工业4.0落地的最短路径：预测性维护

预测性维护（PdM）被预言为工业互联网的“杀手级”应用之一。

预测性维护（PdM）因被预言为工业互联网的“杀手级”应用之一，被寄予厚望。早在上世纪90年代，飞机发动机领域就尝试应用预测性维护。近几年，随着工业人工智能技术和边缘计算技术的不断演进和日趋成熟，以往集中应用于高端装备的预测性维护，得以“飞入寻常百姓家”，具备了大范围应用的经济性前提。根据IoT Analytics发布的报告：2022年之前，预测性维护市场将持续保持高速增长，复合年均增长率（CAGR）为39%，成为工业4.0落地的最短路径。

企业在对工业设备进行维护时，大致分为3种维护方式：

1)修复性维护：属于事后维护，亡羊补牢。

2)预防性维护：属于事先维护，基于时间、性能等条件对设备进行定期维修，但更多是基于经验。

3)预测性维护：属于事先维护，基于安装在设备上的各种传感器，实时监控设备运行状态，更准确的判断故障何时发生。如果发现故障隐患，自动触发报警或修理命令。

▲3种工业设备维护方式

放眼工业4.0、智能制造，预测性维护是大势所趋。相较于其他的维护方式，预测性维护具有智能化，降低维护成本，增加不停机运行时间等特点。

状态监控与预测性维护

近年来，制造企业纷纷开始采用预测性维护技术，以期有计划地降低停机概率。那么，对传统设备监测等同于预测性维护么？

状态监控（CM：Condition Monitoring）是监测各种参数（例如振动或温度）以识别潜在故障的方法。这种方法旨在突出问题，允许在任何损坏发生之前安排预防性维护。连续状态监控技术通常用于压缩机，泵和电动机等设备。

工业应用场景中，利用传感器进行状态监控已有较长的一段时间，但这并不代表简单的状态监控就是预测性维护（PdM：Predictive Maintenance）。状态监控是对设备运行状态进行全时监督，而预测性维护技术（PdM）则是基于状态监控、异常检测和分类算法，并集成了预测模型，该模型可以根据检测到的异常来判断剩余的机器运行时间。预测性维护是在传统状态监控的基础上，采用更加先进的分析方法，进一步预测设备寿命，甚至对潜在故障类型进行诊断。可以说，预测性维护包含了状态监控，是传统状态监控的进一步发展。

状态监控可以收集被监测设备状态的实时信息，而预测性维护的核心思想是在监控的基础上，进一步预测设备的运行寿命，甚至能够对潜在的故障类型做出诊断。当前大多数的状态监控还都只停留在数据收集的初级阶段，还未能前瞻性地预测设备即将出现的问题。

预防性维护与预测性维护

预防性维护本质上是有计划的、基于设备的预期状况来进行定期维护，而设备状况由状态监视技术和统计过程控制来确定，有可能是定期保养维护、定期功能检测等。但是，这可能导致非必要维护和所谓的被动维护；以及除故障诊断外，在某台设备发生故障后完成维修。

预防性维护和预测性维护之间的区别在于，预测性维护系统使用智能状态监控传感器作为数据记录器，收集和预处理设备内的数据，并识别磨损模式并提供更准确的方法来预测故障。预测模型包括统计监测，随人工智能的普及和边缘算力的提升，神经网络和机器学习算法也被用来识别数据并进行预测。测得的数据与设备健康运行状态参数进行比较，从而判断是否需要进行维护，以及如何有针对性的安排维护工作。

▲图解预防性维护与预测性维护区别

从状态监控到预测性维护，

边缘计算是“最佳拍档”

预测性维护工具现已成为工业4.0的重要组成部分。使用预测性维护策略来分析数据有助于避免计划外的故障，如生产线停机，可以通过特别的管理方式将机器脱机以进行维修。通过及时订购和交付备件，预测性维护有助于降低维护成本。例如，在电力需求较低时，有计划地更换由远程状态监控系统识别出的某些风力涡轮机组件。基于实时状态监控技术和不同类型数据分析的有效预测性维护策略可提供更具成本效益的维护策略。

状态监控和预测性维护的好处显而易见，但挑战也异常艰巨，涉及到多种不同的技术能力：从设计智能传感器节点、在传感器节点和网关中配置运行嵌入式软件，到开发上云软件或ERP软件系统，再到可实施的机器学习和人工智能算法，以确保检测到技术异常并准确预测设备寿命。

▲状态监控和预测性维护让边缘计算不“边缘”

智能状态监控传感器是预测分析的关键要素。它们收集、记录、预处理并安全地传输数据，为之后在可视化工具和其他处理算法提供数据基础和依据。例如，温度的突然升高表明可能是设备问题，而小幅升高可能表示未来的可靠性问题。振动监控可以发现潜在的问题，例如错位或轴承故障，当振动分析显示旋转设备的谐波频率发生变化时，状态监控工具可以根据预测模型绘制设备退化情况。

▲智能状态监控传感器是预测分析的关键要素

网关既可以实现收集和处理来自多个智能传感器节点的数据，也可以充当连接桥，使能以太网、Wi-Fi、无线蜂窝或LPWAN技术实现到云的安全连接。

边缘计算与处理整合并协调分配智能传感器节点和网关之间运算处理能力，目的是在正确的时间将正确的数据发送到可执行更高级分析的企业级系统。边缘端的数据处理还可以通过机器学习和人工智能（AI）算法来增强智能传感器节点和网关任务配置文件，并拓宽异常检测和分类的范围。

ST工业解决方案：

面向状态监控和预测性维护

工业场景五大要素：人、机、料、法、环，预测性维护主要与“机”挂钩。状态监控和预测性维护是工业4.0的增值和挑战性应用，也是工业4.0落地的最短路径。意法半导体为此积极部署了先进的IC解决方案和完善的生态系统，包括用于远程监控的评估工具、软件、文档和在线看板等，来满足不断更新的工业需求。

▲预测性维护方框图

微控制器与微处理器：基于ArmCortexM4 / M33 / M7的STM32微控制器产品家族，以及基于ArmCortex-A7内核、具有强大浮点运算功能的STM32MP1微处理器系列可以在边缘端处理传感器数据。数千个STM32产品型号均允许用户通过STM32Cube.AI工具链实施神经网络和机器学习，从而实现预测性维护的深度学习算法。STM32完善全面的生态体系及工业领域的泛在应用都将助推预测性维护这一工业服务化的历史进程。

传感器和惯性测量单元（IMU）：意法半导体还提供具有成本竞争力的高性能传感器和惯性测量单元（IMU），10年长期供货保证，包括加速度计和超声波模拟麦克风，可实现不同精度的振动分析，比如简单通过/故障监控，以及基于频率的高精度数据分析等。此外，还有用于温度、湿度和压力感应的一系列环境传感器以及先进的MEMS传感器，这些传感器包含经过优化可运行机器学习算法的算力，通过这些算法惯性测量单元（IMU）可以与主机处理器共享数据处理。

有线和无线通信解决方案：意法半导体还提供一系列有线和无线技术解决方案，包括用于工业有线连接的IO-Link兼容设备，以及低能耗蓝牙（BLE）SoC和网络处理器，支持LoRa、Sigfox和免许可证的ISM和SRD频段的LPWAN SoC和收发器等无线技术解决方案。