归宿 边缘计算 预防性和预测性维护和边缘 计算

预防性和预测性维护和边缘 计算

作者: 边缘 计算论坛,Stratus 日本

你听说过 “预防性维护 “或 “预测性维护 “这些词吗?关于生产线上的设备维护,物联网(IoT)最近引起了人们的关注。同时,这两个词看似相似,实则含义不同。本节解释了预防性维护和预测性维护等维护活动的总体定义,预防性维护和预测性维护的区别,预测性维护的好处,以及预测性维护和边缘 计算之间的关系

什么是保护活动?

什么是养护活动?JIS(日本工业标准)将养护活动定义为 “消除故障和保持设备正常和良好状态的活动的总称,包括计划、检查、调整、修理、更换等”。

换句话说,它可以被认为是人对生产线的影响,以保持生产线的性能。按照JIS的定义,保存活动分为维护活动和改进活动。

维护活动是指保持产品质量和生产设备性能的活动,即保持生产设施的完美状态的活动。这包括预防性和反应性维修。另一方面,改进活动指的是在机械发生故障时对其进行审查以防止再次发生的 “改进性维修”,以及为防止故障和错误而更换机器设备的 “预防维修 “等活动。

预防性维护是指通过日常检查和在故障发生前更换老化的部件来预防故障的发生。它包括预测性维修和定期维修。后续维护是指在发现设备因故障等原因出现故障时,恢复设备的功能。换句话说,当设备出现故障时,假定它将被 “修复”。

定期维护是指根据故障记录和设备特性确定周期,并对每个周期的部件进行更换和检查的行为。它也可以被改写为根据经过的时间进行的维护。一般来说,”预防性维护 “是指定期维护。

另一方面,预测性维护是指从连续测量的设备状态中发现或预测设备的恶化,并在故障发生前的最佳时间采取最佳措施。它是基于设备的状态。

定期维护和预测性维护的主要区别在于,预防性维护是在一定的时间周期内进行的,而预测性维护则是不断监测设备的状况,并在发现故障迹象时做出反应。

迄今为止的保护活动

传统的养护活动主要包括定期养护、预测性养护和死后养护。可以进行改进活动(如改造和升级),以延长设备的寿命,但应对措施是有限的,如在昂贵设备的情况下。

如前所述,定期维护涉及定期更换部件,而不考虑设备的状况。此外,预测性维护是由现场工人和工程师依靠多年经验培养出来的直觉进行的,即 “是时候更换那个零件了”。

定期维护的时间间隔是针对最重要和寿命最短的部件,但其他部件也经常在这次更换中被更换。原因是零件的寿命因类型而异,所以如果每次都停止设备并进行更换,设备的运行率就会下降。由于这个原因,尚未达到使用寿命的零件也会被更换,这就存在一个问题,即在定期维护中存在大量的浪费。

预测性维护

预测性维护行为是基于对故障的预期和实际故障之间的迹象。这意味着,你可以在预期阶段想到维修计划并采取行动,如在故障发生前更换部件。这就最大限度地减少了机器因故障而处于紧急停机状态的情况。

此外,如果利用物联网实现预测性维护的自动化,当有故障迹象时就会发出警报。由于只有在发出警报时才能想到应对措施,因此不需要花费时间和精力,这也导致了这方面的人力成本的降低。

预测性维护的具体例子

在制造设备中,经常使用电机。有一个被称为 “轴承 “的部件支撑着 “轴”(驱动轴),从这个电机传输动力。如果轴承发生故障,轴可能无法转动或轴上的负载无法分配,这可能导致严重的事故。因此,这个轴承是非常重要的。

轴承本身是高度可靠的,但当需要更高的可靠性时,例如在钢厂拉伸加热铁水的过程中(轧制过程),通常要进行轴承监测。

轴承监测系统在轴承上安装了一个振动传感器,以检测振动的波形、频率和振幅状况。然后,当振动的状态表明有故障的迹象时,就会发出警报。

例如,如果一个轴承在一个地方被损坏,施加在轴承上的负载就会改变。随着负载的变化,振动传感器和轴承之间的距离也会发生变化,但振动传感器检测到的是距离的微小变化。然后,由于轴承的旋转部分以恒定的周期旋转,每次旋转都会发生距离的变化。这就造成了振动,有可能检测到这种振动并使其成为故障的标志。熟练的工程师从机器声音的变化中获取这种振动,并将其作为损坏的标志。

这个例子是为了清晰而简化的,但从声音上预测故障需要经验,因为即使多处损坏或受损,振动也没有变化。由于这个原因,除非来自熟练的工程师,否则不可能做出这样的判断。不幸的是,熟练技术人员的数量正在减少。人工智能(AI)被认为是一种解决方案。近年来备受关注的人工智能使 “深度学习 “能够通过以人类行为为模型的结构进行自我学习。当然,虽然必须先有学习,但人工智能可以像人类一样学习和执行,他们从经验中捕捉到失败的迹象。随着熟练工程师数量的减少,可以说这是应对人力资源短缺的一个有效手段。

预测性维护和边缘 计算

这样一来,预测性维护的自动化是消除人力资源短缺和优化维护活动的有效手段。然而,在实现预测性维护自动化时,有一些事情需要注意。

前面描述的模仿人类行动的人工智能结构被称为 “神经网络”,为实现深度学习做出了巨大贡献。然而,神经网络是一种非常复杂的机制。因此,如何在保持预测性维护所需速度的前提下实现预测性维护是一个实际问题。

还有一种被称为 “神经芯片 “的方法,用硬件实现神经网络,但这不是一种很常见的方法。这里的问题是速度,所以云计算,总是从互联网上的服务器发送和接收,是不切实际的。因此,让我们考虑部署边缘 计算,把人工智能放在边缘 服务器上。这被称为边缘 人工智能。因此,可以说目前最好的答案是在尽可能保持速度的情况下实现预测性维护的自动化。

预测性维护和人工智能的可能性

本文主要介绍了预测性维护与预防性维护的区别,以及预测性维护的优点。随着人工智能的发展,预测性维修的可能性正在大大扩展。而利用人工智能与边缘 计算实现预测性维护是目前最理想的图。

相关文章