随着先进制造业对运维服务的重视程度发生变化，传统的备件购买、定期维护的观念已经过时，工业互联网和人工智能使能的数字化运维解决方案将是新的趋势。
-罗兰·贝格，预测性维护:数字化运维的制胜基石
这篇文章指的是
本文参考了罗兰·贝格对《洞察-预测性维护:数字化运维的制胜基石》的解读。罗兰·贝格成立于1967年，是世界上唯一一家起源于德国、起源于欧洲的顶级咨询公司。报告原文下载见文末。
随着互联网技术的创新、大数据的应用和积累、计算能力的提升以及相关模型理论的快速发展，人工智能的应用场景逐渐丰富，近年来逐渐过渡到实际操作。运维服务作为制造业的重要组成部分，通过工业互联网与人工智能的深度融合，打造创新应用场景，实现可持续降本增效的数字化运维解决方案，将是新趋势。
第1部分为什么需要预测性维护？
预测性维护是运维服务的最新发展，主要受益于工业互联网、大数据和人工智能的交互应用，具有主动性和针对性强的特点。预知维修的核心思想是通过预测设备和系统的运行状态，最大限度地提高零部件的使用效率，同时降低生产线停工的成本，减少不必要的浪费。
在数字化智能制造环境中，数据和围绕数据的智能处理活动是为了实现和维护特定的生产经营指标维度而构建的。预知维修是通过对设备本身和外部传感器的实时数据采集，利用分布在各层环境中的计算和处理平台，依托围绕设备运行特性和风险指标相关性的算法模型，提供一种判断设备故障维修准确性的方法体系。
1.优点:预测性维护硬件主要帮助建立设备与服务器的连接，不改变生产流程，对生产线影响不大。
优点:可以在同一台设备上快速复制解决方案。
优点:预测性维护可降低MRO成本5-10%，整体维护成本5-10%；在效率提升方面，预知维修可以增加设备正常运行时间10-20%，减少设备维修时间20-50%，为产品质量提供更好的保障。
优点:预知维修的主要原理是基于设备联网、数据采集、大数据分析和机器学习。未来发展潜力大，应用场景广。
第二部分解决方案和着陆练习
基于对数字化运维的丰富洞察和项目实践经验，罗兰·贝格开发了一套从设备引进机会识别、方案设计到实施的一站式预测性维护解决方案。
1.硬件:主要负责本地数据采集和分析，包括数据采集设备和边缘计算服务器；
a)数据采集设备:主要用于数据采集、数据上传和模型分发。
b)边缘计算服务器:引领AI预测、本地数据缓存等相关边缘应用。与云计算相比，边缘计算器可以缩短故障报警的响应时间。。
2.软件:主要用于故障检测建模和云存储处理；
a)建模:通过特征提取、分析等识别特征向量。，并执行机器学习；随着处理数据的增加和流程数据的收集，可以不断训练模型，最后通过云服务迭代更新模型，不断提高模型精度。
b)云服务:可以提供批量历史数据存储和数据可视化。
基于预知维修的框架，我们还需要对客户设备进行有针对性的机会诊断、数据收集、算法构建和落地验证。根据不同的设备，需要考虑实际情况，对关键部位引入预知维修，以最低的成本取得最佳的应用效益。机器学习模型是预测维修解决方案的核心。针对预测性维护的引入，通过传感器采集、特征分析、特征向量和机器学习建立模型，有效赋能故障预测。
产品级解决方案
PreMaint设备健康管理平台基于东智工业互联网平台，是集快速感知、实时监控、预警、联动处置、智能维护、诊断于一体的设备管理综合平台。是半导体行业唯一的设备健康管理解决方案，适用于流程行业和离散行业。通过对设备振动信号的实时监测，可以提前预测设备的亚健康状态，有效实现企业设备的预见性维护。2020年，PreMaint获得天津市工业APP大赛一等奖，2021年入选工信部优秀工业APP。
[PreMaint应用案例——“设备健康管理——半导体泵的卫士”]
第三部分数字化运维场景
通过项目经验的积累和长期广泛的内外部专家讨论，罗兰·贝格认为预测性维护是数字化运维的关键步骤。通过预测性维护的软硬件赋能，后续应用场景广泛。
1.数字资产盘点:通过预测性维护管理平台，可以收集设备上传感器传输的数据，与资产台账进行比对，确认实物资产的存在，有效减少盘点人力资源的浪费。
2.数字化运维:预测性维护检测到的实时处理数据可以成为工厂整体运维管理系统的重要输入，后续的维护服务流程和备件物料拉动流程将基于数据分析结果启动。
3.生产和物料控制系统的赋能:生产和物料控制系统基于安装在设备上的传感器传输的数据和自动控制系统的数据，可以实时收集、存储、整理和形成处理数据的可视化报告，这是生产管理的重要输入。
4.供应链赋能:设备故障预测系统可以横向比较不同来源的关键零部件的质量性能，并以此作为供应商质量管理的重要依据。同时，采购可以利用相关数据进行供应商绩效评估，并作为议价依据。
