預測性維護方案很好解決了裝備密集型產(chǎn)業(yè)的痛點，同時也開啟了一個巨大的增值服務(wù)市場。

人工智能和機器學習算法的不斷進步，對于大數(shù)據(jù)的分析將有很大的幫助。物聯(lián)網(wǎng)保證了設(shè)備數(shù)據(jù)的穩(wěn)定獲取，這些數(shù)據(jù)將存儲到云端，然后通過機器學習進行分析，給設(shè)備管理者提供最好的運營策略。隨著自動化設(shè)備的普及應(yīng)用，預測性維護帶來的經(jīng)濟價值將是巨大的。