什麼是預測性維護？

預測性維護結合有關硬體、軟體和服務組件的數據，以確定機械資產的維護要求。監控新出現的故障、預測容量超限、識別故障以及確定剩餘資產壽命都是預測性維護的各個面向。 AIOps，人工智慧的使用Intelligence 對於 IT 運營，有時用於預測性維護。

長期以來，預測和準備故障一直是機械操作的必經之路。直到最近，在指定時間後例行更換零件是避免零件在使用中出現故障的最常見形式。這種形式的定期預防性維護很有説明。但並非所有零件都以相同的速度失效，根據平均值和近似值，過早更換是浪費。此外，僅依靠定期維護的系統無法檢測到過早缺陷部件的實際或即將發生的故障。減少停機時間的另一種策略是在一個部件發生故障時更換所有部件，目前尚不清楚是哪一個，但這種策略具有明顯的高成本缺點。

是什麼讓預測性維護如此重要？

還有其他好處。根據行業的不同，合同服務水準協定 （SLA） 可能要求組織嚴格 24×7 全天候提供服務或材料，否則將面臨處罰甚至罰款。在其他情況下，由於供應鏈中斷、庫存損失、客戶流失以及運營放緩導致的其他明顯後果，設備故障可能導致收入損失。預測性維護有助於減輕系統停機的所有這些潛在後果。

使用統計分析、感測器監控、高級分析和人工智慧來更準確地預測故障何時發生，這提供了很大的改進。通過感測器持續監控每個部件的運行狀況，監控系統可以在故障發生之前提醒您。這是實施預測性維護計劃的核心好處：您只需更換近乎有缺陷的零件，從而節省工作力和不必要的零件更換費用，同時保持較長的正常運行時間。此外，一個好的預測性維護系統可以讓您有時間在對業務造成最小干擾的時間安排維護。

預測性維護挑戰

涉及 機器學習和處理超大型數據集的大數據技術已經發展到最大限度地減少停機時間和 MTTR（平均恢復時間）。雖然這些好處是顯而易見的，但現代組織面臨著許多挑戰，包括：

數據密集型流程

對於市場上的大多數分析資料庫來說，大規模訓練和維護長期歷史數據的 ML 模型的需求可能令人生畏。

不同的數據存儲

準確的機器學習和其他形式的分析來識別故障模式都需要訪問遠端數據孤島和/或過程數據。聚合不同類型的數據，甚至是相似但不完全相同的數據（例如以不同時間間隔從兩個設備獲取的時間序列數據）可能既耗時又具有挑戰性。

操作機器學習的困難

數據科學的複雜性和專業知識的缺乏可能會阻礙團隊將機器學習用作預測性維護工具箱中的關鍵功能。

誤報

當故障警報的規則過於嚴格，或者模型模式定義過於嚴格時，可能會生成大量實際上不需要操作的警報。這可能會導致警報疲勞。能夠修改和持續改進預測是預測性維護的一個重要方面。

簡化業務運營，創造客戶價值

• 反應性維護
  系統問題
  客戶電話
  遣
  現場故障排除
  零件交付
  維修或更換
  系統功能

• 預測性維護
  遠端監控可預測潛在故障
  服務計劃
  避免了問題

如何OpenText™ Analytics Database 讓預測性維護發揮作用

OpenText™ Analytics Database 甚至可以在數據生成時連續監控來自設備組件的極大數據集。如果簡單的統計分析就足夠了，那麼可以在資料庫中輕鬆快速地完成該分析。 OpenText Analytics Database 具有超過 650 個內建函數，可以進行多種對預測性維護有用的快速分析，例如時間序列分析、事件模式匹配和機器學習。

當機器學習用於進行預測性維護時，多年來收集的維護日誌和任何感測器資訊等資料都會累積在資料儲存中，例如 HDFS 等檔案系統或 S3 等物件儲存位置。機器學習模型根據這些資料進行訓練，以識別表明潛在問題的模式。然後，新的當前資料從設備及其組件流入，並由經過訓練的模型進行檢查。當發現潛在問題時會發送警報。在發生故障之前計劃並採取補救措施。