随着技术的发展，“为什么要修复未损坏的东西”这句老话已不再有效。
在当今“永远在生产”的世界中，工厂和生产设备全天候运转，任何故障都会导致生产严重中断，有时甚至会对其他下游业务产生连锁效应。为了确保运营的可靠性，进行足够的维护是关键。企业已经知道这一点，所以这不是为什么的问题，而是什么时候的问题。
随着组织和运营商采用物联网(IoT)技术，包括各种各样的机器人、摄像头和传感器，他们收集的数据量只会继续增长。
事实上，全球用于收集、分析数据和自主执行任务的设备数量，预计将从2020年的97亿台增至2030年的294亿台，增长近三倍。
如此爆炸式的数据量对于人类来说是一个挑战，因为我们的大脑无法及时地分析和处理正确的信息。虽然数据为企业提供了对其运营的前所未有的洞察，但如果不能理解数据并据此采取行动，这种优势就会过时。
这就是在维护中使用预测分析和人工智能(AI)的原因。
什么是预测分析?
预测分析允许用户通过收集的历史数据确定概率来预测未来的趋势和事件。
其预测潜在的情况并确定每种情况的可能性，帮助推动战略决策。这些预测可以是近期的，如预测某台机器在当天晚些时候会发生故障;也可以是更长远的未来，如预测这一年维护操作所需的预算。预测使企业能够做出更好的决策，并制定基于数据的战略。
使用人工智能进行预测性维护
人工智能最有价值的功能之一是，其能够同时消化来自多个来源的信息，计算各种可能结果的概率，并基于各种原因提出建议——所有这些都无需人工输入。这种能力使预测分析能够利用许多现代企业中可用的大量数据。
随着世界产生越来越多的数据，无论是从成千上万的物联网传感器、显示原材料和零部件交付时间的运输数据，或是从全球气象站收集的开源天气数据，人工智能正在成熟，以帮助人类理解所有信息。其可以从茫茫的噪音中筛选出信号，做出可行的决策。
通过适当的人工智能配置，拥有人工智能、ERP集成运营的企业可以根据从数据中收集的信息采取行动。
这些都是如何影响维护的?目前，有三种类型的维护:
- 基于时间的维护
- 反应性维护
- 预测性维护
基于时间的维护是指用户根据计划执行维护，通常是机器的预期生命周期。这在理论上很好，因为用户可以根据其他类似的设备来确定维护需求。然而，这主要是理论上的，因为每台机器的功能取决于许多因素，包括使用、位置、磨损等。使用基于时间的方法，组织可能会在机器上执行过多或不够的维护。
另一方面，对于反应式维护，在需要时进行维护，这意味着将出现计划外停机，从而中断生产活动。
预测性维护解决了所有这些问题。这是一种基于条件的维护，通过传感器监测设备和工具的状况，传感器提供的数据用于预测资产何时需要维护。因此，只有在满足特定条件时，也就是在设备开始出现故障之前，才计划进行维护。
随着人工智能技术的成熟和组织部署越来越多的物联网工具，人工智能支持的预测性维护的使用正在增加。
预见性维护的实施
尽管几乎所有需要定期维护机器的企业都可以从预测性维护中受益，这取决于机器停机的成本，但有些企业比其他企业受益更大。
例如，由于业务运营的远程性质，现场服务业务从预测性维护中获益良多。由于石油钻井平台和风力涡轮机等资产位于偏远地区，易受恶劣天气影响，对机器故障的反应可能会严重影响生产。
更糟糕的是，事后进行维护会带来巨大的成本，因为需要订购备件，维护人员需要快速部署到那些偏远的地点。然而，通过预测分析，现场服务机构可以在风力涡轮机部件无法保证持续发电之前对其进行必要的维护。
例如，通过分析机器的振动、声学和温度，操作员可以发现潜在的问题，如失衡、错位、轴承磨损、润滑不足或气流。
另一个例子是警报，这是一个故障设备发出的信号/故障代码。系统可以分析该类型设备的先前维护工作，以及特定的信号/故障代码。根据历史记录，系统确定其看到该组合的最后设置次数——以前的维护工作和特定的信号/故障代码。然后，在任何实际故障发生之前，将在适当的时间派遣一名技术人员，配备系统推荐的适用备件，以完成修复。预测分析可以让操作人员更精确地跟踪机器的磨损和潜在缺陷，更重要的是，可以让其在机器故障前采取行动。
通过使用历史趋势和天气模式，结合来自设备传感器的信息和预测的供应链交付时间，可以提前进行预防性维护。机组人员可以更好地控制维修的地点和时间，而不是在事故发生后匆忙前去救援——这让他们可以选择自己的战斗。
总结
虽然没有万无一失的预测灾难的方法，但人工智能可以让我们尽可能地接近灾难。
正如沿海地区的人们一旦发现飓风可能会囤积瓶装水和备用电池一样，一个集成了人工智能的维护系统可以让企业在任何问题变成真正的问题之前根据需要进行维护。
