李傑：「預測」是智能製造的重要體現科技頭條網

李傑：「預測」是智能製造的重要體現

2018-01-08 10:50:17 楊凱Kayson

這一週有個事刷遍朋友圈，就是支付寶的2017總結，同時還弄了個2018年的預測。心想，大概是依靠支付寶後臺的大數據做個歸納統計吧。預測哪那麼容易做啊，畢竟個人各異。後來發現預測的詞彙也就幾十個，更加加深了自己最初的判斷。

同時最近正好在看統計的資料，加上去年碰到幾個預測方面的需求，所以在新年開始之際，藉此寫下這篇文章談談個人對預測在智能製造上的應用的初步理解。

本人一直覺得，預測是智能化的最好體現也是最難體現，還是那句老話”千金難買早知道“，如果你比別人早知道底牌，你一定可以每次都贏。

•先談談預測的方法：

其實人類一直在做預測方面的實踐。只是，隨著科技的發展，使用的技術和方法不同，從以前的統計學方法到人工智能再到現在的機器學習和深度學習。統計學基本上都快有2,3百年的歷史，AI也快60多年，而現在最火最新的深度學習也快10年。

AI現在分為兩種：統計型AI或機器學習在模式識別方面很厲害，但它並不使用邏輯。而符號型的 AI 可以使用預先制定的規則來理解關係，但是在臨場處理中表現並不好。

•再談談預測在智能製造的應用：

去年主要碰到了2個方面的預測應用需求，一個是銷售的預測，另一個是預測性維護。關於銷售預測，不同行業不同特性，預測的期望要求和結果會很不相同。加上前期提過一次，這次我就談談預測性維護。

預測性維護（PdM，Predictive Maintenance），首先談談它的簡寫，是PdM小寫的d，不要和PDM混淆，也不是PM畢竟PM在TPM的體系中，標識的是Preventive Maintenance。

去年，在做預測性維護的項目的開始，一度糾結Predictive Maintenance和Preventive Maintenance到底有什麼區別，因為從英文翻譯來看，Preventive也有預防的意思。通過項目的過程和不斷學習的過程，逐步體會到了兩者的不同。

談起維護大家一定聽過TPM的概念（網上太多資料可查就不描述了）。我們來詳細談一下維護的等級，我通常劃分成2類3層級：

2類指的是計劃維護和非計劃維護，3層級指的是

1、事後維修-BM（Breakdown Maintenance）這是最早期的維修方式，即出了故障再修；

2、預防維護-PM（Preventive Maintenance）這是以生產時間，生產數量因數基於計劃的維護；

3、預測性維護-預測性維護（PdM）流程旨在檢測最終會導致故障的設備狀態，然後預估出距離故障發生還有多少時間。

3層裡面的第一層和第三層是非計劃的，只有第二層是計劃內的。

有些地方會把預測性維護也解釋為條件型維護Condition Based Maintenance（CBM），但我個人覺得不是很確切。畢竟預防維護PM也是有條件的維護，根據時間或者根據次數，這些可能都是根據經驗或者供應商而來。但當考慮因數或迭代次數變多的時候，個人覺得PM就自然而然地轉向PdM了。

簡而言之就是PdM是藉助算法分析檢測故障發生前的機械狀態，並預測更正確的故障發生的時間。但預測性維護的最大價值體現不是延長最大的維護時間點，而是做到維護和使用的最佳Balance，需要找到一個既能提高設備每次使用時間，又能不縮短整個使用壽命，同時維持產品質量品質的維護節點，這涉及到大量的因數，傳統經驗和方法很難推算出來或者真正明白哪些是主要因數。智能的體現就是要把每項工作逐漸推向極致，從而獲得最好的OEE，最好的經濟效益。

預測性維護的另一個表現，可能在於不單單只是加工產品的設備需要預測性維護，成品也可以做到預測性維護比如發動機，最好的舉例就是你知道你車子的小保養需要什麼時候做嗎？現在很多可能都是按里程或按時間來做，對於一個開車少的來說一定是浪費的，但你不敢不做，因為你沒有數據依靠，會心裡沒底。加上大數據，雲平臺，Digital Twin，物聯網時代的很多產品都可以慢慢實現預測性維護。

預測性維護的實施過程中的最大難點在於數據的採集和關鍵因數的判斷取捨，其實這也是其他很多預測應用的難點。經驗是非常有用的，但當你需要一個更加接近極限的答案時，一定是需要通過不同因子的推算結果和不斷實施迭代比較來找出最可靠的答案。這一點AI技術的發展，幫助我們做到無限接近可能。

預測不是求百分百對的解，預測的結果都是錯的（也可能小概率的碰巧對），預測帶給我們的只是減少偏差，儘量少錯，從數據開始，由算法來結束。