机器学习将维护提升到一个新的水平

预见性维护对智能工厂来说越来越重要。准确跟踪机器性能并在故障发生前预测故障的能力，有助于制造商提高整体设备效率，减少浪费的时间和成本。

预测维修的一个领先解决方案是状态监控;然而，收集机器性能指标仅仅是开始。准确解释和交流这些信息的能力对系统的可靠性至关重要，而这正是机器学习发挥作用的地方。一种带有机器学习的状态监控解决方案消除了方程中的人为错误，使预测性维护解决方案更加智能和有效。

什么是预测性维护?

预见性维修是跟踪关键机器部件性能的过程，如电机，以减少维修所需的停机时间。预测性维护使用户能够根据机器本身的实时数据，更准确地预测何时需要进行机器维护。因此，预测性维护可以帮助减少机器停机时间，增加平均故障间隔时间，并减少不必要的机器维护和备件库存成本。

传统上，工厂经理依赖于机器制造商提供的预防性维护计划，包括根据建议的时间表定期更换机器部件。然而，这些时间线只给出了机器何时需要服务的估计，而机器的实际使用会极大地影响这些估计的可靠性。一方面，这意味着你可能要为不必要的维护计划和更换部件支付费用。另一方面，在定期的维护访问之间，很多事情可能会出错。例如，如果轴承过早磨损或电机过热，机器可能比预期更早需要维修。此外，如果问题长时间未被发现，问题可能升级，进一步损坏机器，并导致成本高昂的计划外停机。预测性维护有助于避免这些问题，节省时间和成本。

使用机器学习进行状态监测

通过允许用户识别机器性能的关键变化，状态监控在预测性维护中发挥着关键作用。监测的一个重要条件是振动。机器振动往往是由零件不平衡、不对中、松动或磨损引起的。当振动增加时，就会对机器造成损坏。通过监测电机、泵、压缩机、风扇、鼓风机和变速箱的振动增加情况，可以在问题变得严重并导致计划外停机之前检测到问题。

振动传感器通常测量均方根(RMS)速度，这提供了最均匀的振动测量范围内的广泛的机器频率，并表明机器的整体健康状况。另一个关键数据点是温度变化(即过热)。机器学习利用这些信息，自动定义机器的基线条件，并为急性和慢性情况设置阈值，这样你就能提前知道——并在有信心的情况下知道你的机器何时需要维护。

五个关键能力

机器学习只是创造智能状态监测解决方案的一个重要元素。以下是在预测性维护解决方案中需要寻找的五大功能:

1. 持续的监控。最有效的预测性维护解决方案将持续监控机器的关键变化，包括RMS速度、高频RMS加速度和温度的变化。这些条件的变化是未来故障的主要指标，持续监控解决方案将实时捕捉这些变化，并允许及时采取行动。
2. 机器学习。在将振动传感器安装到机器上之后，大多数传感器都需要你收集足够的数据来建立机器的基线。机器学习通过自动化数据分析消除了人为错误的机会。一种带有机器学习的状态监测解决方案将识别机器的振动和温度水平的独特基线，并在适当的点自动设置警告和警报阈值。这使得状态监测系统更可靠，更少依赖容易出错的人工计算。
3. 无线通信。无线状态监测解决方案易于快速部署，并且可以根据您的需求变化进行调整，而不需要大量的电缆运行停机时间。此外，在不方便的位置监视机器的能力允许更全面的监视和提高整个工厂的可靠性。
4. 本地和远程指示。当超过振动或温度阈值时，智能状态监测系统应提供本地和远程指示，如向中心位置的塔灯发送信号或发送电子邮件或文本警报。这将确保无论机器是否在操作员的视线范围内，警报都能迅速处理。
5. 数据日志记录。条件监视解决方案允许您随时间记录收集的数据，从而实现更多的优化。通过无线系统，振动和温度数据可以发送到无线控制器或可编程逻辑控制器(PLC)进行更深入、长期的分析。

使用机器学习监测振动和温度可以提高可靠性，减少计划外停机时间，节约维护成本。这也是一种简单的方法，可以开始对您的机器做出更好的、数据驱动的决策，并将您的工厂转变为智能工厂。