|
准确预测设备故障的价值超10万美元！最新报告揭示预测性维护"杀手级"价值！Time：2023-12-15 近日，IoT Analytics发布了《2023-2028 年预测性维护和资产性能市场报告》。奋兮科技基于对设备预测性维护服务的长期深耕，结合翔实数据与专业分析，在该报告基础上提炼对预测性维护市场的精要观点，望起一定参考作用。
应用成本通过一次预测便能直接摊销
在《读懂预测性维护，概念、市场、应用全科普》一文中，我们已介绍预测性维护作为近年新兴的设备健康管理方式，能够大幅提升设备管理效率、能力，避免事故发生和节省运维成本，并优化工厂排产效率。从最新数据角度，对于大型设备资产的一次准确故障预测价值超过10万美元，该报告统计的11个行业中计划外停机的成本中位数约每小时12.5万美元。
我们例举设备意外停机对涉及大型设备资产行业的重点案例如下：
>>石油化工行业 生产连续性很强、设备规模大，作业环境也易燃易爆，一旦发生设备故障即导致惨痛结果。2010年墨西哥湾原油泄漏导致的经济损失超过400亿美元；2013年美国得克萨斯州化学品厂爆炸事故，18人死亡，数十人受伤。
>>煤炭行业 煤炭开采比较多使用大型设备，设备机组结构复杂需要连续运行、工艺高度流程化。而矿井事故很多时候都与运输故障、设备老化等因素关联，2010年中国山西省唐山煤矿透水事故造成18人死亡，直接经济损失约2000万元。
>>钢铁冶金行业 炼钢作为全流程行业，产线的哪一道环节有设备意外停机都会影响下一道工序的进行。除影响生产外，大型和高温设备也会带来高温容器爆破、冶炼设备故障等隐患。 2005年希腊欧洲镍业公司爆炸事故导致超过2000万美元的损失；2019年印度维托里亚露天铁矿坍塌事故使22人遇难……
这些行业一旦发生计划外停机，造成的影响轻则涉及生产，重则带来超千万元或数十数百的人员伤亡。在其他行业中，设备故障也会带来交通事故、电力中断、供应链中断等问题。正因此，对预测性维护的投资通过一次正确的预测便能直接摊销。
研究表明，95% 的预测性维护采用者报告了积极的投资回报率，其中27% 报告在不到一年的时间里摊销了。
预测性维护的准确性受质疑？在过去几年间，包括在项目实践中，从业者最常发现的一点是解决方案的信任度问题：在这项应用刚面世不久的阶段，许多预测性维护解决方案的准确性低于 50%。有的时候，当系统对故障进行预判并报警，维修人员带着备件与工具前来却发现设备完全正常运作，这使得预测性维护的准确性受到质疑。
正因此，服务商也不断努力提升预测准确性，如奋兮科技采用工业机理+AI建模的混合算法以达到95%以上的预测精度。提供更多数据源和更先进的数据分析方法也使预测性维护的口碑不断得到建立。
报告中总结了有关预测性维护的三种常用分析方法，总结如下：
间接故障预测、异常检测盒剩余使用寿命三种预测性维护方法之间的差异很大程度上取决于数据分析的目标、方法以及它们提供的输出/信息的类型。RUL最难实现，对资源需求和环境因素的高要求使其难以扩展。间接故障预测最为常用，而根据报告，异常检测的采用正在增加。
预测性维护融入维护流程，端到端价值链从底层设备起步同时，报告也指出了预测性维护走向融入维护流程的趋势：复杂的预测性维护解决方案集成到更大的资产管理解决方案（Asset Performance Management, APM）和计算机化维护 (CMMS) 解决方案中的显著走向被强调。
当ABB推出ABB Ability™ Smart Sensor时，便将这款无线温振传感器和相应的预测性维护方案作为【ABB Ability™ AssetVista 工业设备智慧化管理解决方案】介绍。GE Digital 的企业 APM 解决方案也包括预测性分析软件 SmartSignal……各种 APM 服务商正在 APM 解决方案中中引入预测维护软件工具，以实现在一个线程中达到以下目的： 1）了解机器何时会发生故障并绘制故障如何影响生产或输出 2）估计解决或预防问题需要花费多少费用 3）就是否值得解决或预防问题提出建议
改进APM解决方案的故障预测模块将成为当前领先APM供应商的关键举措之一。同理，第三方集成，使用户能够将其预测维护软件连接到其他软件系统和工作流程管理工具，例如 ERP、MES、CMMS、APM和 Field Service等，已成为预测性维护解决方案的重要特征。 成功服务商在监测设备对象或服务行业中聚焦垂类报告发现，30% 的预测维护服务商提供独立的、行业或特定资产的解决方案，而聚焦垂直领域的解决方案可以使服务商通过不断积累领域知识来优化解决方案，并更好地了解类似客户的聚焦痛点，为终端用户带来最大利益。
举例而言，专注于制造业的服务商在与一家汽车制造商合作时，在调研汽车制造的关键设备和故障模式以及进行数据分析的阶段，能够结合知识库中已集成的工业机理并聚焦工业用户的通用关注点和类似缺陷。
其次，聚焦垂类也使得解决方案移用性更高，能够将在一个行业中获得的知识和经验应用到其他类似行业中。这使得他们能够更快速地理解和解决类似客户的聚焦痛点。例如，已在能源行业提供过服务的的预测性维护服务商在与一家石油公司合作后，成功应用其在能源行业获得的知识和技术，帮助天然气公司降低设备故障率，并提高生产效率。移用性使得服务商能够更加灵活地适应不同客户的需求。
我们依然以电机大脑FX Motor Brain这款标准化的预测性维护系统为例。显而易见，这款系统面向电机打造，而基于团队独家的振动分析专家和电机专家提供的专家经验库，也可兼容一系列简单工况设备如风机、水泵、减速箱等旋转设备。在关键参数采集的基础上，基于智能化的数据分析和机器学习方法，从底层设备开启客户企业端到端价值链的实现。
当决定采用预测性维护应用时，我应该关注什么？报告从服务供应商和服务应用者两方角度均对预测性维护市场进行分析。
为意识到预测性维护必要性的潜在应用客户，报告列出了解决方案类型适用性、与现有系统集成能力、供应商专业化程度、数据采集和分析需求、预测精度、可拓展性、软件功能、市场趋势这8大建议关注因素，我们以图表形式呈现如下：
结语自团队在德国提供服务期间，我们便持续对预测性维护应用进行实践和保持关注。它曾一度被认为是工业互联网的“杀手级应用”，但由于市场的不成熟和技术条件的有限尚未在全球工业行业发挥应有的价值。
过去 12 年来，对预测性维护及相关概念的普遍搜索兴趣一直在上升。自2017年IOT-ANAYLTICS对这一市场进行深入的跟踪分析以来，该术语的在线搜索量增长了近三倍，并且已经超出了基于状态的维护和资产绩效管理 (APM) 相关搜索的范围。
这一概念已走向热门，这一应用也正从概念走向实际落地的普及。越来越多企业开始关注端到端价值链的构建，而预测性维护将助力企业从底层设备开启端到端规划、交付和提升供应网络连接性的道路。 |
