難以檢測到的機器故障是最昂貴的，這就是為什么資深的維修技師那么搶手的原因。

如今許多制造公司正在尋找自動化和降低維護成本的解決方案。隨著自動化和數(shù)字化進程深入，新設備依靠傳統(tǒng)的振動診斷方法可能為時過晚，因為大多數(shù)維修人員可能無法提前發(fā)現(xiàn)故障。

來自德勤報告稱，在工業(yè)4.0環(huán)境下，預測性維護的好處取決于行業(yè)或其應用的特定流程。德勤當時的分析已經(jīng)得出結(jié)論，材料成本平均節(jié)省了5%至10%；設備正常運行時間增加10- 20%；整體維護成本降低5 - 10%；維護計劃時間甚至減少20 - 50%!諸如Neuron Soundware這樣的公司開發(fā)人工智能技術(shù)，用于預測性維護。

合格維修工人缺乏

開始數(shù)字化旅程的公司經(jīng)常需要面對市場上熟練勞動力短缺的現(xiàn)實。通常是機械維修工，定期巡視所有的機器，通過聽機器的聲音來診斷它們的狀況。一些公司現(xiàn)在正在尋找新的維修技術(shù)來替代。

沒有及早識別的故障意味著更換整個設備或其部件。整個維修時間還包括等待備件，因為可能儲存替換設備很昂貴，沒有庫存。它將表示多達數(shù)十小時的停機時間。損失可能高達數(shù)萬甚至數(shù)百萬。

機器實時監(jiān)控是一種趨勢

如果維修技術(shù)除了機器的機械知識外，還配備了人工智能。它將這些知識本身應用于機器的當前狀態(tài)。它還能夠識別機器上當前發(fā)生的異常行為。在此基礎上，發(fā)送相應的報警和精確的維護指示。例如，電梯、自動扶梯和移動設備等機械設備的制造商今天就在使用這種技術(shù)。

人工智能可以在生產(chǎn)的各個階段提供幫助

當然，預測性維護技術(shù)有更廣泛的應用。由于人工智能的學習能力，它們可以多才多藝。例如，該技術(shù)能夠幫助質(zhì)檢測試。識別產(chǎn)品中肉眼看不見且隨機出現(xiàn)的缺陷部分。

另外應用領(lǐng)域是對生產(chǎn)過程的監(jiān)控。以碎石機為例來想象這一點。傳送帶將不同大小的石頭輸送到磨床，磨床產(chǎn)生給定顆粒度的礫石。以前，制造商會運行破碎機預定的時間。為了確保即使在最大的巖石塊存在的情況下，也能發(fā)生足夠的破碎。用人工智能“傾聽”礫石的大小。他可以在正確的位置停止碾壓過程。這意味著不僅可以節(jié)省破碎設備的磨損，更重要的是，可以節(jié)省時間，增加每班的礫石輸送量。這給生產(chǎn)者帶來了巨大的經(jīng)濟利益。

那些擁有大量同質(zhì)設備資產(chǎn)的公司效益更大

在實施預測性維護技術(shù)時，公司的規(guī)模有多大并不重要。最常見的決策標準是部署的解決方案的可伸縮性。在擁有大量相似機械裝置的公司中，可以迅速收集代表個別問題的樣本。神經(jīng)網(wǎng)絡從中學習。然后它可以同時處理任意數(shù)量的機器。機器越多，神經(jīng)網(wǎng)絡學習和檢測的效率越高。

預測性維護的未?來：可用性和適應性

狀態(tài)監(jiān)測技術(shù)通常是為大型工廠設計的，而不是為只有少量機床的車間設計的。然而，隨著硬件、數(shù)據(jù)傳輸和處理變得越來越便宜，這項技術(shù)也在逐步實現(xiàn)更廣泛的應用場景。因此，即使是一個自制果醬的制造商也會很快有信心，相信他的機器能生產(chǎn)出足夠的產(chǎn)品，按時將訂單送到客戶手中，而不會毀了自己的聲譽。

在未來，預測性維護將是必要的。不僅是在工業(yè)制造上，還包括我們?nèi)粘Ｉ钪械哪切┰O備（比如汽車、各種家用電器等）。隨著人工智能驅(qū)動的自動檢測設備的安裝，我們將及時了解即將發(fā)生的故障，并能夠及時解決問題，而不是在設備停機時給服務商打電話，焦急的等待上門維修服務。