物聯(lián)網(wǎng)+人工智能趨勢下電機(jī)預(yù)測性維護(hù)的全新變革

隨著物聯(lián)網(wǎng)、大數(shù)據(jù)和AI技術(shù)的興起，工廠設(shè)備迎來了全新的變革，越來越多的機(jī)器連接上網(wǎng)，實現(xiàn)了遠(yuǎn)程數(shù)據(jù)監(jiān)控和分析，這種場景給工作人員帶來了更輕松、高效的工作。不過，許多人對這種模式感到陌生，盲目的追隨趨勢可能不會得到想要的效果，那么企業(yè)如何結(jié)合物聯(lián)網(wǎng)、大數(shù)據(jù)，提升工廠的價值？

目前物聯(lián)網(wǎng)在工業(yè)領(lǐng)域最大的應(yīng)用是預(yù)測性維護(hù)，要保證生產(chǎn)線長年24小時持續(xù)的運(yùn)行，在過去是很難實現(xiàn)的，但今天通過預(yù)測性維護(hù)可以提前解決設(shè)備隱患，從而防止設(shè)備故障停機(jī)。

電動馬達(dá)是當(dāng)今工業(yè)的主力，工廠里有著許多用于各種用途的電動機(jī)，如：起重、沖壓、搬運(yùn)、除塵、干燥等設(shè)備都要用到電動機(jī)。電機(jī)的維護(hù)成為工廠的一件重要的事項，特別在一些惡劣環(huán)境場所，用戶更偏向于遠(yuǎn)程維護(hù)。

電動機(jī)效率下降是最常見的，如果工廠里有幾百臺電動機(jī)效率都下降了，這對工廠生產(chǎn)影響是很大的，同時還有可能造成停機(jī)的風(fēng)險。有些生產(chǎn)線一臺電動機(jī)故障可能導(dǎo)致整條生產(chǎn)線停機(jī)，這種停機(jī)時間是十分昂貴的。

為了減少意外的停機(jī)時間，工廠會雇用維護(hù)人員。但傳統(tǒng)的維護(hù)方法也很昂貴，因為他們沒有更好的辦法預(yù)測設(shè)備的未來情況，仍然無法避免停機(jī)。通常電機(jī)有以下幾種維護(hù)方法：

故障后維護(hù)：意思是等電機(jī)發(fā)生故障停機(jī)后再進(jìn)行維護(hù)，這種情況通常都是電機(jī)已經(jīng)損壞，需要重新更換一臺電機(jī)，因為要現(xiàn)場修理電機(jī)并不是一件簡單的事情，這種情況只能是先換下來，保證生產(chǎn)能繼續(xù)進(jìn)行。

預(yù)防性維護(hù)：為了避免電機(jī)完全失效，工作人員會根據(jù)電機(jī)的平均運(yùn)行時間來定期維護(hù)。通常出于安全考慮，維護(hù)偶然發(fā)生得太早，而部件仍然處于良好狀態(tài)可能被更換，這種方式并不能保證維護(hù)后不會發(fā)生新的問題。

狀態(tài)監(jiān)測維護(hù)：通常電機(jī)在故障停機(jī)之前會有一些現(xiàn)象發(fā)生，例如開始出現(xiàn)噪音、振動、速度不均等。狀態(tài)監(jiān)測維護(hù)的辦法是通過對每臺電動機(jī)進(jìn)行監(jiān)聽，類似醫(yī)生聽診器的方式，維護(hù)人員在現(xiàn)場診斷后確定是否需要維護(hù)?，F(xiàn)場檢測可能是一項危險的任務(wù)，維護(hù)人員要跑遍工廠的任何地方。

隨著物聯(lián)網(wǎng)技術(shù)的發(fā)展，這些傳統(tǒng)的維護(hù)方式將成為過去。工廠將為每臺電動機(jī)都配備一個或多個傳感器，這些傳感器與控制數(shù)據(jù)庫連接，以連續(xù)收集有關(guān)電機(jī)的數(shù)據(jù)。而在數(shù)據(jù)庫采用人工智能對每臺電機(jī)的行為進(jìn)行學(xué)習(xí)，當(dāng)電機(jī)偏離正常情況時立即生成警報。

這種基于傳感器的數(shù)據(jù)收集比任何人力檢測都要精確和徹底，因為電機(jī)的許多跡象很難用眼睛和耳朵能識別出來，但通過物聯(lián)網(wǎng)傳感器卻能發(fā)現(xiàn)設(shè)備的細(xì)小變化。

物聯(lián)網(wǎng)與人工智能相結(jié)合，不僅能看到問題出現(xiàn)，還能不斷掃描檢測可能存在的問題，這種方式我們叫做預(yù)測性維護(hù)。這種方式很好避免了故障的出現(xiàn)，同時讓維護(hù)人員知曉何時是最佳的維護(hù)時間，不會出現(xiàn)太慢或者太早的情況。同時，可以根據(jù)問題和警報的嚴(yán)重程度，甚至可以計劃電機(jī)的停機(jī)時間，以盡量減少對操作的干擾。

在工廠運(yùn)營工作中，錯誤的決定或做出太慢、太早的決定，都會帶來大量的資源和金錢的浪費(fèi)。物聯(lián)網(wǎng)幫助用戶收集過去從未捕獲過的數(shù)據(jù)，通過人工智能的分析，從中學(xué)習(xí)并能更快做出更好的決策。