对于所有制造商而言，防止故障对于***大限度地减少停机时间并降低昂贵的维修成本至关重要。近年来，诸如工业物联网（IIoT），大数据分析和云存储之类的技术已经从科幻小说领域转变为生产线上几乎普遍存在的技术。这些技术允许车辆，工业设备和组装机器人将基于条件的数据发送到集中式服务器。这样可以更轻松地进行故障检测，并用预测性维护程序替换无功维护程序。不可否认，预测性维护技术的前景一片光明，预计年增长率为24.5％，但一些制造专业人士可能想知道，在这个数字化的未来中，人类工作者的作用是什么。 一个好的预测性维护程序需要策略 无需花时间仔细计划您的预测性维护程序，几乎不可能达到预期的结果。一个制造商可能会决定增加产量，而另一个制造商可能会优化其计划以***大程度地减少设备磨损。建立目标后，您需要确定从哪些计算机收集数据。所需数据可能会因机器类型而异。 温度， 超声波和 振动数据，或所有这些输入的组合，可以提供有价值的见解。一个运行良好的预测性维护程序将仔细确定如何收集数据以及收集频率。适当的策略将确保您的员工仅收集与您正在监视的机器和已建立的目标有关的数据。 机器学习程序仅与所提供的数据一样好 尽管已经就机器学习程序为预测性维护带来的价值进行了许多论述和撰写，但重要的是要记住，这些工具的性能与提供给它们的数据一样好。当预测性维护程序***次开始时，通常没有足够的数据来确定何时发生故障。但是，训练有素的员工可以模拟故障数据并教程序识别警告信号。启动预测性维护程序时，必须仔细考虑数据收集源并填补可能遗漏的任何漏洞。一旦预测性维护程序启动并运行，机器学习算法就有可能在故障发生前几个月检测出潜在的致命异常。 事半功倍 过去，机器维护程序要求进行常规的手动检查以防止关键设备发生故障，而预测性维护程序则将冗余降至***低。这有助于防止工厂技术人员检查处于正常工作状态的设备。但是，这并不意味着所有维修和检查都将停止，这仅意味着我们在进行维修方面变得越来越聪明。技术人员可以更好地安排对高风险设备进行检查的优先级，并使生产率提高八倍。通过收集足够的数据并进行战略检查，制造商***终可以实现零计划外维护，这是美******防部宣布的目标 在其许多作战舰队中部署了IoT设备和预测性维护软件。