预测性维护
- 汽车
- 能源
- 设备与机械
- 离散制造
- 维护
- 质量保证
预测性维护如何影响组织的绩效？
预测性维护通常是优先考虑的第一个用例，很少是最终结果。在制造业中，通过提高 OEE 和降低维护成本，实现预测性维护可提供近期价值。从长远来看，它支持数据收集，支持更高级的用例，例如一个或多个有效或灵活的生产线配置的批量大小。
在机器制造中，只要是主动而非被动的，就有机会创造价值——例如，减少上门服务（派出卡车进行维护）是一种节省成本的方法。从长远来看，它支持数据收集，支持更高级的用例，例如资产服务化。
如何为用户和企业衡量预测性维护的成功？
在航空业，正常运行时间可用性、上门服务的数量（派出现场服务技术人员）、无线更新、总体资产维护成本和可用性时间。
预测性维护的典型功能是什么？
一些主要功能是：准确的数据摄取，近乎实时的数据通信（要求可能从实时到每日不同），将数据转换为算法，提供输入以在合理的提前期内指导决策。其他功能包括历史数据量、数据清洁度、新数据的摄取、与用于数据通信的遗留协议有关的遗留足迹、数据分析位置
预测性维护解决方案的“优势”部署在哪里？
广泛的现场资产 - 任何因损失或生产力或由此产生的瓶颈而具有高停机成本的高价值设备。适用于从医疗诊断设备到农业设备再到风力涡轮机的资产。
哪些组织、部门或个人负责操作和维护预测性维护？
这视情况而定，但往往是一种混合解决方案。系统的持续维护可以由公司 IT 团队在内部处理，也可以由外部系统集成商处理。内部或外部 IT 团队将拥有数据流和基础设施——网关、通知、数据流、更新等。OT 团队将把系统输入整合到他们的运营活动中。
谁是预测性维护的常规用户？
最终用户可以是系统所有者，或者系统所有者可以是机器制造商，而最终用户是设备操作员。
哪些外部利益相关者将从预测性维护数据中获益最多？
如果操作员拥有该系统，他们将不会与机器制造商共享。如果机器制造商拥有该系统，他们可能会与操作员共享数据，但可能会保护他们的数据。杠杆很重要，但默认决定是不共享数据。
哪些传感器通常用于向物联网系统提供预测性维护数据，哪些因素定义了它们的部署？
收集数据是第一步——可以选择多种传感器。所选传感器取决于特定资产和维护目标。
哪些因素定义了系统用户可用的接口？
接口的范围可以从标准设备接口到台式计算机、移动电话、增强现实 (AR) 解决方案。手机可以作为低成本的增强现实设备，根据需要提供准确的信息。
哪些业务挑战会影响预测性维护部署？
必须有大量的历史数据可用。在某些情况下，高质量、有用的数据很容易获得。在许多情况下，数据有限或数据对设计算法没有用处。理想情况下，IT 功能应该在客户组织中可用，但也可以外包。
哪些集成挑战会影响预测性维护部署？
由于使用不同的通信协议，数据共享在公司之间（几乎不可能）甚至在一个运营商拥有的设备之间都是一项重大挑战。
哪些安装挑战会影响预测性维护部署？
由于需要在不中断运营的情况下安装技术，因此在流程制造或其他 24/7 运行的设施中部署可能特别具有挑战性。在大型设施的特定生产线上部署新系统的绿色补丁解决方案可以有效地在大笔投资之前建立价值。在特定环境中，例如深地矿或海上石油钻井平台，定位可能是一项挑战。
哪些监管挑战会影响预测性维护部署？
监管挑战因行业而异。在医疗和财务方面的挑战可能是巨大的。任何时候访问来自医疗设备的数据或外部系统影响设备操作都会产生监管影响。监管挑战将因应用而异。
案例研究.
