利用数据分析改进维护操作

通过使用在维护操作期间已经收集到的大数据进行规划和集成分析，提高可靠性。请参阅在维护操作中实现数据分析的五个步骤。

通过亚伦叫法 2022年3月7日

学习目标

数据分析是对原始数据进行分析以做出明智的决策。
利用大数据的高级数据分析可以帮助制造商做出更好的决策并改善运营。
资产关键性分析可以帮助公司找到从哪里开始改进分析，并从那里建立一个程序。

自从人们开始记录机械读数以来，工业组织就开始使用数据分析、趋势分析、图形化和其他可视化技术。虽然数据分析仍然是一个不变的概念，但没有多少维护经理充分认识到它是什么，它如何影响运营，或者它将如何塑造工业4.0。

什么是维护中的数据分析?

数据分析是对原始数据进行分析以做出明智的决策。就是这样。目前的技术已经这样做了几十年。现在发生变化的是收集的数据量以及谁(在这种情况下是“什么”)在进行分析。

从历史上看，技术人员收集数据，而管理人员或专家分析这些输入并得出结论。随着先进技术和软件的每一次迭代，这两种行为都比以前更加数字化。
如今，数据分析不仅对维护很重要;这也是未来的关键。维护策略的下一个演变将使用规范分析，其中软件收集和分析数据，并为可能无法执行的维护任务提供建议。在这个“规范的维护先进的人工智能(AI)和机器学习(ML)软件将帮助决定采取什么行动以及何时采取行动。

很少有真正用于实际目的的人工智能维护软件。许多公司都在竞相实现这一目标。

然而，在大多数工业车间，这仍然是一个白日梦。操作通常是手动读取数据，而高级的少数则使用无线传感器，并期待着更加自动化的未来。

图1:维护策略正在向规定性分析发展，其中软件不仅将收集和分析数据，还将提供建议。福禄克可靠性解决方案提供

手动和自动数据分析

手动数据分析需要大量处理数据并查看弯曲的线条。许多工业运营提供数据分析服务，减轻了管理人员的麻烦- - - - - -数据筛选，来源验证，确定哪些数据需要专家分析。

无论您是否拥有手动数据分析的内部专业知识，还是更喜欢使用复杂的自动化分析，这一切的基础都是由状态监测传感器和控制生成的大量数据。

制造业的大数据和数据分析

大数据是任何大型或复杂的数据集。在维护领域，它包括工业测量、操作数据和无线传感器读数。然而，收集和存储所有这些数据并不是重点。必须提取和利用这些信息以使其有用。

数据分析是从大数据中解锁信息的关键。专家分析可以从一系列看似不可理解的值和代码中提取意义。随着工业4.0继续为维护和维修操作带来革命，这种分析将转变为智能软件功能- - - - - -今天已经开始了。

虽然人工智能数据分析对许多人来说仍是未来的事情，但目前的维护软件系统正在利用越来越多的数据来协助维护团队，并增强易于自动化的任务。

工业技术和数据分析

工业数据源包括操作控制数据，如监控和数据采集(SCADA)、可编程逻辑控制器(PLC)系统、建筑管理系统、集成或第三方传感器、具有连接工具的技术人员等等。随着工业物联网传感器在资产上的应用越来越广泛，大数据的来源比以往任何时候都多。热成像工具也可用于从多个资产中读取数据。振动传感器连续传导状态监测还能感应到电机轴不对等问题。技术人员使用手持工具抽查的数据可以立即发送到云端。软件可以从融合的数据源中推断出一个全面的图景。

图2:今天的无线传感器正在为未来铺平道路，届时状态监测数据将输入人工智能驱动的软件。福禄克可靠性解决方案提供

工业数据分析

一家商业奶酪制造商最近庆祝完成了一项数百万美元的扩张，产能增加了25%。大量的新设备投入使用，管理层知道他们需要监控资产的正常运行时间。

该公司的生产过程工程师表示，该团队知道他们需要在设施中保持产品的流动。他们还想马上知道设备有什么问题。

他们使用无线振动传感器将持续的读数上传到云端，并通过分析软件对最常见的故障进行振动监测。这些数据为维护团队提供稳定的见解，如资产状态、事件信息、警告等。

在维护操作中实施数据分析的五个步骤

通往数据分析增强的未来之路对每个人来说都不一样。一些公司已经将以可靠性为中心的维护(RCM)深入到操作中。其他公司正在开始他们的可靠性之旅，在深入研究工业4.0之前需要掌握基础知识。然而，每个人都可以从这些步骤中受益，无论他们处于人生道路的哪个阶段。

步骤1:完成资产关键性分析

这一手册分析指导团队根据重要性的层次对资产健康状况和维护进行优先级排序。团队根据资产在组织中的使用情况(不一定是其在行业中的标准化使用情况)以及失败时的业务影响对每个资产进行分级。

资产关键性分析还告知团队哪些资产是状态监测和筛选的主要候选资产，从而提供分析源。

第二步:计划一个试点项目

与大多数技术部署或流程更改一样，最好从一小部分资产开始收集见解。在资产关键性分析中，将确定对日常运营至关重要的设备。开始对这些更关键的资产进行状态监视，生成数据分析(手动或自动)所需的组件。

第三步:启动程序

启动一个程序并不是一蹴而就;该计划将在部署期间进行细化，以确保它适合维护和操作需求。如果流程或自动化工作不正确，细化并收集更多数据。也不要气馁。太多的组织放弃了一个试点项目，因为它没有给他们提供他们想要的东西。相反，像海军陆战队一样思考——即兴发挥，适应和克服。

第四步:与领导一起回顾结果

试点项目的启动并不是结束。有了数据在手，用户可以证明进一步的项目扩展到领导。他们还可能根据多年的业务管理和流程变更经验提出建议。向他们证明程序是健全的，并且可以用数据扩展。

第五步:发展数据分析项目

一旦领导批准了项目，就返回资产关键性分析，以确定在何处扩大状态监测计划。增长可以是在同一设施内，设施之间，甚至不同国家之间。

它还有助于完善现有的设置，以获得更好的数据。

发展数据分析项目也意味着测试工业数据的新来源。传感器、手持工具、设备集成SCADA和PLC系统以及其他资源可以融合在一起，提高过程中的分析能力。振动监测是新项目的一个很好的起点，热成像、油液分析和其他基于状态的维护(CBM)资源也很有用。

图3:数据分析和后续决策通常落在经理或专家身上。新技术使这一过程比以往任何时候都更加数字化。福禄克可靠性解决方案提供

数据分析和工业人工智能的未来

上述原则导致高质量的数据分析，是未来技术和软件的基础。他们也是RCM项目的一部分。解决方案应与云集成，将工业4.0带入运营。

现在是时候为即将到来的AI/ML时代奠定数据分析基础了。如今，那些实现数据分析目标的人将拥有整合新兴技术所需的一切。

亚伦叫法的首席技术官是Fluke可靠性解决方案．由网页内容经理克里斯·瓦夫拉编辑，控制工程， CFE媒体与技术，cvavra@cfemedia.com．