通过优化预测性维护最大限度地延长正常运行时间并提高运行效率

了解预测性维护 (PdM) 的优势

将人工智能用于预测性维护，可以帮助工厂避免因设备故障和意外停机而造成的代价高昂的问题，包括生产力损失、维修成本以及错过客户交货时间和预期。

预测性维护为使用旧系统的公司提供了一种具有成本效益的替代方案，以取代普遍存在昂贵的"运行至故障"的操作习惯。其改进了过时的、劳动密集型的预防性维护方法，在这种方法中，维护是以严格的、固定的增量进行的。

相比之下，数据驱动型方法可让您在代价高昂的停机时间发生之前进行干预。通过现代软件定义的工厂车间基础设施，可从整个工厂物理设备的多个故障点收集运行数据，这些设备通常是生产设备、发动机和其他高价值资产。

例如，汽车制造商可以利用传感器数据监控容易过热的焊枪状况。分析功能可根据机器的工作状态预测未来的故障，并在接近阈值时触发警报。

借助人工智能预测性维护，您的组织可以：

• 采用预测方法，最大限度地延长正常运行时间。传感器数据可提前通知潜在故障，从而推动更有效的决策并加快维修。您可以提前计划，最大限度地减少机器故障对运营的影响，主动安排维护时间，避免长时间中断生产，并在机器维修期间将负载转移到其他设备上。
• 通过预测设备何时会出现故障来提高运营效率。设备的正常和高效运行是生产和利润率的核心驱动力，使您能够最大限度地提高整体设备效率 (OEE)，达到关键绩效指标 (KPI)，优化投资回报率 (ROI)。
• 利用历史数据预测关键部件的磨损情况，实现产品质量的一致性。您可以在预测到异常情况时下令进行维护，并将设备保持在理想的参数范围内，从而实现接近零的缺陷率。

与此密切相关的是基于人工智能的机器状态监测，这是一种类似的工业 4.0 技术，可让您利用数字孪生模拟运行结果，检测预示灾难性故障的异常情况，检测产品缺陷，并利用计算机视觉监控工人以满足安全合规规定。

既然您已经了解了智能检测在工厂中的一些好处，那么您就可以开始计划实施了。以下是成功部署预测性维护所需的步骤。

评估您的风险等级

第一步是评估组织的风险等级。从设备故障/缺陷到安全性与合规性，制造商面临着无数的风险，预测性维护和启用人工智能的机器状态监测有助于减轻这些风险。编写一份关于潜在风险的报告将使您能够确定人工智能解决方案是否值得前期投资。

• 应进行内部风险评估，以深入了解运营风险。需要考虑的一些重要数据点包括:
  • 风险分析
  • 机器停机日志
  • 产品质量调查
  • 安全事故审查
  • 有关工艺偏差的记录和历史数据
  • 缺陷率
  • 合规问题
  • ISO 认证状态
• 还应进行外部风险评估，研究意外停机造成的财务影响，探索停产如何导致供应链瓶颈和引起商品价格波动，并就停机如何影响客户满意度进行调查。人工智能解决方案可以帮助您保持业务平稳运行，从而降低业务风险。
  
  贵组织面临的具体风险因分部门而异：
  • 离散型制造商，如汽车、家电和电子产品制造商，更容易因机器故障而造成质量损失和供应链中断。
  • 包括制药和食品饮料公司在内的加工制造商更容易受到与配方错误、监管合规性和流程控制有关的问题的影响。

您还应该依靠外部研究，包括竞争分析和行业报告，来比较与自己类似的工厂的数字化转型。例如，您可以阅读宝马公司如何利用工业 4.0 解决方案自动化并增强其工厂关键质量控制流程的成功案例。

与人工智能解决方案提供商合作

一旦准备就绪，可以考虑与合作伙伴共同完成繁重的工作。其可以简化从规划到实施的整个过程，有助于节省时间、降低成本、限制复杂性并克服实施障碍。英特尔与遍布全球的人工智能和工业解决方案提供商及系统集成商 (SI) 合作，确保合作伙伴的解决方案针对英特尔® 硬件进行优化，并确保基于英特尔的系统能够实现高性能和平稳运行。

例如，Prescient Technologies 公司提供了一种灵活的数字孪生解决方案，可让您在 30 天内看到数据的影响。该解决方案基于英特尔® 边缘洞察工业平台和 OpenVINO™ 工具包，可帮助操作员快速处理分散的运营数据源，提供清晰的可视化和可操作的数据洞察。请点击此处与他们联系。

阅读有关英特尔生态系统合作伙伴如何在整个制造业实施工业 4.0 解决方案的最新案例研究。

部署人工智能解决方案

下一步是在整个工厂内和不同设备上部署人工智能，以便监控设备和收集数据，其人工智能算法可以实时分析收集到的数据，以识别和预防与维护、合规性和生产率相关的问题。

以下是在工厂部署人工智能解决方案的详细内容摘要：

1. 在设备中安装人工智能技术，以收集运行数据和故障历史记录，并确定机器的具体特征。运行数据为预测性维护提供了基础，特别是机器的正常运行数据和错误数据。传感器通常用于收集这些数据。例如，如果监控的是液压泵，传感器可以采集振动率、油压、流体速度和其他相关参数。另外，如果机器是软件定义控制系统 (SDC) 的一部分，则可安装遥测代理来实时捕捉机器的特性。
2. 在边缘或云端准备机器数据。数据库用于存储原始数据以供分析。数据科学家将对数据进行预处理，将其转换为适合算法的格式。预处理步骤可提高数据的准确性，使算法能够高效地处理数据。
3. 在预处理数据上对人工智能算法进行训练，以创建一个专门针对机器运行数据的模型。数据科学家将根据数据的性质和关键性能指标（如延迟、模型大小和准确性）确定要使用的适当算法。
4. 在边缘设备或中央服务器上部署训练有素的人工智能模型，收集来自不同机器的流式数据，从而进行集体预测。最适合贵组织的方案取决于上述风险水平。需要实时预测的业务应将模型部署在边缘设备上，而在预测故障方面有更大余地的业务则可以使用中央服务器。
   
   不过，这其中也有取舍的问题。在边缘设备上实时读取数据可能需要使用较小的模型，这可能不如大型模型准确，从而导致预测结果的差异。
   
   建议边缘用例使用具有人工智能加速功能的边缘设备。OpenVINO™ 工具包是一个用于优化和部署人工智能模型的开源工具包，可让您以更高的效率在边缘运行人工智能应用。
   
   此外，由 oneAPI 支持的英特尔® 人工智能工具可帮助您加速英特尔® 架构上的机器学习工作负载，并为 PyTorch、Modin、scikit-learn、XGBoost 等流行框架和库提供优化包。

选择和部署英特尔® 解决方案

利用正确的技术组合是成功部署人工智能的关键。凭借强大的端到端人工智能平台，英特尔为您提供实施工业人工智能解决方案所需的组件，包括:

• 硬件解决方案，例如具备时敏网络 (TSN) 等功能的人工智能就绪处理器，可实现低延迟，以及适用于工业条件的坚固耐用的耐热硬件¹
• 软件解决方案，例如以工业为中心的开发平台
• 合作伙伴提供可立即部署的定制解决方案或系统集成专业技术，帮助您部署基于英特尔的解决方案，最大限度地降低系统复杂性

英特尔提供的部分产品可帮助您实现预测性维护解决方案，其中包括:

• 英特尔® 至强® 可扩展处理器提供了在工厂车间推动高级分析的性能。这些处理器内置英特尔® 人工智能引擎，可大规模加速人工智能工作负载，通过提升 CPU 内核上深度学习训练和推理任务的性能，快速洞察运营数据。²
• 英特尔® 边缘洞察工业平台为利用工厂数据改善运营奠定了基础。这款开放式、可随时部署的软件包支持视频和时间序列数据摄取，并配备了经过验证的软件组件，可加快工业人工智能的部署。它包括人工智能分析，可发布到本地应用程序或云端，并为定制解决方案提供了灵活性。
• 英特尔生态系统合作伙伴提供的英特尔® 物联网市场就绪解决方案（英特尔® IMRS）将英特尔® 硬件和软件集成到可随时部署的工业解决方案中，从而消除停机风险、提高运营效率并改善工人安全。这些可随时部署的工业 4.0 解决方案针对在英特尔® 处理器上运行人工智能应用进行了优化，从而提高了边缘和企业内部的性能。

优化预测性维护

基于预测性维护和人工智能的机器状态监控解决方案可让您的组织最大限度地延长正常运行时间，从而实现运营效率。英特尔® 硬件、软件和我们的合作伙伴网络可以帮助您部署市场就绪的人工智能解决方案，实现理想的运营最终状态。请联系您的英特尔代表或英特尔® 技术合作伙伴，立即开始使用人工智能。

立即查找英特尔® 技术合作伙伴提供的工业人工智能解决方案。