预测性维护的一些常识点，预测性维护智能平台公司告诉你

预测性维护智能平台公司认为预测性维护是通过监控设备的工作状态和使用情况来实施智能的、动态的和可扩展的策略。这造成越来越多的机构投入资源来更新他们当前的维护策略。资产密集型钢铁行业也一直采用预测性维护策略作为现代化和关键竞争优势的一部分。有必要建立一个可以从运行数据中学习并积极指导维护团队的自动化系统。

预测性维护智能平台公司认为在智能制造环境下，监测和预测关键设备的工作状态是预知维修策略的重要组成部分。随着边缘和云计算信息处理的快速发展，它可以交付接近实时运行的结果。机器学习和深度学习的发展表明，预测设备工作状态的成功算法越来越多。与人工编码规则不同，这些算法通过学习机器状态的演变来产生预测。

预测性维护智能平台公司认为状态预测是根据设备的运行信息，评估部件的当前状态，预测未来状态。常用的方法有时间序列模型预测、灰色模型预测和神经网络预测。发展预测方法一般有三种基本途径：物理模型、常识体系和统计模型。在实际应用中，可以将这三种方法集成起来，形成一种混合的故障预测技术，它结合了传统的物理模型和智能分析方法，可以处理数字信息和符号信息，对预测性维修更加有效。

维修决策基于人员、资源、时间、费用、效益等多方面。根据状态监测、故障诊断和状态预测的结果，分析维修可行性，确定维修计划，确定维修保障资源，给出维修活动的时间、地点、人员和内容。

预测性维护智能平台公司认为对于任何部件，都需要监测多个传感器，因为相关的故障机理(模式)通常表现为多变量模式。这意味着模型应该考虑传感器之间的相关性，而不是单独处理它们。当考虑到传感器值以非常高的频率采样时，这些相关性是具有挑战性的。例如，所使用的传感器数据以高频率(例如10ms)采样。因为这些模型是跨多种故障模式构建的，所以强调需要一个可扩展的系统来训练和部署这些模型。

预测性维护智能平台公司认为钢厂的生产流程每天都需要多批次生产。因此，传感器的时间序列读数基本上是不稳定的，在运行过程当中可能会发生很大的变化。因此，操作环境，包括但不限于设定值、热/产品特性和其他操作变量，需要与传感器数据一起编码。

预测性维护智能平台公司认为组件可能通过多种机制或失效模式失效。对组件运行至关重要的故障模式进行优先排序非常重要。如前所述，通过了解如何根据传感器数据描述故障的发生，有助于实现这一点。这确保了一个组件和跨组件的故障模式标签的一致性。