随着智能制造战略的持续推动，越来越多的企业开始推动实施工厂的智能化改造，工厂中各种关键设备正在不断增加，导致工业系统正变得越来越复杂，任何一台机器或零部件的故障都将给工厂的正常生产带来巨大风险。基于这样一种需求，可预测性维护正在成为推动智能工厂实施的关键创新点之一。
预测性维护是从“状态监测”这一概念发展而来。基于连续的测量和分析，预测性维护能够预测诸如机器零件剩余使用寿命等机关指标。关键的运行参数数据可以辅助决策，判断机器的运行状态、优化机器的维护时机。
状态监测”收集被监测零件状态的实时信息；然而状态监测未能前瞻性地预测机器运转中断和磨损消耗。因此，预测性维护的出现是一大转折点：更加精巧的传感器、更加高效的通信网络、能够处理大规模数据的强大运算平台，通过随机算法将数据与机器出现问题时的数据模式进行比对。
由此，可以识别、模拟并解读机器运行参数的规律。正是这些规律帮助我们更加精准地预测机器的使用寿命，并且通过整合系统的所有操作数据，优化服务的方方面面——既能使客户受益，又能够帮助供应商改进产品。
一、基于认知技术的预测性维护
IBM调查显示，在许多行业，由于拥有多年在职经验、精通资产运行和修复的员工纷纷退休，使得保留技能娴熟、知识丰富的员工成了企业所面临的紧要问题。退休员工使许多企业面临严重的知识缺口。幸好，如果企业拥有丰富的资产文档、维护记录以及其他与资产维护、过程和流程相关的非结构化信息源，就能够应用认知技术，为预测性分析所发现的相关问题确定适当的维护程序。
为帮助企业解决由于人员退休带来的设备维修困境，IBM利用认知技术帮助企业改善资产性能，缩短修复时间，降低总体维护成本，并针对关键资产实施更有效的运维。这两个关键组件包括：
1.IBM Predictive Maintenance and Quality
IBM Predictive Maintenance and Quality帮助资产密集型企业密切监控资产运行状况，预测即将发生的资产退化或故障情况，确定造成性能下降的可能原因。借助于此类洞察，运营与维护人员的战略就能够从被动应对转变为主动出击，以提高资产可靠性、可用性和性能为目标。
IBM Predictive Maintenance and Quality应用机器学习和动态发现规则，分析多个运营数据源。因此，它能够预测设备失灵和资产故障，帮助企业避免代价高昂的停机，降低维护成本，提高流程效率。在预测性分析的帮助下，它甚至可以检测出细微的异常和故障迹象，确定可能存在最大故障或退化风险的资产和运营流程。确定特定问题后，可应用认知功能，推荐适当的程序以修复问题，快速使资产恢复正常运行状态。
预测性维护和认知功能的强强联合，充分释放了资产运营数据和详细的维护数据存储库的潜力，通过推理和学习，帮助企业更智慧、更高效地开展资产运营和维护工作。资产密集型企业现在可以分析运营数据，开展资产运行状况评估，预测资产未来的表现。如果预测到可能发生特定的资产故障，IoT Equipment Advisor的认知功能可以提供详细准确的修复建议，帮助缩短修复时间，提高首次修复成功率。
2.IBM IoT Equipment Advisor
IBM IoT Equipment Advisor通过应用认知方法和机器学习技术，丰富了IBM Predictive Maintenance资产运行状况监控功能。这些功能可分析从维护日志、工单历史记录、设备手册、技术文档、行业博客中获得的结构化和非结构化数据，以及其他与修复、过程和维护方法相关的非结构化数据。
IBM IoT Equipment Advisor汇总这些数据，应用认知功能，直观呈现所发现的迹象，提供更深入的洞察，推荐最合适的修复方法和程序。它可提供与用户角色、所处环境和当前维护活动相关的数据、分析和认知洞察，帮助企业显著缩短寻找信息所需的时间，提高有效执行修复的能力。IBM IoT Equipment Advisor可通过交互式对话为诊断提供帮助，推荐成功率最高的方案（包括部件和工具）。
图1 设备故障模型
IBM IoT Equipment Advisor应用认知方法，确定各种实体和概念，例如设备详细信息（型号、版本、配置、控制器）、设备状态/状况、维修技术人员记录、测试和测试结果、假设的故障、规定的修复过程、修复解决办法、运营过程、工具、专业知识和证据等。然后，应用这些深入洞察，按照故障发生可能性提供有关诊断和解决方案的指南，或提供下一步最佳行动建议，帮助预防或解决相关故障。
图2 故障可能性趋势
IBM IoT Equipment Advisor可在问题形成初期及时确定这些问题，并对类似资产的同类问题进行分组，帮助集中综合资产和修复历史数据。通过利用最佳实践和技术专业知识，维护人员能够更高效地预防或修复资产故障和退化情况。
