在24小时不停运转的工厂里，突发的停机事件会造成不小的损失。随着智能技术的发展，有什么新方法可以避免设备故障造成的生产损失和材料浪费?答案是预测性维护。

今年是人工智能与实体经济深度融合之年，其中预测性维护是重要应用领域，日前，预测性维护也被CB insight 评为2019年人工智能发展趋势之一。

随时监控预测故障

预测性维护就是利用大数据的算法来预测将来的设备故障。

在智慧工厂里，生产设备里的传感器等随时监控设备运行状态，把实时运行数据传输到云上并进行分析，提前预知设备的异常状态，从而最小化设备停机的可能。企业可以根据设备的预测使用寿命进行设备维护，而不是按计划维护。对于工业设备来说，更高效的维护既可以增加设备寿命又可以降低维护成本，让现场技术人员更高效地工作，减少安全隐患，避免昂贵的停机时间。如微软Azure IoT平台，就不断丰富远程设备监控、预测性维护、工厂联网与可视化等功能。

预测性维护通过对重要资产如机床、重要机器仪表等设备的健康监测来实现。在联想的PC生产基地合肥联宝工厂(以下简称联宝)，5G智能工厂生产线设备预测性维护解决方案提供了一个数字化工厂的样本。联想集团高级副总裁、数据中心业务高级副总裁童夫尧介绍，联宝通过视觉AI技术完成了拍照、信息处理以及数据反馈，实现了工业机器人更精准的操作，同时通过快速识别潜在质量风险，及时预警，大幅降低了生产损耗。

联想集团副总裁、联想物联科技兼联想懂的通信CEO王帅从生产线透明化和机器学习两方面详细地介绍了生产线设备预测性维护的解决方案。

首先是通过数字化映射，实现生产线数据透明化。这不仅实现设备的数字化映射，还实现车间级别模型的物联网信息数字化映射，在设备实时数据的基础上，增加环境参数、车间信息、报警信息等实时参数，让现实车间更加虚拟，让虚拟空间更接近现实，真正实现生产线透明化。

其次是生产线的设备监控。生产管理人员可以通过3D智能工厂平台，对生产线上的设备进行3D模型的监控，在线浏览整个生产设施情况及提供3D情境下数字化制造和生产信息，随时随地及时获取生产、质量、订单等各种信息，从而提高管理响应速度和透明度，促进各部门间的知识共享和协作，有利于智能工厂的多维信息传递。

最后是通过机器学习，实现设备预测性维护。通过先进的机器学习技术，对海量的设备数据进行分析，可以训练出该类型设备的数据模型，并将该模型应用于设备状态、健康寿命的预测中，实现从被动式的设备维护到主动式的预测性维护转变。

智能技术贯穿生产全程

“对于工程机械产品，工作强度和工作环境是要经得起最严苛的考验的。”徐工信息公司总经理张启亮表示，“技术领先、用不毁”一直是徐工追求的目标，但是任何机械设备在其使用寿命期限内都会出现这样那样的故障和问题，如何能够最大限度地提高设备的可靠性和工作效率，这让徐工集团的汉云工业互联网平台有了展示身手的机会。

“利用先进的智能信息终端，将设备的位置信息，动力系统、液压系统、控制系统的工作参数以5—30秒一条的速率上传至平台，结合设备所在地的天气环境数据、工程相关数据，以及记录在客户服务系统中的业务数据，平台为每一台设备做了一幅数字画像。”张启亮表示，基于工业互联网平台的预测性维护系统，通过对海量数据的挖掘分析，可以对设备全生命周期的工作状态进行分析和预测，可以得到不同零部件未来一个月的损坏可能性，通过排序，将可能性最大的部分零部件进行提前修理或更换，将设备故障防患于未然。这一项工作让设备的故障率降低了一半以上。

在预测性维护系统之外，汉云工业互联网平台利用上百台高性能服务器每天每夜对PB级的数据进行分析计算，可以追溯7年内每天的设备开工率、工作小时、油耗等统计数据，当某一地区的设备开工率在80%以上，每台设备平均日工作时间大于10个小时，平台就会自动将信息推送至市场营销部门，制定地区销售策略。同时，备件中心也早已依据汉云工业互联网平台推送的销售量预测安排好了生产和库存，这让设备的维保周期缩短了60%以上，成本降低40%，预计将使徐工集团每年的后市场备件销售额提升30%。