预测性维护结合了有关硬件、软件和服务组件的数据,以确定机械资产的维护要求。监控新出现的故障、预测容量超限、识别故障和确定资产剩余寿命都是预测性维护的内容。AIOps 是人工智能在 IT 运营中的应用,有时也用于预测性维护。
长期以来,对故障进行预测和准备一直是机械操作中的一个现实问题。直到最近,在规定时间后例行更换部件是避免部件在使用中出现故障的最常见形式。这种形式的定期预防性维护很有帮助。但是,并非所有部件的故障率都相同,过早更换是基于平均值和近似值的浪费。此外,仅依靠定期维护的系统无法检测出过早出现故障的部件的实际或即将出现的故障。另一种减少停机时间的策略是,当一个部件出现故障时,就更换所有部件,但不清楚是哪一个,但这种策略显然具有高成本的弊端。
还有其他好处。根据行业的不同,合同服务水平协议(SLA)可能会要求企业严格保持全天候提供服务或材料,否则将面临处罚甚至罚款。在其他情况下,设备故障可能会导致收入损失,因为供应链中断、库存损失、客户流失以及其他明显的运营放缓后果。预测性维护可帮助减轻系统停机造成的所有这些潜在后果。
利用统计分析、传感器监测、高级分析和人工智能来更准确地预测故障发生的时间,是一项巨大的改进。通过传感器持续监测每个部件的健康状况,监测系统可以在故障发生前发出警报。这就是实施预测性维护计划的核心优势:只更换接近故障的部件,从而节省人力和不必要的部件更换费用,同时保持较高的正常运行时间。此外,一个好的预测性维护系统还能让你有时间在对业务干扰最小的时间安排维护。
涉及机器学习和超大数据集处理的大数据技术已经发展到可以最大限度地减少停机时间和 MTTR(平均恢复时间)。虽然这些优势显而易见,但现代组织也面临着一系列挑战,包括:
数据密集型流程
对于市场上的大多数分析数据库来说,需要在大规模的长期历史数据上训练和维护 ML 模型是非常困难的。
不同的数据存储
要进行准确的机器学习和其他形式的分析以识别故障模式,都需要访问远程数据仓库和/或流程数据。聚合不同类型的数据,甚至是类型相似但不完全相同的数据(如在不同时间间隔从两台设备获取的时间序列数据),既耗时又具有挑战性。
实施多边借贷的困难
数据科学的复杂性和专业知识的缺乏会阻碍团队将机器学习作为预测性维护工具箱中的一项重要能力。
误报
如果故障警报的规则过于死板,或者模型模式定义过于严格,就会产生大量实际上并不需要采取行动的警报。这会导致警报疲劳。能够修正并不断改进预测是预测性维护的一个重要方面。
反应性维护
系统问题
客户来电
调度
现场故障排除
零部件交付
维修或更换
系统功能
预测性维护
远程监控预测潜在故障
服务计划
问题避免
OpenText™ Vertica™ 即使是来自设备组件的超大数据集,也能在数据生成时进行连续监控。如果只需进行简单的统计分析,就能在数据库中轻松、快速地完成分析。Vertica 有超过 650 种内置功能,可进行多种快速分析,对预测性维护非常有用,如时间序列分析、事件模式匹配和机器学习。
当使用机器学习来进行预测性维护时,维护日志等数据和多年来收集的任何传感器信息都会积累到数据存储中,如 HDFS 等文件系统或 S3 等对象存储位置。在这些数据上训练机器学习模型,以识别表明潜在问题的模式。然后,从设备及其组件流入新的当前数据,并由训练有素的模型进行检查。一旦发现潜在问题,就会发出警报。在故障发生之前,就会计划并采取补救措施。