预测性维护的利益

从成本及风险分布的角度来看，常规的维护方式旨在通过对检测、诊断、维修等行为的定期覆盖，来尽量减少设备故障以及非计划性停机带来的风险和损失，但这种常规方式的计划安排并非基于设备本身的状态而灵活设置。这一方面导致大量不必要的停机维护时间，另一方面维护频率和强度会导致成本的上升，但是即便如此，也难以完全避免可能出现的故障。在这样的情况下，更加科学合理的预防性维护的概念应运而生。

对于预防性维护具有多种定义，但所有的管理计划都是按照时间来安排的。换言之，维护任务是按照机器运行的时间或小时数进行的。它们基于特定类型工厂设备的统计数据或历史数据。一台新机器在最初几个小时或几周运转时间内出现故障的可能性非常高。这些故障通常是由制造或安装问题引起的。过了这段初始时期之后，在较长时间内出现故障的可能性相对较低。在此正常运转期之后，出现故障的可能性会随着机器运转时间或小时数的增加而急剧增加。在预防性维护管理中，机器检查、润滑、维修或改制都基于平均无故障时间统计数据进行计划安排。

相比“故障——维修”的基本维护方式，预防性维护是基于大量设备统计数据来进行有针对性的计划安排的。这大大减少了不必要的维护计划，使计划安排更加符合设备的故障周期特性；但基于概率覆盖的原理，使得这一方式仍然难以完全避免设备的突发故障。在这种情况下，出现了更加具有精确性的预测性维护概念。

预测性维护是一种运转状况驱动的预防性维护程序。预测性维护不依赖于工业或工厂内平均寿命统计数据（即平均无故障时间）来计划安排维护活动，而是对运转状况、效率、热量分布和其他指标进行直接监视，以确定实际的平均无故障时间或将危害到工厂或设施内所有关键系统装置运转的效率损失。

很多自动化行业的公司都投入开发了预测性维护的产品和系统。来自奥地利的贝加莱(BR Automation)也开发了其称为ConMon的系统。它是一个具有灵活实现功能的系统，既可以集成于机器本身，也可以与流程中的APROL DCS集成，是一个“开箱即用”的状态监测解决方案。

频谱分析法是最为常用的预测性维护分析技术，因为每种机械特征频率都会对应某种故障，所以可以根据机械特征频率的变化来确定故障问题和严重程度。转动机械经常的故障包括不平衡、不对中、松动、弯曲、磁拉力不平衡等，通常可以通过振动测量来分析系统机械故障。

首先，测量单元可以对机械系统的速度、加速度、位移等进行测量，并进入信号分析与处理，通过对包络谱的滤波解析出固有故障频率并进行FFT(傅里叶变换)，然后对信号进行整流和解调处理，送往专家系统。专家系统通过对特征频率的分析，可以判断出工频、二倍频、共振等问题的根源，然后报告系统可以为中央控制室发送监测报告，预警系统故障。

贝加莱的振动测量是基于IEPE压电式加速度传感器进行采样的。它是24位精度的4通道IEPE传感器输入。其内部采样频率可达51.2kHz，分辨率为100mg，通过IEPE通道到达CM4810模块。该模块可以实现基于原始值的数据分析、包络检测，能对峰值频率、峰值因数、尖峰原始参数、偏度原始参数、峰态原始参数、RMS加速度、RMS加速度包络谱、RMS速度包络谱进行计算。

在系统中还可以对各种故障进行分析，作为一个专家系统，对于机械频率和故障之间的关系可以进行数据统计，建立关系模型，通过获取的相关采样数据，可以实现故障的直接显示，为机器操作和维护人员提供报警和报表。

贝加莱的ConMon既可以集成到机器的单机控制作为独立的系统，也可以集成到APROL DCS中作为整个生产工厂或流程生产的一个功能单元。目前，基于B&R的ConMon的应用已经为包装、塑料、印刷等机械领域的客户所关注，并且在过去已经有较多的前沿制造商将ConMon集成于设备上，以便能够为客户带来更大的系统运行便利性。

作为最为顶级的包装机械制造商，KRONES在其Contiform 3吹塑成型机上，为了提高设备的运行效率，便于终端客户维护，对主凸轮、解除和锁定凸轮组的润滑进行了监控，通过对机械的振动信号采样可以分析出系统欠缺润滑时的机械特征频率，从而及时为维护人员报警，以便及时进行润滑维护处理。这既可以在生产停机时进行维护，也可以为设备提供备件计划。

作为全球最知名的塑料机械制造商之一，Starlinger在其塑料循环系统recoSTAR里也集成了B&R的预测性维护技术，通过对裁切单元裁切刀的振动测量，可以分析其刀的磨损状态，从而使得维护人员可以及时地知道何时去磨刀、更换刀具或调整安装等。通过观察锋利的刀和已经使用得钝了的刀具在机械加速度原值上的变化对比，可以为维护人员提供维护的参考，从而确保刀的使用和保养处于最佳状态，既保护了刀具的寿命，又避免了生产中停机现象和产品质量问题的发生。

预测性维护技术所带来的是未来更为智能的工厂和生产过程。它大大降低了系统的运行效率和维护成本。因此，未来，其必然会得到广泛的应用。尤其是在大型的关键装备，如压缩机组、分离机、钻井设备和测试系统上，必然得到大量使用。

在这方面，艾默生、GE等厂商也都可以基于具有自诊断功能的智能设备、数据检测、设备管理系统等对石化、电力等重要行业的各类设备进行检测，根据设备的在线数据对设备的实际状态进行分析，并以此为依据对设备实施维护。这既有利于通过准确、必要的维护提升生产能力，也可以降低故障风险成本。

今后，随着具有在线诊断功能的智能设备、设备管理系统、热成像等相关技术的应用扩展，预测性维护将得到进一步的推广。