隨著技術的發展，“為什么要修復未損壞的東西”這句老話已不再有效。

　　在當今“永遠在生產”的世界中，工廠和生產設備全天候運轉，任何故障都會導致生產嚴重中斷，有時甚至會對其他下游業務產生連鎖效應。為了確保運營的可靠性，進行足夠的維護是關鍵。企業已經知道這一點，所以這不是為什么的問題，而是什么時候的問題。

　　隨著組織和運營商采用物聯網(IoT)技術，包括各種各樣的機器人、攝像頭和傳感器，他們收集的數據量只會繼續增長。

　　事實上，全球用于收集、分析數據和自主執行任務的設備數量，預計將從2020年的97億臺增至2030年的294億臺，增長近三倍。

　　如此爆炸式的數據量對于人類來說是一個挑戰，因為我們的大腦無法及時地分析和處理正確的信息。雖然數據為企業提供了對其運營的前所未有的洞察，但如果不能理解數據并據此采取行動，這種優勢就會過時。

　　這就是在維護中使用預測分析和人工智能(AI)的原因。

　　什么是預測分析?

　　預測分析允許用戶通過收集的歷史數據確定概率來預測未來的趨勢和事件。

　　其預測潛在的情況并確定每種情況的可能性，幫助推動戰略決策。這些預測可以是近期的，如預測某臺機器在當天晚些時候會發生故障;也可以是更長遠的未來，如預測這一年維護操作所需的預算。預測使企業能夠做出更好的決策，并制定基于數據的戰略。

　　使用人工智能進行預測性維護

　　人工智能最有價值的功能之一是，其能夠同時消化來自多個來源的信息，計算各種可能結果的概率，并基于各種原因提出建議——所有這些都無需人工輸入。這種能力使預測分析能夠利用許多現代企業中可用的大量數據。

　　隨著世界產生越來越多的數據，無論是從成千上萬的物聯網傳感器、顯示原材料和零部件交付時間的運輸數據，或是從全球氣象站收集的開源天氣數據，人工智能正在成熟，以幫助人類理解所有信息。其可以從茫茫的噪音中篩選出信號，做出可行的決策。

　　通過適當的人工智能配置，擁有人工智能、ERP集成運營的企業可以根據從數據中收集的信息采取行動。

　　這些都是如何影響維護的?目前，有三種類型的維護:基于時間的維護 反應性維護 預測性維護

　　基于時間的維護是指用戶根據計劃執行維護，通常是機器的預期生命周期。這在理論上很好，因為用戶可以根據其他類似的設備來確定維護需求。然而，這主要是理論上的，因為每臺機器的功能取決于許多因素，包括使用、位置、磨損等。使用基于時間的方法，組織可能會在機器上執行過多或不夠的維護。

　　另一方面，對于反應式維護，在需要時進行維護，這意味著將出現計劃外停機，從而中斷生產活動。

　　預測性維護解決了所有這些問題。這是一種基于條件的維護，通過傳感器監測設備和工具的狀況，傳感器提供的數據用于預測資產何時需要維護。因此，只有在滿足特定條件時，也就是在設備開始出現故障之前，才計劃進行維護。

　　隨著人工智能技術的成熟和組織部署越來越多的物聯網工具，人工智能支持的預測性維護的使用正在增加。

　　預見性維護的實施

　　盡管幾乎所有需要定期維護機器的企業都可以從預測性維護中受益，這取決于機器停機的成本，但有些企業比其他企業受益更大。

　　例如，由于業務運營的遠程性質，現場服務業務從預測性維護中獲益良多。由于石油鉆井平臺和風力渦輪機等資產位于偏遠地區，易受惡劣天氣影響，對機器故障的反應可能會嚴重影響生產。

　　更糟糕的是，事后進行維護會帶來巨大的成本，因為需要訂購備件，維護人員需要快速部署到那些偏遠的地點。然而，通過預測分析，現場服務機構可以在風力渦輪機部件無法保證持續發電之前對其進行必要的維護。

　　例如，通過分析機器的振動、聲學和溫度，操作員可以發現潛在的問題，如失衡、錯位、軸承磨損、潤滑不足或氣流。

　　另一個例子是警報，這是一個故障設備發出的信號/故障代碼。系統可以分析該類型設備的先前維護工作，以及特定的信號/故障代碼。根據歷史記錄，系統確定其看到該組合的最后設置次數——以前的維護工作和特定的信號/故障代碼。然后，在任何實際故障發生之前，將在適當的時間派遣一名技術人員，配備系統推薦的適用備件，以完成修復。預測分析可以讓操作人員更精確地跟蹤機器的磨損和潛在缺陷，更重要的是，可以讓其在機器故障前采取行動。

　　通過使用歷史趨勢和天氣模式，結合來自設備傳感器的信息和預測的供應鏈交付時間，可以提前進行預防性維護。機組人員可以更好地控制維修的地點和時間，而不是在事故發生后匆忙前去救援——這讓他們可以選擇自己的戰斗。

　　總結

　　雖然沒有萬無一失的預測災難的方法，但人工智能可以讓我們盡可能地接近災難。

　　正如沿海地區的人們一旦發現颶風可能會囤積瓶裝水和備用電池一樣，一個集成了人工智能的維護系統可以讓企業在任何問題變成真正的問題之前根據需要進行維護。