健康评估
实现最佳性能和盈利能力的一种方法是通过准确监控和评估机器的健康状况来尽可能多地和尽可能长时间地运行机器——这一过程被称为机器健康监测 (MHM)。 MHM 的概念很简单：通过将各种传感器应用于机器并收集和处理信息，设计人员希望确定在出现重大和代价高昂的问题之前他们可能需要采取的纠正措施(如果有的话)。
维护
维护是工程师用来保护或延长设备寿命并避免代价高昂的故障的过程。维护机器比等到机器坏了再修理要便宜——不仅与机器本身有关，而且在生产力损失方面。然而，维护需要工程师监控机器，以帮助在问题发生之前发现问题。
工程师用来收集有关其设备状态信息的关键技术来自电子传感器，这些传感器的数据由微控制器 (MCU) 和微处理器 (MPU) 处理。这两种类型的设备维护支持主要通过方法和方法来区分。两者都不是更好;它们相辅相成。在这两个类别中，条件都受到监控。监测可以通过三种方法进行：连续实时传感、周期性间隔传感或遥感。
基于状态的维护
当传感器用于实时传感器测量和分析时，这称为基于状态的维护 (CbM)。 CbM 可能被广泛认为是反应性的。也就是事情发生后才进行调整。 CbM 可能需要许多正在进行的实时传感器，可能需要更多的组件、时间和数据。因此，实时传感和处理通常不可用或不实用。
预测性维护
在没有实时传感和处理的情况下，可能会采用另一种技术——预测性维护 (PdM)。 PdM 尝试利用从处理器感官数据中收集的决策标准，对未来可能用于最大化正常运行时间和盈利能力的最佳维护事件进行“水晶球”预测。它可能被视为试图主动或先发制人。
PdM 方法的主要好处包括提高资产的可用性、寿命和利用率。同时，它还提供了减少资产更换决策时间、故障成本、故障频率、维护成本、运营和安全风险以及计划外停机时间的互补优势。
工业用户通常希望尽早发现任何潜在问题。这样做的价值或好处是显而易见的：早期检测有助于减少系统停机时间，提高操作运行时间和吞吐量效率，并最大限度地减少成本高昂或重大的维修和安全问题。 PdM 很有价值，因为它可以节省金钱和时间。毕竟，维护只在必要时进行。
随着时间的推移，遗漏错误的可能性将会缩小。永远不要期望完美或完全消除任何失败问题。然而，他们将努力大幅减少和减轻损失。
如前所述，PdM 采用对未来的预测。预测是基于对过去的经验观察的预测。为了对未来做出强有力的预测，收集的过去信息之间必须具有高度的相关性。如果相关性不高，任何预测都可能成为不相关的推测。
预测分析模型
PdM 的预期目标是成功实现预测分析模型 (PAM)，该模型提供一组概率来通知维护过程。 一个成功的 PAM 模型通过安排适当的纠正性维护来纠正这种情况并将其恢复到标准条件来防止故障，从而实现其目标。
成功的 PdM 依赖于 IIoT。 IIoT 收集有关机器动作的数据，并将其转换为可以传输、处理、聚合和分析的数字格式。 有线和无线连接解决方案提供了足够的带宽来处理大量数据。 这允许在边缘或云端构建完整的模型。
人工智能
因为目标是在没有警告的情况下避免资产故障，所以必须能够预测何时应该安排维护。为了帮助以更高的置信度做出这些预测，人工智能 (AI) 被用来协助，因为可以非常快速地分析微小的变化。可靠性工程师和维护经理将利用 AI 支持 PdM 努力模仿人类行为，包括决策制定。
技术协同
可以使用高级分析软件通过机器学习 (ML) 算法分析来自系统的感官信息。 ML 采用统计方法(数学)来帮助机器通过经验学习(经验观察)。机器从数据中的这些模式开发概念，这意味着 ML 使计算机能够在没有明确编程的情况下进行学习。传感器、AI/ML 和专用软件能够执行自动的抢先纠正性维护操作。
可以感测工业项目，包括发动机、马达、齿轮、压缩机、涡轮机等，以获取信息，例如温度、振动、湿度、声音和噪音水平，和/或旋转或线速度，以检测磨损或明显异常.热成像仪可用于使用红外 (IR) 热成像检测来自物体的辐射。这种相机可能能够检测到温度异常。非正常温度测量结果可能表明存在潜在故障。红外摄像机必须指向正确的位置，而且通常很昂贵。应适当考虑它们最有帮助的地方。
声学传感和监测可能有助于检测泄漏。超声波技术可用于检测摩擦或应力等机械问题。振动传感器拾取表明轴承和齿轮等内部零件磨损的振动模式。它还可以生成与旋转或线性未对准相关的信息。
结论
在工业、家庭和城市中，PdM 使用收集的传感器数据来帮助工程师在问题出现之前纠正问题。很明显，PdM 将继续为公司提供解决系统崩溃、故障或错误运行所需的优势。 PdM 将有助于提供应对未来挑战所需的竞争优势。
