預測性維護（PdM）被預言為工業互聯網的“殺手級”應用之一。
預測性維護（PdM）因被預言為工業互聯網的“殺手級”應用之一，被寄予厚望。早在上世紀90年代，飛機發動機領域就嘗試應用預測性維護。近幾年，隨著工業人工智能技術和邊緣計算技術的不斷演進和日趨成熟，以往集中應用於高端裝備的預測性維護，得以“飛入尋常百姓家”，具備了大範圍應用的經濟性前提。根據IoT Analytics發佈的報告：2022年之前，預測性維護市場將持續保持高速增長，複合年均增長率（CAGR）為39%，成為工業4.0落地的最短路徑。
企業在對工業設備進行維護時，大致分為3種維護方式：
1) 修復性維護：屬於事後維護，亡羊補牢。
2) 預防性維護 ：屬於事先維護，基於時間、性能等條件對設備進行定期維修，但更多是基於經驗。
3) 預測性維護：屬於事先維護，基於安裝在設備上的各種傳感器，實時監控設備運行狀態，更準確的判斷故障何時發生。如果發現故障隱患，自動觸發報警或修理命令。
▲ 3種工業設備維護方式
放眼工業4.0、智能製造，預測性維護是大勢所趨。相較於其他的維護方式，預測性維護具有智能化，降低維護成本，增加不停機運行時間等特點。
狀態監控與預測性維護
近年來，製造企業紛紛開始採用預測性維護技術，以期有計劃地降低停機概率。那麼，對傳統設備監測等同於預測性維護麼？
狀態監控（CM：Condition Monitoring）是監測各種參數（例如振動或溫度）以識別潛在故障的方法。這種方法旨在突出問題，允許在任何損壞發生之前安排預防性維護。連續狀態監控技術通常用於壓縮機，泵和電動機等設備。
工業應用場景中，利用傳感器進行狀態監控已有較長的一段時間，但這並不代表簡單的狀態監控就是預測性維護（PdM：Predictive Maintenance）。狀態監控是對設備運行狀態進行全時監督，而預測性維護技術（PdM）則是基於狀態監控、異常檢測和分類算法，並集成了預測模型，該模型可以根據檢測到的異常來判斷剩餘的機器運行時間。預測性維護是在傳統狀態監控的基礎上，採用更加先進的分析方法，進一步預測設備壽命，甚至對潛在故障類型進行診斷。可以說，
預測性維護包含了狀態監控，是傳統狀態監控的進一步發展。狀態監控可以收集被監測設備狀態的實時信息，而預測性維護的核心思想是在監控的基礎上，進一步預測設備的運行壽命，甚至能夠對潛在的故障類型做出診斷。當前大多數的狀態監控還都只停留在數據收集的初級階段，還未能前瞻性地預測設備即將出現的問題。
預防性維護與預測性維護
預防性維護本質上是有計劃的、基於設備的預期狀況來進行定期維護，而設備狀況由狀態監視技術和統計過程控制來確定，有可能是定期保養維護、定期功能檢測等。但是，這可能導致非必要維護和所謂的被動維護；以及除故障診斷外，在某臺設備發生故障後完成維修。
預防性維護和預測性維護之間的區別在於，預測性維護系統使用智能狀態監控傳感器作為數據記錄器，收集和預處理設備內的數據，並識別磨損模式並提供更準確的方法來預測故障。預測模型包括統計監測，隨人工智能的普及和邊緣算力的提升，神經網絡和機器學習算法也被用來識別數據並進行預測。測得的數據與設備健康運行狀態參數進行比較，從而判斷是否需要進行維護，以及如何有針對性的安排維護工作。
▲ 圖解預防性維護與預測性維護區別
從狀態監控到預測性維護，邊緣計算是“最佳拍檔”
預測性維護工具現已成為工業4.0的重要組成部分。使用預測性維護策略來分析數據有助於避免計劃外的故障，如生產線停機，可以通過特別的管理方式將機器脫機以進行維修。通過及時訂購和交付備件，預測性維護有助於降低維護成本。例如，在電力需求較低時，有計劃地更換由遠程狀態監控系統識別出的某些風力渦輪機組件。基於實時狀態監控技術和不同類型數據分析的有效預測性維護策略可提供更具成本效益的維護策略。
狀態監控和預測性維護的好處顯而易見，但挑戰也異常艱鉅，涉及到多種不同的技術能力：從設計智能傳感器節點、在傳感器節點和網關中配置運行嵌入式軟件，到開發上雲軟件或ERP軟件系統，再到可實施的機器學習和人工智能算法，以確保檢測到技術異常並準確預測設備壽命。
▲ 狀態監控和預測性維護讓邊緣計算不“邊緣”
智能狀態監控傳感器是預測分析的關鍵要素。它們收集、記錄、預處理並安全地傳輸數據，為之後在可視化工具和其他處理算法提供數據基礎和依據。例如，溫度的突然升高表明可能是設備問題，而小幅升高可能表示未來的可靠性問題。振動監控可以發現潛在的問題，例如錯位或軸承故障，當振動分析顯示旋轉設備的諧波頻率發生變化時，狀態監控工具可以根據預測模型繪製設備退化情況。
▲ 智能狀態監控傳感器是預測分析的關鍵要素
網關既可以實現收集和處理來自多個智能傳感器節點的數據，也可以充當連接橋，使能以太網、Wi-Fi、無線蜂窩或LPWAN技術實現到雲的安全連接。
邊緣計算與處理整合並協調分配智能傳感器節點和網關之間運算處理能力，目的是在正確的時間將正確的數據發送到可執行更高級分析的企業級系統。邊緣端的數據處理還可以通過機器學習和人工智能（AI）算法來增強智能傳感器節點和網關任務配置文件，並拓寬異常檢測和分類的範圍。
ST工業解決方案：面向狀態監控和預測性維護
工業場景五大要素：人、機、料、法、環，預測性維護主要與“機”掛鉤。狀態監控和預測性維護是工業4.0的增值和挑戰性應用，也是工業4.0落地的最短路徑。意法半導體為此積極部署了先進的IC解決方案和完善的生態系統，包括用於遠程監控的評估工具、軟件、文檔和在線看板等，來滿足不斷更新的工業需求。
▲ 預測性維護方框圖
微控制器與微處理器：基於Arm®Cortex®M4 / M33 / M7的STM32微控制器產品家族，以及基於Arm®Cortex®-A7®內核、具有強大浮點運算功能的STM32MP1微處理器系列可以在邊緣端處理傳感器數據。數千個STM32產品型號均允許用戶通過STM32Cube.AI工具鏈實施神經網絡和機器學習，從而實現預測性維護的深度學習算法。STM32完善全面的生態體系及工業領域的泛在應用都將助推預測性維護這一工業服務化的歷史進程。
傳感器和慣性測量單元（IMU）：意法半導體還提供具有成本競爭力的高性能傳感器和慣性測量單元（IMU），10年長期供貨保證，包括加速度計和超聲波模擬麥克風，可實現不同精度的振動分析，比如簡單通過/故障監控，以及基於頻率的高精度數據分析等。此外，還有用於溫度、溼度和壓力感應的一系列環境傳感器以及先進的MEMS傳感器，這些傳感器包含經過優化可運行機器學習算法的算力，通過這些算法慣性測量單元（IMU）可以與主機處理器共享數據處理。
有線和無線通信解決方案 ：意法半導體還提供一系列有線和無線技術解決方案，包括用於工業有線連接的IO-Link兼容設備，以及低能耗藍牙（BLE）SoC和網絡處理器，支持LoRa、Sigfox和免許可證的ISM和SRD頻段的LPWAN SoC和收發器等無線技術解決方案。
