維護，在很多設備運行過程中必不可少。任何設備都可能在生命周期中，因為設備疲勞衰退，或者外界干擾，經歷可能的故障，無論大小，無論類型。尤其在生產環節中，保證設備的可持續性運行，是設備維護的目的所在。

很多人以為只會出現在大型機械設備上，比如發動機。其實，汽車的日常保養就是一個典型的例子。大家有一個基本的認知，每過固定的里程數或者超過固定的時效，比如 5,000 公里或者半年，我們都會被要求把汽車開到 4S 店更換機油機濾，做一次保養。很多人對這種汽車保養的方式深惡痛絕。一是麻煩，二是成本。大型設備的維護也面臨著同樣的問題。

這種固定運行時間間隔或者固定運行距離的保養叫做例行維護，就像每年例行體檢一樣，目前是設備維護的主流方法。在真實場景中，不同的車子，甚至在不同的時間段，每個車子可能經歷不同的路況和行駛習慣。這種針對不同的運行條件，卻給出相同的維護方法，要想在精度和成本上達到最優幾乎是不可能的。

簡單易行是例行維護的最大優點。例行維護在現實中即不夠經濟，也不夠智能，但是它有一個最大的有點，那就是簡單。使用者不需要時刻監控設備的運行狀況，只要按照手冊按部就班執行維護即可。

簡單易行是以更高的設備維護成本，較低的正確率為代價的。成本和精度是一對互斥的對象。要想提高維護精度，降低設備故障的概率，往往依靠提高例行維護的密度來實現的；同樣，要降低維護成本，也要以更高的設備故障為代價。例行維護往往根據設備故障潛在的嚴重后果來增加維護頻率來降低故障概率，往往同時也增加了運行成本。

隨著人工智能在工業應用的興起，越來越多的公司開始采用，一些基于人工智能的方法，希望同時降低故障概率和降低運行成本。這種方法被稱為預測性維護。我們先看一下著名的石油勘探和鉆井服務公司貝克休斯是在提高精度的同時降低運行成本的？

在需求高峰期，貝克休斯工作人員需要全天候工作，開采石油和天然氣儲層。在單個井場，多達20輛卡車可同時運行，高壓泵將高壓水和沙子的混合物注入鉆井深處。這些泵及其內部零件，約 10 萬美金。如果活動現場的卡車發生泵故障，貝克休斯必須立即更換卡車以確保連續運行。而向每個站點發送備用卡車會使公司總體損失數千萬美元。過于頻繁的維護會造成很大的浪費，導致零件在仍可使用時被更換和額外的停機操作。無法準確預測閥門和泵何時需要維護是構成這些成本的基礎。

貝克休斯的工程師創造性地引入了一個預測方法。他們將現場收集的數據從溫度，壓力，振動和其他傳感器導入 MATLAB，分析并確定數據中哪些信號對設備磨損影響最大。分析過程包括了常見的傅里葉變換和頻譜分析，過濾卡車、泵和流體的大幅度運動導致的干擾，以更好地檢測閥門和閥座的較小振動。該小組創建并訓練了一個神經網絡，以使用傳感器數據來預測泵故障。并在現場測試中證實了泵健康監測系統預測泵故障的能力。

這個典型的預測性維護算法采用了 MATLAB 作為算法開發平臺，算法開發成本節約了 30%~40%，相比較傳統的通用語言，MATLAB 自帶的算法庫讓整個開發時間較少了一個數量級。這個項目最終預計節省超過了 1000 萬美元。

貝克休斯的案例就是典型的預測性維護的例子。工程師利用傳感器搜集的數據，提取傳感器數據的有效成分，基于這些數據特征進行故障模型建模，可以預測設備的剩余使用壽命或者診斷故障類型，并在生產環境中進一步搜集不斷優化預測模型。

一個合理的預測性維護模型可以在提高預測故障精度的同時，降低設備維護成本，增加設備運行壽命。維護的本質是按需提供必要的設備維護，盡可能減少甚至避免傳統兩次例行維護之間潛在的故障發生概率，最終實現設備的不停機運行和降低成本。

除了大型設備的維護，當前智能建筑方興未艾，通過在建筑物中添加傳感器的方式，提供智能化樓宇控制，降低維護成本和提高客戶體驗，增加客戶對產品的粘度。我國在十年前就已經有文獻提出了針對廣州塔小蠻腰提供智能化監控的研究性方法。早在幾年前，日本政府考慮維護年久失修的橋梁；因為預算有限，無法對所有的橋梁展開全面的修復工作。一種有效的解決方式是，在橋梁上架設 IoT 設備，通過低功耗無線設備發回實時的傳感器數據，包括震動、濕度、溫度等傳感數據到數據中心。數據中心根據模型找出最容易近期出故障的橋梁，立即展開橋梁維護工作，好鋼用在刀刃上。

我們用一個針對風機的承軸開發預測維護模型的例子，讓大家了解一下如何開發流程和潛在的挑戰。風機數據搜集自一個 2兆瓦的風力發電機的高速轉軸，該轉軸由一個20齒小齒輪驅動[1]，每天搜集 6s 的震動信號，連續采集 50 天。

直接觀測原始震動信號很難分辨出信號的變化過程。在稍微復雜一點的設備中，多個維度的傳感器的數據常常是高度耦合在一起的，我們無法通過傳統的基于閾值的方法來設置警報曲線。

在從耦合在一起的數據中提取出設備相關信息，需要相關領域的技術專家，即了解設備的運行原理，又了解信號分析，能夠根據數據的特征，反推出設備故障類型，這就是進入更加高級的故障領域——故障診斷。

通過自動化建模，我們很快就可以把人工智能的技術加載到模型之中，并且通過生產過程搜集的數據，進一步從新的數據中學習，即半增強學習。

如果缺乏模型的條件下，我們可以通過物理建模的方式，構建復雜系統的物理模型，注入錯誤觸發條件，通過模擬的方式搜集足夠的數據以支持模型的建立。

經過模型確認，我們可以把模型轉化為能夠下載到嵌入式處理器中的代碼，最終部署到生產系統之中。

開發整個預測性維護系統的完整流程如下所示：

在整個開發流程中，除了有效的工具輔助之外，我們還會面臨一些技術挑戰，：

1. 傳感器數據的提取，干擾消除和可視化處理

2. 針對具體的領域知識，提取設備運行信息

3. 基于機器學習和深度學習，建立智能預測（RUL）和診斷模型

4. 構建設備的物理模型，缺乏前期數據時，模擬出足夠的數據

5. 把模型轉化為嵌入式算法，開發并部署到生產環境之中

6. 大數據場景下的預測性模型分析和構建

通過傳感器搜集設備運行數據，從數據中看出設備的健康狀態，從而預測設備的工作壽命和潛在故障類型，讓設備故障“未有形而除之”，這就是預測性維護存在的最大價值；提供一個長期無故障運行的長壽設備，也是智能制造的競爭力所在。