工業軟件如何發展，才能更好地幫助制造企業實施預測性維護的優先級策略?

　　世界正處于一個加速數字化變革的時代。在工業環境中，機器學習、高級分析和人工智能 (AI) 工具有助于提供改進的預測性維護策略，但這些工具的應用方式對于成功至關重要。

　　確定優先級

　　從最初有點理想化的目標到監測機器上的所有東西，人們的想法已經有了轉變。確定優先級并將注意力集中在優化機器學習算法上，以優先發現關鍵領域的數據模式異常--確定具有最快投資回報率的領域，這樣做更有意義。

　　與傳統的狀態監測方法相比，基于AI的預測性維護具有更多優勢。來自機器的數據越來越多地可以與過程數據合并，并使用分析模型和基于云的解決方案進行評估。例如，人工智能可用于在早期階段檢測與生產機械正常狀態的偏差。這就減少了計劃外停工時間，降低了能源成本并提高了效率。減少計劃外停產也直接提高了設備的整體效率。

　　實現預測性維護的新愿景是一項有趣的挑戰。當今的自動化制造商需要尋找新的方法來支持其客戶實現基于實時數據挖掘的預測性維護。對于自動化技術領域的公司來說，這需要能夠將機電一體化專業知識與數字分析解決方案相結合，這不是一件容易的事。

　　"在費斯托，經驗告訴我們，對人工智能項目的成功至關重要的是，我們不僅要提供軟件專業知識，還要有將其整合到生產環境中的知識，并提供經驗來解釋應用術語中的數據。"費斯托英國公司(Festo GB)產品管理負責人Steve Sands說。收購專業軟件公司Resolto使費斯托能夠快速實現這種綜合，并開發出一種解決方案，使預測性維護成為機器的無縫組成部分。

　　實時分析數據

　　由此產生的預測性維護解決方案是Festo自動化旅程(Festo Automation Experience,簡稱Festo AX)，它采用人工智能，使用戶能夠通過易于使用的軟件和機器學習從其設備產生的數據中提取價值，讓客戶能夠根據信息而不僅僅是數據做出決定。關鍵的應用案例已經被細化，使用戶能夠分析和理解他們的數據，以更好地提高生產力，降低能源成本，避免質量損失，優化他們的車間，或創造新的商業模式。

　　所有這些都是通過實時分析數據來實現的。該解決方案可以集成到本地、邊緣或云中的系統中，程序可以直接由機器在邊緣組件上運行。這在延遲方面具有優勢，并且數據傳輸成本降至最低。

　　我們還觀察到能夠與標準控制架構并行監控機器輸出數據的好處。將這兩個功能分開可最大限度地減少標準機器控制的任何過載或減速。這在現有的運行安裝中尤其重要，在這些安裝和編程中，更換控制系統將花費大量成本。

　　在可能的情況下，通過OPC-UA和MQTT等標準協議訪問數據。它由基于AI和機器學習的算法實時處理，當數據與資產的"健康狀態"不同時輸出通知。該通知通知用戶所涉及的傳感器，還可以提供建議的操作過程。

　　利用操作員的知識對異常進行分類，可以訓練這種類型的系統，以便軟件知道如何在下次發生相同的異常時做出反應。通過這種迭代(人在環路human in the loop)過程，算法得到改進，不需要的通知被消除。

　　這是一個"獎勵"和"懲罰"過程，對于好的通知，算法會得到積極的改進，而對于那些操作員認為沒有用的通知，算法會得到改進。異常現象產生的頻率越高，無論是在許多相同的機器上重復出現還是高重復率，數字化模型的學習速度就越快。

　　一旦優化周期開始，異常就會被很早就檢測到，這意味著可以避免意外停機，備件準備就緒，并且可以進行維護而不會對生產產生負面影響。

　　更深入地數據挖掘

　　隨著人們越來越了解數據分析的好處，對更深入洞察的需求也在增長。如今，可以自動為機器的每個異常行為生成根本原因分析，顯示哪些傳感器對異常檢測至關重要。這種額外的數據可視化使用戶能夠深入了解異常并識別重要的相關性。

　　對于這種類型的預測性維護工具，重要的是數據分析不僅限于解決方案提供商提供的組件和模塊。

　　AI在預測性維護中的應用將繼續發展。這反過來意味著需要盡早獲得學習和經驗，以利用該技術。對于最終用戶來說，試圖證明包羅萬象的大型安裝是沒有意義的。相反，采取一種敏捷的方法，并實現快速的回報和成功將是更有建設性的。那些基于AI和其他新興技術的最成功的預測性維護項目已經采取了分階段的方法--通過試點評估提出和測試假設，然后從獲得的學習中進行升級。

　　從本質上講，使用機器學習和數據分析有助于消除大型數據湖中的"迷霧"，將注意力集中在投資回報率最快的領域。這使制造商能夠采取優先策略，從快速贏利中獲益，并通過已經掌握的投資回報實例，按優先順序進行工作。毫無疑問，這是一個令人興奮的發展領域，看看它在未來幾年如何發展將會很有趣。