Expert Talk｜运营战略90秒：预测性维护——数字化运维的制胜基石
引言
随着互联技术的革新、大数据的应用与积累、计算能力的提升及相关模型理论的高速发展，人工智能的应用场景逐渐丰富，并在近几年逐步过渡到“实操落地”。各行各业正积极探索通过人工智能赋能的运营模式，并以此推动产业升级及长期的运营转型。
今日罗兰贝格专家：朱咏 | 罗兰贝格合伙人
RB EXPERT TALK
运营战略90秒｜Vol.3
预测性维护——数字化运维的制胜基石
在政策端，从2017年7月国务院印发的《新一代人工智能发展规划》开始，各省陆续出台了智能制造产业的扶持政策，如2018年6月北京和上海公布的智能制造扶持政策到2020年各省出具的智能制造指导政策与意见等。这股政策东风逐渐催生了制造业的数字化及智能化的转型之路。而运维服务(如备品备件销售、设备维护及维修等)作为制造业的重要组成元素，通过工业互联网及人工智能的深度融合打造出创新的应用场景，并实现持续降本增效的趋势目标。
从需求侧来看，完整的数字化运维服务将成为企业选择运维服务供应商的主要考量维度之一。罗兰贝格针对全球领先制造企业的调研结果显示，85%以上受访者认为运维服务商应更多地关注数字化方案规划能力；97%的受访者认为运维服务商应提供主动、完整的数字化运维服务方案。随着先进制造业对运维服务的注重维度已经改变，过去传统的备品备件购买及定期维护观念已经过时，通过工业互联网加人工智能赋能的数字化运维解决方案将是新的趋势。
01、预测性维护是什么？我们为什么需要它？
运维服务的发展进程主要分成四个阶段：
消极性维护
这是运维服务最原始的方式，当机械故障后安排技术人员到场维修。由于此维护方式通常发生在设备故障后，具有高度不可预测性及突发性，且设备本身的损伤程度较高，易造成修理时间及费用垫高等情况，还容易造成停线时间成本高等副作用。
预防性维护
基于设备厂商的保养计划或是操作规程进行检修安排，此部分原理主要是根据设备厂商对部件寿命的分析，但由于部件老化磨损的外力干扰因素过多导致寿命预测不够准确，易造成过早、过度保养或是保养不足等问题。
基于条件的维护
此维护方式是运维服务的进阶状态，服务提供商通过对设备运行状态的监控来安排相应的维修计划。然而此种检测方式主要结合设备本身的运作监控数据及运作机理进行简单判断，对外部影响因素的考量少，故还是容易产生维护不及时等状况。
预测性的维护
预测性维护是运维服务的最新发展，主要得益于工业互联网、大数据及人工智能的交互应用，拥有主动、且具有高度针对性的特征。预测性维护的核心思想就是通过对设备及系统运行状态来进行故障预测，能最大化部件的使用效益，同时产线停工停线成本也会降低，并减少不必要的浪费。
在数字化智能制造的环境中，数据以及围绕数据的智能化处理活动均针对特定的生产和运营指标维度的达成和维持进行构建。在现实场景中，时效、库存、成本控制、工艺控制、资源投入、计划达成等均是数字化智能制造所常见的控制指标维度。同样的，设备正常运转水平和风险也是生产运营环境中的关键指标维度，而预测性维护就是通过设备自身以及外置传感器的实时数据采集，利用分布在各层环境中的计算和处理平台，依托围绕设备运转特征与风险指针相关性的算法模型，提供设备故障维护的精确性判断的方法体系。
预测性维护不仅仅围绕单一的故障预测构建数据应用，其过程和结果状态信息也为整个智能制造数据体系所整合，成为数字化生产计划与管理的一部分，帮助提升制造的专业化水平和运作效率。
预测性维护除了能提供主动积极的设备维护监控机制外，还有四大优势，适合作为数字化运维解决方案的起始点：
优势一
对产线影响小 – 有别于智能制造需对产线本身进行改造升级，预测性维护的硬件设备主要是协助建立设备与服务器的连接，不需要对产线或是生产工艺进行改变，对生产排程的整体影响小。
优势二
复制性高 – 在相同的设备上可以快速复制解决方案，且越多的设备导入可带来更多的海量数据，对模型精准度的提升帮助更大。
优势三
实质成效显著 – 预测性维护能助力运维服务的降本增效，根据罗兰贝格的项目经验，预测性维护可减少5-10%的MRO成本支出及5-10%的总体维护成本；而在效能提升方面，预测性维护可以提高10-20%的设备正常运行时间、减少20-50%的设备维护时间并为产品质量提供更好保障。
优势四
应用场景广泛 – 预测性维护的主要原理是基于设备网联化、数据采集、大数据分析及机器学习，未来的发展潜力巨大，并逐步推动使用场景从设备维修延伸到排程制定、资产管理等。此部分会在后续章节进行展开介绍。
02、罗兰贝格预测性维护，解决方案与落地实践
结合对数字化运维的丰富洞察及项目的实战经验积累，罗兰贝格已发展出一套从设备引入机遇识别、解决方案设计到落地实施的一站式预测性维护解决方案，关键构成要素如下：
● 硬件
主要负责本地数据采集及分析，涵盖数据采集设备(传感器+数据传输设备)及边缘计算服务器：
▲ 数据采集设备：主要进行数据采集、数据上传及模型下发等工作。
▲ 边缘计算服务器：主导相关边缘应用如AI预测及本地数据缓存等。相比云端计算，通过边缘计算器的搭建可缩短故障报警的反应时间。(备注：可针对项目实际需求和企业数据环境选择将本地计算移至云端)
● 软件
主要用于故障检测模型搭建及云端存储与处理
▲ 模型搭建：通过特征提取、分析等识别特征向量，并进行机器学习；随着加工数据的增加及过程数据的收集能持续进行模型训练，最后借由云端服务进行模型的迭代更新，不断提高模型精度。
▲ 云端服务：可提供批量的历史数据存储并进行数据可视化(如利用微软Azure云服务则可以使用Power BI进行数据可视化，便于管理者进行相关分析)。
基于预测性维护的架构，我们还需针对客户设备进行针对性的机遇诊断、数据采集、算法搭建并落地验证。关键步骤如下：
01、引入机遇分析
生产设备的关键零部件众多，但如果全部导入预测性维护，则可能造成不必要的成本浪费，建议根据实际需要进行考量。罗兰贝格已发展一套成熟的方法论可协助客户识别最适合的引入机遇。以某品牌的数控车床应用案例来说，我们通过部件成本、故障频率及故障影响范围等关键维度进行交叉衡量，最后建议客户从刀具及主轴入手，力求以最小成本达到最佳应用效益。
02、机器学习模型搭建
机器学习模型是预测性维护解决方案的核心。针对预测性维护的引入标的，我们已发展出一套完整且实证有效的模型搭建方法，能有效赋能故障预测，以下的案例以某品牌数控车床的刀具故障预测算法搭建进行相关说明：
a）数据采集：通过目标设备的传感器布局及数控系统的连接采集相关的数据，如设备主轴位置、机床程序及管理数据等。
b）特征分析：算法融合主流的时域分析、频谱分析及视频分析，确保特征分析的全面性。
● 时域分析：将输入信号在时间域中进行滤波、放大及统计特征计算等分析，是物理数据最基本直观的表现形式。
● 频谱分析：通过讲信号分解为多个较简单的信号，并找出单一信号在不同频率下的信息如振幅、功率等。
● 时频分析：又称为时频联合分析，是作为分析非平稳信号的强力分析工具，主要概念是通过时间与频率的联合函数来同时描述信号在不同时间及频率的能量强度，以展现信号和频率随着时间变化的关系。
c）特征识别：基于前序步骤识别目标部件正常运作及磨损时的特征表现，如波形指标、峰值指标、脉冲会标指标等，并在下一步进行相关的验证。
d）特征验证：从机理特征参数设定开始，将已识别出的故障特征参数进行相关设定，并通过统计手法验证去除冗余信息。
e）特征向量与机器学习：通过机器学习特征向量后，即可完成初步的刀具状态预测模型。后续可藉由数据的持续收集提高模型预测精度，提升预测准确率。
03、实际应用环节
通过刀具磨损预测模型，我们已成功协助客户进行有效的故障预警与检测。同时，基于客户需求，故障预测系统还可通过与生产排程系统的连接，进行故障报警或是生产排程的即时调整。
03、以预测性维护为基础，开展的数字化运维场景
通过项目经验的累计及内外部专家的长期、广泛的讨论，罗兰贝格认为预测性维护是数字化运维的关键一步，通过预测性维护的软硬件的赋能，后续的应用场景广泛，举例如下：
// 数字化盘点资产
可通过预测性维护管理平台采集设备上的传感器传输数据并与资产台账对比确认实物资产的存在，有效减少盘点人力资源的浪费。
// 数字化维修运维
预测性维护所检测的实时加工数据可成为工厂整体运维管理系统的重要输入，并基于数据分析结果启动后续的维修服务流程及备品备件物料拉动流程。
// 生产及物料控制系统赋能
基于安装在设备上的传感器传输数据及自动化控制系统数据，生产及物料控制系统能实时进行加工数据的收集、存储、整理并形成可视化报告，作为生产管理的重要输入。
// 供应链赋能
设备故障预测系统能对关键部件的质量表现进行不同来源的横向比较，并以此作为供应商质量管理的重要依据。与此同时，采购可以利用相关的数据进行供应商绩效考核评估及议价基础。
04、结语
预测性维护是人工智能在数字化运维领域的重要实现，具有主动、智能学习等特征，并能助力达到更高的产出质量、更少的临时停线及更低的运维成本，是数字化运维的制胜基石，也是对数字化智能制造的进一步丰富。
