1.1.2 設備的智能預測性維護
在設備管理領域，為解決設備運營與維護過程的異地化、實時化和及時性問題，設備運營企業利用圖1.2所示物聯網或工業互聯網技術采集設備運行狀態數據（感知智能化），并通過（移動）互聯網上傳至企業運營中心（或企業云）；系統軟件對設備實時狀態進行在線監測、控制，并經過數據分析進行維護需求預測和維護調度（設備智能化）。在設備的狀態監測與預測過程中，企業逐漸形成了基于（移動）互聯網和設備維護、維修與運營MRO（Maintenance Repair&Operation）數據環境（設備結構與性能、設備運營狀態、環境狀態、業務運營狀態、人員狀態、維護社交網絡數據以及客戶反饋數據等大數據信息）的智能預測性維護服務平臺，提供遠程個性化的設備智能維護、維修和運營服務，并體現出全球性（互聯網連接）、實時性（工業互聯網支持的狀態檢測）和及時性（移動終端調度）等特性。
圖1.2 設備的預測性維護
在智能制造時代，通過對設備運行狀態、歷史維護信息等數據信息進行分析和挖掘，可以了解設備故障產生的過程、造成的影響和解決的方式，這些信息被抽象化建模后轉化成知識，再利用知識去預測故障和執行維護決策，實現了設備的自省和智能化，使得設備全生命周期的知識能被高效和自發地產生和利用，也完成了設備維護策略從傳統的預防性維護（Preventive Maintenance，PM）策略向設備的智能預測性維護（Intelligent Predictive Maintenance，IPdM）策略的轉變[2，3]。
丹麥維斯塔斯公司（世界風力發電工業中技術發展的領導者）在風機的機艙、輪轂、葉片、塔筒及地面控制箱內，安裝了傳感器、存儲器、處理器以及監控和數據采集（Supervisory Control and Data Acquisition，SCADA）等系統，通過智能預測性維護技術，實現對風機運行的實時監控；公司還在風力發電渦輪中內置微型控制器，可以在每一次旋轉中控制扇葉的角度，從而最大限度地捕捉風能，還可以控制每一臺渦輪，在能效最大化的同時，減少對鄰近渦輪的影響；公司還對實時數據進行處理，預測風機部件可能產生的故障，以減少可能的風機不穩定現象，并使用不同的工具優化這些數據，達到風機性能的最優化。
在航空公司不愿花錢對發動機進行大型常規保養或檢修的前提下，美國通用電氣航空集團公司通過提供圖1.3所示的發動機健康監控、發動機維護排程/預先調度和航班排程管理等服務功能，推出了“向航空公司提供基于智能預測性維護的航空發動機飛行使用時間服務”的服務創新模式，由公司承擔航空發動機的購買、維修、調試、更新升級等服務，向航空公司租航空發動機、賣發動機的飛行使用時間，不需航空公司另外支付保養、維修費用。該模式已廣泛應用于波音767的CF6-80發動機、獵鷹2000噴氣式飛機的CFE738發動機、軍用A-10攻擊機的TF34發動機和C-5運輸機的TF39發動機等。
圖1.3 通用電氣航空集團公司的維護服務平臺
設備運行工況的復雜性和設備多樣性問題是設備健康評估面臨的最大挑戰，自2010年開始，日本日產公司在工業機器人的健康管理方面引入圖1.4所示健康管理服務平臺，以避免由于故障造成的停產損失，主要策略方法由4個方面構成。第一，對于數量龐大的工業機器人，使用其控制器內的監控參數對其進行健康分析：根據每一個機械臂的動作循環提取固定的信號統計特征，如RMS、方差、極值、峭度值和特定位置的負載值等，并采用同類對比的方法消除由于工況多樣性造成的建模困難，通過直接對比相似設備在執行相似動作時信號特征的相似程度找到利群點，作為判斷早期故障的依據（可提前2周確定故障）。第二，預測分析流程包括：關鍵部件選擇（如機械臂驅動馬達）、數據采集（如負載、轉矩、位置、周期時間、機器人型號等參數）、信號處理與特征提取、健康建模（如相似性聚類、定位等）、故障診斷。第三，聚類過程包括：根據設備型號和使用時間進行第1輪聚類，根據設備任務、環境和工況等進行第2輪聚類，聚類特征可以選擇轉矩最大、最小和平均值等參數，形成機械臂虛擬社區（當機械臂執行相似動作時，其特征分布十分相似），然后比較個體與集群的差異性判斷異常程度，相應的方法有PCA-T2模型（設備與集群的偏離程度，其分布符合F分布的特征，可以按90%～95%的置信區間確定控制）、高斯混合模型、自組織映射圖、統計模式分析等。第四，每天生成健康報告，根據設備實時狀態進行維護計劃和生產計劃調度。
圖1.4 日產公司的工業機器人健康管理服務平臺
中國三一重工股份有限公司從2008年開始也進行了物聯（采集、通信、數據匯集到大數據平臺）的實踐，目前有20萬臺設備共5000多種參數連接在企業控制中心ECC（Enterprise Control Center）系統，可以實時監控設備的運行數據，并進行故障報警、故障預測、配件預測、智能服務、輔助研發和信用管理等內容。