通过预测性维护提高电子制造效率

作者:Cyient’s Advanced Analytics:Sean Otto博士

保持舰队、设备和其他资产的有效运行是电子制造商、工程技术、采购和建造(EPC)公司以及电力和加工厂所有者和运营商面临的共同挑战。更复杂的是同时降低维护成本和时间敏感的维修成本。随着电气产品及其服务的上市时间要求越来越短,使得在潜在故障或失效发生之前确定其原因变得更加重要。物联网、大数据分析和云数据存储等新兴技术,使更多的载具、工业设备和装配机器人能够将基于状态的数据发送到集中的服务器,从而使故障检测更容易、更实用和更直接。

以积极主动的方式识别潜在问题,可以使电气制造公司更有效地部署其维护服务,并改善设备的正常运行时间。帮助预测故障或失效的关键特性通常隐藏在结构化数据中,例如生产年份、品牌、型号、保修详细信息,以及非结构化数据(如维护历史记录和维修日志)。

人工智能模式可以识别异常行为,从设备传感器获取的信息可以转化为有意义的、可操作的对设备主动维护的洞察力,进一步防止导致设备停机或事故的事件发生。通常被称为预测性维护,这种新增的智能功能使公司能够预测功能性设备何时或是否会出现故障,以便在故障发生之前对其进行维护和修复。

市场:北美市场占有率最高

由于寻求优化运营成本和提高盈利能力的电子制造公司支出增加,北美将继续是预测维护解决方案的最大市场。北美的市场份额估计为31.67%,预计其预测维护解决方案的年复合增长率为24.5%,从2017年到2022年将一直保持领先地位。主要参与者包括博世、通用电气、日立、霍尼韦尔和罗克韦尔自动化等。

 

预测性维护方法:提高产品可用性

无论预防性维护模式的最终应用程序如何,其底层体系结构都是相当统一的。分析通常位于许多IT平台上,但是这些层被系统地描述为:

*数据采集和存储(在云端或边缘地带)

*数据转换-转换原始数据适用于机器学习模式

*状态监控-基于设备操作限制的警报

*设备健康状况评估-如果设备健康状况已经开始下降,则根据趋势分析生成诊断记录

*预测-通过机器学习模型生成故障预测并估计剩余寿命

*决策支持系统-建议最佳行动

*人机界面层-以易于理解的格式访问所有信息

故障预测、故障诊断、故障类型分类以及相关维护操作的建议都是预测维护方法的一部分。

随着工业用户越来越多地意识到由于意外的机械故障而导致的维护成本和停机时间的不断增加,预测性维护解决方案越来越得到重视。随着制造业、能源和公用事业等领域成为预测性维护的最大需求驱动因素,设备制造商、EPCs和业主/运营商采用预测性维护解决方案以保持竞争优势将变得更加重要。

大公司已经使用这种方法十多年了。制造业的中小型企业也可以通过保持较低的维修成本和满足新业务的初始运营成本来获得其优势。

它显然比纠正性和预防性维护程序提供了更多的经营效益,预测性维护也比预防性维护领先一步。在维护工作按预先设定的时间间隔安排的同时,维护技术人员会被告知在下一个工作周期中部件和元件发生故障的可能性,并可以采取行动将停机时间降到最低。

预测性维护的好处

除了控制维修成本、避免故障排除的保修成本、减少计划外停机时间和消除故障原因等优点外,预测性维护还采用非侵入性测试技术来评估和计算设备性能趋势。使用的其他方法包括热力学、声学、振动分析和红外分析等。

大数据、设备对设备通信和云技术的不断发展为工业设备信息的调查创造了新的可能性。由于传感器、执行器和其他控制参数的输入,实时状态监测是可行的。利益相关者需要的是一个可赢利的分析和工程服务合作伙伴,他们不仅可以帮助他们利用数据科学来预测初期的设备故障,还可以帮助他们消除这些故障并及时采取行动。

需要阅读更多内容,请点击“环球SMT与封装

上一篇:REHM(锐德)–国际化之路

下一篇:如何让你的工厂更智能