報告下載：新增199IT官方微信【i199it】，回覆關鍵詞【數字化運維的制勝基石】即可

隨著互聯技術的革新、大資料的應用與積累、計算能力的提升及相關模型理論的高速發展，人工智慧的應用場景逐漸豐富，並在近幾年逐步過渡到實操落地。各行各業正積極探索通過人工智慧賦能的運營模式，並以此推動產業升級及長期的運營轉型。

在政策端，各省陸續出臺了智慧製造產業的扶持政策，逐漸催生了製造業的數字化及智慧化的轉型之路。而運維服務（ 如備品備件銷售、裝置維護及維修等）作為製造業的重要組成元素，通過工業網際網路及人工智慧的深度融合打造出創新的應用場景，並實現持續降本增效的趨勢目標。

從需求側來看，完整的數字化運維服務將成為企業選擇運維服務供應商的主要考量維度之一。羅蘭貝格針對全球領先製造企業的調研結果顯示，85%以上的受訪者認為運維服務商應更多地關注數字化方案規劃能力，97%的受訪者認為運維服務商應提供主動、完整的數字化運維服務方案。隨著先進製造業對運維服務的注重維度已經改變，過去傳統的備品備件購買及定期維護觀念已經過時，通過工業網際網路和人工智慧賦能的數字化運維解決方案將是新的趨勢。

預測性維護是什麼？我們為什麼需要它？

運維服務的發展程式主要分為四個階段：

消極維護

這是運維服務最原始的方式，通常指當機械故障後安排技術人員到場維修。由於此維護方式通常發生在裝置故障後，具有高度不可預測性及突發性，且裝置本身的損傷程度較高，易造成修理時間及費用墊高等情況，還容易造成停線時間成本高等副作用。

預防性維護

基於條件的維護

預測性維護

預測性維護除了能提供主動積極的裝置維護監控機制外，還具有四大優勢，宜作為數字化運維解決方案的起始點：

  • 優勢一：對產線影響小 —— 有別於智慧製造需對產線本身進行改造升級，預測性維護的硬體裝置主要是協助建立裝置與伺服器的連線，不需要對產線或是生產工藝進行改變，對生產排程的整體影響小。
  • 優勢二：複製性高 —— 在相同的裝置上可以快速複製解決方案，且越多的裝置匯入可帶來更多的海量資料，對模型精準度的提升幫助更大。
  • 優勢三：實質成效顯著 —— 預測性維護能助力運維服務的降本增效，根據羅蘭貝格的專案經驗，預測性維護可減少5-10%的MRO（維護、維修、執行）成本支出及5-10%的總體維護成本；而在效能提升方面，預測性維護可提高10-20%的裝置正常執行時間，減少20-50%的裝置維護時間併為產品質量提供更好保障。
  • 優勢四：應用場景廣泛 —— 預測性維護的主要原理是基於裝置網聯化、資料採集、大資料分析及機器學習，未來的發展潛力巨大，並逐步推動使用場景從裝置維修延伸到排程制定、資產管理等，下文會對此進行展開介紹。

羅蘭貝格預測性維護解決方案與落地實踐

結合對數字化運維的豐富洞察及專案的實戰經驗積累，羅蘭貝格已開發出一套從裝置引入機遇識別、解決方案設計到落地實施的一站式預測性維護解決方案，關鍵構成要素如下：

  • 硬體：主要負責本地資料採集及分析，涵蓋資料採集裝置（感測器+資料傳輸裝置）及邊緣計算伺服器：
  • 軟體：主要用於故障檢測模型搭建及雲端儲存與處理

基於預測性維護的架構，我們還需針對客戶裝置進行鍼對性的機遇診斷、資料採集、演算法搭建並落地驗證。關鍵步驟如下：

  • 引入機遇分析：生產裝置的關鍵零部件眾多，但如果全部匯入預測性維護，則可能造成不必要的成本浪費，建議根據實際需要進行考量。羅蘭貝格的方法論可幫助客戶識別最適合的引入機遇。以某品牌的數控車床應用案例來說，我們通過部件成本、故障頻率及故障影響範圍等關鍵維度進行交叉衡量，最後建議客戶從刀具及主軸入手，力求以最小成本達到最佳應用效益。
  • 機器學習模型搭建：機器學習模型是預測性維護解決方案的核心。針對預測性維護的引入標的，我們已開發出一套完整且實證有效的模型搭建方法，能有效賦能故障預測，以下案例以某品牌數控車床的刀具故障預測演算法搭建進行相關說明：
  • 實際應用環節：通過刀具磨損預測模型，我們已成功協助客戶進行有效的故障預警與檢測。同時，基於客戶需求，故障預測系統還可通過與生產排程系統的連線，進行故障報警或是生產排程的即時調整。

以預測性維護為基礎開展的數字化運維場景

通過專案經驗積累及內外部專家長期、廣泛的討論，羅蘭貝格認為預測性維護是數字化運維的關鍵步驟，通過預測性維護的軟硬體賦能，後續應用場景廣泛，舉例如下：

  • 數字化資產盤點：可通過預測性維護管理平臺採集裝置上的感測器傳輸資料，並與資產臺賬對比確認實物資產的存在，有效減少盤點人力資源的浪費。
  • 數字化維修運維：預測性維護所檢測的實時加工資料可成為工廠整體運維管理系統的重要輸入，並基於資料分析結果啟動後續的維修服務流程及備品備件物料拉動流程。
  • 生產及物料控制系統賦能：基於安裝在裝置上的感測器傳輸資料及自動化控制系統資料，生產及物料控制系統能實時進行加工資料的收集、儲存、整理並形成視覺化報告，作為生產管理的重要輸入。
  • 供應鏈賦能：裝置故障預測系統能對關鍵部件的質量表現進行不同來源的橫向比較，並以此作為供應商質量管理的重要依據。與此同時，採購可以利用相關資料進行供應商績效考核評估及作為議價基礎。

結語

預測性維護是人工智慧在數字化運維領域的重要實現，具有主動、智慧學習等特徵，並能助力達到更高的產出質量、更少的臨時停線及更低的運維成本，是數字化運維的制勝基石，也是對數字化智慧製造的進一步豐富。

報告下載：新增199IT官方微信【i199it】，回覆關鍵詞【數字化運維的制勝基石】即可