专家讨论制造业中的预测性维护

由柏拉图重新发布

关注： 0

为了防止潜在的故障、员工受伤和生产损失，越来越多的公司熟悉远程资产监控。他们尝试奔跑预测性维护系统在制造过程中发现问题之前发现问题，最大限度地降低员工和客户不满意的风险，并防止金钱损失。

幸运的是，21 世纪为制造业中的预测性维护提供了现代且有效的解决方案，可在不同行业中实施。

最近，Prylada 进行了一系列客户开发访谈，其中我们采访了来自制造业的专家。我们团队的目标是收集有关以下方面的有价值的信息资产监控行业中的技术采用挑战，以及公司如何解决这些挑战。

在采访中，我们讨论了市场现状、最困扰的问题、竞争以及行业内有效发展的建议。

普里拉达

过去5年制造业市场发生了怎样的变化？

消费者对产品定制、有竞争力的价格和最佳交付框架的偏好已成为制造公司重新考虑其工作方法的主要驱动力。为了满足现代需求，他们需要通过实施数字技术来提高生产力。这些技术包括数字化可持续发展解决方案、数字孪生、自主移动机器人、增强现实、人工智能和机器学习。

“过去的现实是制造商加班加点，他们的工作非常手动，而且他们没有得到支持。他们只是完成了工作，现在这些制造公司已经从仅仅完成工作转变为需要启动大型数字化转型计划。=

– 理查德·莱博维茨，首席执行官精益DNA

制造商开始从以下角度思考：

我们需要更加紧密地联系
我们不仅需要更好地了解我们正在努力解决的问题，还需要更好地了解我们需要采取哪些行动。

整体情况从工作本身转变为以行动为优先的数字化转型。此外，COVID-19 凸显了强大且适应性强的供应网络的重要性。大流行的不可预见后果导致重大损失工业公司重新考虑他们当前的业务策略。因此，他们的目标是优化现有流程，减少对外部因素的依赖，从而增强对不可抗力情况的抵御能力。

对可持续发展的关注成为更多地使用智能物联网技术的驱动力，使制造业变得更智能、更高效、更可持续，同时也改善了员工的福祉。它是通过自动化和数字化转型实现的，并且利用预测分析来推动更好的建议。反过来，这让我们更好地了解瓶颈是什么以及挑战是什么。

另一方面，采用新智能技术的过程变得更加复杂和耗时。供应链挑战和人员短缺导致整个高管层深入参与基层运营事务和决策。这导致更多的利益相关者需要理解风险，调整预期价值收益，并平衡这些考虑因素与其他公司计划。

自动化、人工智能和物联网等领域的技术进步日新月异，要求制造商适应新技术并将其集成到其运营中。

普里拉达

然而，向新资产监控技术的过渡可能非常复杂且成本高昂，需要提高员工技能并确保与现有系统的兼容性。

正如受访者与我们分享的那样，我们收集了与这一转变相关的最常见的挑战和障碍。首先是我们最常听到的观点。这并不一定意味着它们是最关键的，但它确实表明了它们的普遍性。让我们开始吧。

制造设备非计划停机

现代设备的制造涉及高精度复杂的工艺和精密的设备。由于产量损失和生产时间损失，意外的制造设备停机可能会造成非常高的成本。预测性维护方面的最新创新可以极大地帮助减少生产力损失，并节省大量精力和时间。

制造业中成功用于预测性维护的技术之一是对大量故障数据、维护和跟踪数据进行分析。为了增强所使用数据的质量，将过程、时间戳和详细组件信息等参数归因于故障模型，以创建强大的数据集。几家大型半导体制造公司已报告使用此类技术作为其预测维护模型的一部分来提高产量。

挑战依然存在，因为许多复杂的流程往往会出现频繁的偏差和转变。在运行之间调整特定参数以保持过程目标。实时监控和捕获参数配置的虚拟传感器等技术可用于实现适当的控制。这是目前一个活跃的研究领域，研究人员正在积极探索包括人工智能在内的新技术。

缺乏数据收集工具

由于资产可见性有限意味着维护和更换成本增加，许多制造商已经在努力获取基本的机器数据。这些数据通常包括温度、振动、速度和其他性能指标。

然而，对于许多公司来说，投资数据收集工具可能是一项成本高昂的工作。这就是为什么他们更喜欢使用可用资源，这可能会在很多方面阻碍发展。

希望使用实时数据进行资产监控的制造商需要一种能够自动连接和收集任何来源数据的工具。理想情况下，它还应该能够规范和管理数据、执行分析并轻松与第三方应用程序和云计算平台集成。

普里拉达

数据集成和可扩展性问题

制造基础设施通常包含不同的系统，例如机械、生产线和公用系统。这些系统可能是在不同时间使用不同的技术实施的。此外，每个系统都以其格式生成数据，这使得与第三方系统的集成成为一项艰巨的任务。格式不一致、缺失值和不准确都会阻碍有效的集成。

随着制造设施和流程的发展，数据格局也在不断扩大。系统必须具有可扩展性，以适应不断增长的数据量。确保整个制造业务的无缝、高效的数据流，同时又不会压垮监控基础设施，这一点至关重要。通过投资现代工具并优先考虑数据质量可以实现这一目标。

普里拉达

制造中的安全漏洞

制造业面临着不断变化的网络威胁，从勒索软件攻击到供应链漏洞。在硬件方面，质量较低的假冒产品被认为是半导体的一个主要问题，而芯片仍然相对不受安全相关问题的影响。

然而，在过去几年中，攻击者已经找到了利用复杂的半导体制造工艺的方法。他们试图通过硬件木马引入恶意逻辑来操纵芯片架构。攻击者利用这些特洛伊木马进行拒绝服务 (DoS) 或数据盗窃。值得注意的是，叙利亚报告了一次重大木马攻击，攻击者在芯片中嵌入了名为“Kill Switch”的木马，以禁用叙利亚防空系统，从而使他们能够执行空袭。

在过去几年中，制造商扩大了基于机器学习和物联网 (IoT) 的数据分析概念的使用，以确保其设备得到适当的保护。在这些技术中，他们首先初始化所有监控参数的设备，然后将机器学习算法应用于这些参数，以预测输出的参数类别。如果结果（输出）与预测不符，制造商可能会对设备进行标记。