你听过 “预防性维护” 或 “预测性维护” 这两个词吗？关于生产线设备的维护，物联网（IoT）最近引起了人们的关注。而且，这两个词似乎相似且具有不同的含义。本节解释了预防性维护和预测性维护等保护活动的总体定义、预防性维护和预测性维护之间的区别、预测性维护的好处以及预测性维护与边缘计算之间的关系。
什么是保护活动？
什么是保护活动？JIS（日本工业标准）将维护活动定义为 “旨在消除故障并保持设备正常和良好状态的活动的总称，包括规划、检查、调整、维修、更换等”。
换句话说，可以将其视为人类对生产线的影响，以维持生产线的性能。根据JIS的定义，保护活动分为维护活动和改善活动。
维护活动是维持产品质量和生产设备性能的活动，即维持生产设施完美状态的活动。这包括预防性和反应性维护。另一方面，改进活动是指诸如 “改进维护” 之类的活动，即审查机器以防止其在发生故障时再次发生，以及替换机器和设备以防止故障和错误的 “预防维护”。
预防性维护是通过日常检查和在损坏部件发生之前更换故障来预防故障。它包括预测性和定期维护。后续维护是指当发现设备由于故障等原因出现故障时，恢复设备的功能。换句话说，假设设备损坏后将被 “修复”。
定期维护是根据故障记录和设备特性确定周期，以及更换和检查每个周期的零件的行为。也可以将其改写为根据经过的时间进行维护。通常，“预防性维护” 是指定期维护。
另一方面，预测性维护是从持续测量的设备状态中检测或预测损坏，并在故障发生之前的最佳时间采取最佳措施。它基于设备的状况。
定期维护和预测性维护之间的主要区别在于，无论设备状况如何，预防性维护都是在特定的时间周期内进行的，而预测性维护会持续监控设备的状况，并在检测到故障迹象时做出响应。
迄今为止的保护活动
传统的保护活动主要包括定期维护、预测性维护和验尸维护。可以进行改进活动（例如修改和升级）以延长设备的使用寿命，但反应有限，例如对于昂贵的设备。
如前所述，定期维护包括定期更换部件，无论设备状况如何。此外，预测性维护是由现场工作人员和工程师根据多年经验积累的直觉进行的，即 “是时候更换该零件了”。
定期维护时间间隔是针对最重要和寿命最短的部件量身定制的，但在更换过程中通常会更换其他部件。原因是零件的寿命因类型的不同而异，因此，如果每次停止并更换设备，设备的运行速度就会下降。出于这个原因，尚未达到使用寿命的零件也将被更换，并且存在定期维护会造成大量浪费的问题。
预测性维护
预测性维护是根据预期故障和实际故障之间的迹象进行的。这意味着您可以在预期的阶段考虑维护计划并采取行动，例如在故障发生之前更换部件。这样可以最大限度地减少机器因故障而处于紧急停止状态的情况。
此外，如果使用物联网自动进行预测性维护，则在出现故障迹象时会发出警报。由于只有在发出警报时才能考虑响应，因此不需要花费时间和精力，并且可以降低这方面的劳动力成本。
预测性维护的具体示例
在制造设备中，经常使用电动机。有一个名为 “轴承” 的组件支撑从该电动机传输动力的 “轴”（驱动轴）。如果轴承失效，轴可能无法转动或轴上的负载无法分配，这可能导致严重的事故。因此，这个轴承非常重要。
轴承本身本质上是高度可靠的，但是当需要更高的可靠性时，例如，在钢厂拉伸加热过的铁的过程中（轧制过程），通常会进行轴承监控。
轴承监控系统在轴承上安装振动传感器，以检测振动的波形、频率和振幅条件。然后，当振动状态表明有故障迹象时，就会发出警报。
例如，如果轴承在一个地方损坏，则施加在轴承上的载荷会发生变化。随着载荷的变化，振动传感器和轴承之间的距离也会发生变化，但是振动传感器会检测到距离的微小变化。然后，由于轴承的旋转部分以恒定周期旋转，因此每次旋转都会发生距离的变化。这会导致振动，并且有可能检测到这种振动并使其成为故障的标志。熟练的工程师从机器声音的变化中提取出这种振动，并将其用作损坏的标志。
为了清晰起见，本示例进行了简化，但是预测声音故障需要经验，因为即使多个地方受到损坏或损坏，振动也不会发生变化。出于这个原因，除非来自熟练的工程师，否则不可能做出这样的判断。不幸的是，熟练技术人员的数量正在减少。人工智能 (AI) 被视为一种解决方案。近年来一直备受关注的人工智能使 “深度学习” 能够通过以人类行为为模型的结构自行学习。当然，尽管必须先学习，但人工智能可以像从经验中捕捉到失败迹象的人一样学习和执行。随着熟练工程师人数的减少，可以说这是应对人力资源短缺的一种有效手段。
预测性维护和边缘计算
通过这种方式，预测性维护的自动化是消除人力资源短缺和优化维护活动的有效手段。但是，在自动进行预测性维护时，需要注意一些事项。
前面描述的模仿人工智能人类行为的结构被称为 “神经网络”，对深度学习的实现做出了巨大贡献。但是，神经网络是一种非常复杂的机制。因此，在保持预测性维护所需的速度的同时实现预测性维护是一个实际问题。
还有一种叫做 “神经芯片” 的方法可以用硬件实现神经网络，但这不是一种很常见的方法。这里的问题是速度，因此总是从互联网上的服务器发送和接收消息的云计算是不切实际的。因此，让我们考虑部署边缘计算并将人工智能放到边缘服务器上。这就是所谓的边缘 AI。因此，可以说，目前最好的答案是自动进行预测性维护，同时尽可能保持速度。
预测性维护和人工智能的可能性
本文主要描述了预测性维护和预防性维护之间的区别，以及预测性维护的优点。随着人工智能的发展，预测性维护的可能性正在大大扩大。使用人工智能和边缘计算实现预测性维护是目前最理想的数字。
