预测性维护技术落地困难,不仅源于技术本身的复杂性和难度,还在于企业缺乏一套系统化的实施方法论。本文基于深入的专家访谈,剖析了预测性维护难以落地的原因,总结了预测性维护推进的七大策略,并分享了国内外典型案例,以期为企业提供启示与借鉴。
三、预测性维护典型应用实践
预测性维护最大的价值不仅在于基于剩余使用寿命(RUL)的预测,在维护机会窗内选择成本最低的维护策略和排程计划,也在于充分利用预测性维护的理念、建模工具和方法,帮助企业制定全局最优的维护方案,实现降本增效。如今在
制造业领域,预测性维护技术的应用越来越普遍。
案例一:某铁路公司—预测车轮故障,护航铁路安全
加拿大某铁路公司为减少列车车轮故障所引发的脱轨事故(据统计有超过50%的脱轨事故与车轮故障有关),在二十年前,开发了一套车轮碰撞载荷检测器(“WILD”)系统。该系统由安装在轨道沿线战略位置的传感器组成,可以检测对铁轨和车厢造成损坏的车轮。即当列车经过传感器附近时,传感器测量轨道上每个车轮造成的冲击,并将收集的数据自动传输到中央监控系统。当车轮造成的冲击超过最大临界值时,列车必须降低速度,在最近的维修厂停车,或将车轮受损的车辆脱钩。这种方式,最大限度地减少了对轨道和桥梁的损坏。但是,列车速度的降低和停运,导致了货物交付的严重延误,降低了公司的吞吐量,并产生了大量虚报警。
为了有效使用WILD数据防止车轮故障,该铁路公司启动了预测性维护项目。该项目的目标是利用机器学习和数据挖掘技术,从历史WILD数据和车队维护记录中开发基于机器学习的预测模型,实现在车轮故障发生之前对其进行预测,从而使铁路运维能够避免正常服务的中断,减少车队运营的停机时间,最终提高铁路安全性,降低运营成本。
在该公司的预测性维护项目中,其利用历史WILD数据和列车维护数据构建故障预测模型及验证其准确性,取得了积极的试验成果。之后,为了预测在铁路网的某个细分路段,哪些车轮将在特定时间段或预定里程内出现故障,开展了新一轮的试点。通过评估,原预测模型基本可以满足铁路运维的目标,但由于数据分布偏移等原因,模型性能已出现明显下滑。为此,公司实施团队利用新收集的WILD数据对既有预测模型进行了再培训,涉及收集故障事件数据、将其与WILD数据关联、处理WILD数据并生成新特征;以及模型训练完成后,通过机器学习算法筛选出最适合的模型,确保模型在性能稳健、属性复杂性和部署便捷性之间达到均衡;最终,将模型集成到中央IT系统中,为维修决策提供支持。
如今,该铁路可准确预测97%的车轮故障,维修时间从过去的7-10天减少到1-3天,每年节省500万加元的运维成本,更主要的是成功避免脱轨灾难,实现连续三年零安全事故。(来源:加拿大工程院院士、广州大学人工智能研究院院长杨春生)
本文为e-works原创投稿文章,未经e-works书面许可,任何人不得复制、转载、摘编等任何方式进行使用。如已是e-works授权合作伙伴,应在授权范围内使用。e-works内容合作伙伴申请热线:editor@e-works.net.cn tel:027-87592219/20/21。