由于計劃外的停機時間和不良的資產質量，制造業和加工業每年損失約200億至600億美元。大多數組織都充分意識到這一點，并表示提高正常運行時間是他們實施預測性維護計劃的主要目標。

預測性維護是一種維護計劃，可以監測設備的性能和狀況，以減少故障發生的可能性。其目標是預測故障可能發生的時間，然后通過實施糾正性維護來防止故障發生。

預測性維護只有通過狀態監測(在正常運行條件下對資產的持續監測)才能成功。狀態監測通過三個方面完成：在線監測、定期監測和遠程監測。這些方面是通過實施紅外熱像儀、聲音監測、振動分析和油分析等方法來實現的。

Reliable Plant公司希望了解全球各地的工廠正在使用哪種維護類型，以及維護人員如何看待與預測性維護相關的某些話題。為此，Reliable Plant對發電、石油、礦業、食品加工和造紙等20多個行業的近150名維護經理和主管進行了調查，并詢問了他們當前的維護計劃。以下是一些主要發現：

▲76%的受訪者表示，他們目前使用預防性維護(比2018年的研究略有下降)，而65%的受訪者目前使用預測性維護(比2018年的研究增加了11%)。

▲近60%的受訪者表示，他們使用被動式(從運行到故障)維護 (比2018年的調查增加了9%)。

▲與近10年前相比，維護人員仍然將振動、油和熱成像分析視為預測機器早期故障的最佳方法，其中62%的人僅關注振動分析。

▲關于與網絡連接的預測性維護，大多數受訪者最關心的是內部技術人員缺乏(71%)，其次是數據標準化問題(69%)。

▲只有略高于5%的人將基于互聯網的系統用于其預測性維護計劃。

您的工廠目前使用哪種類型的維護？

根據美國能源部的數據，實施預測性維護非常具有成本效益，比預防性維護節省了8%到12%的費用，比被動式維護節省了40%的費用。盡管如此，根據去年Plant Engineering進行的一項維護調查顯示，80%的維護人員仍然青睞預防性維護。同一份調查顯示，51%的工廠使用預測性維護。有了這些信息，我們希望了解受訪者當前使用哪種維護類型。

當被問及他們工廠目前正在使用哪種維護時，預防性維護比預測性維護更為常見，為76%，比去年略有下降。65%的維護人員使用預測性維護，比Plant Engineering的調查結果增加了14%。有趣的是，近60%的受訪者表示他們使用被動式維護(從運行到故障)。完善我們響應措施是主動性維護(監測和控制根本原因)為40%，而規范性維護(監測并列出解決問題的處方)為34%。

哪種技術可以為即將發生的機器故障提供最好預警？

2010年，機器可靠性解決方案公司AzimaAI進行的一項調查顯示，振動、油和熱成像分析(按此順序排列)是受訪者進行預測性維護計劃的主要組成部分。事實上，這三者被大量使用——振動分析占85%，油分析占75%，熱成像分析占71%。

在預測性維護工具方面，我們想知道在受訪者眼中哪種技術是最佳的預警監測方法。巧合的是，這似乎與十年前AzimaAI的調查一致。超過一半(51%)的受訪者表示，振動分析是監測潛在問題的最佳方法，其次是油分析(23%)和紅外熱成像(11%)。21%的受訪者表示超聲波和電機電流分析是最好的預測指標。

盡管大多數人認為振動分析提供了機器故障的最佳早期預警監測，但油分析卻常常被人們所忽視。

Noria公司產品開發和LPD服務總監Bennett Fitch表示：“在大多數情況下，油分析可以在振動分析之前提供故障跡象。”

您目前是否實時查看和分析預測性維護數據？

實時分析數據是預測性維護策略的最大好處之一。這些數據可以來自機器內置的板載傳感器(通常是物聯網傳感器)的持續信息流，也可以來自能讓您看到潤滑油當前狀況的諸如油視鏡之類的工具。實時數據還可以來自紅外攝像頭和振動傳感器等裝置。然后，將結構化和非結構化數據路由到可拓展的數據庫，在那里可以對其進行分析以形成維護計劃和調度任務。

被問及當前是否實時查看和分析預測性維護數據時，25%的受訪者表示他們不實時查看和分析列出的任何技術。20%的人僅分析一種技術，而在這些人中有62%最常使用實時振動分析。近55%的受訪者分析不止一種技術，最常見的組合是振動和紅外熱成像。結果如下：

▲振動分析：55%是，45%否

▲油分析：34%是，66%否

▲紅外熱成像：46%是，54%否

▲超聲波：34%是，66%否

▲電機電流分析：30%是，70%否

您對以下與連網預測性維護解決方案有關的問題有多關心？

在實施預測性維護時，與互聯網集成幾乎是必然的。大量基于條件的歷史數據需要在某個地方進行跟蹤，這很可能是通過集成企業資產管理(EAM)或計算機化維護管理系統(CMMS)軟件或其他類型的系統進行的。實際上，根據Plant Services的一項研究顯示，幾乎有一半維護人員使用集成的EAM / CMMS或Historian軟件來收集和跟蹤數據。

現代工廠設備比過去的設備更加智能，因為現在大多數機器都與基于互聯網的軟件交互，以提供和跟蹤實時數據。我們詢問了受訪者，哪一個最能代表他們工廠當前的預測性維護水平：基于計算機的、基于SCADA的、基于無線的、基于互聯網的，或者沒有。有點令人驚訝的是，只有大約5.5%的受訪者說他們使用基于互聯網的系統。(來自物聯之家網)大多數人(65%)說他們使用基于計算機的系統，而大約4.9%的人使用基于SCADA的系統，或者沒有上述系統(19%)。將近89%的工廠沒有使用基于互聯網或無線連接的系統。出現這種情況的一個可能原因是缺乏熟練的工作人員。

根據2019年Plant Services進行的勞動力調查顯示，截至2018年，尋找熟練工人填補空缺職位一直是受訪者的第一大挑戰，其次是缺乏知識獲取/再培訓/提高技能。在過去的十年中，這個問題似乎沒有得到改善。根據Azima 2010年的一項調查顯示，人員不足、內部專業知識不足和培訓不足是成功進行預測性維護計劃的三大障礙。

Reliable Plant公司希望了解維護經理和主管對物聯網預測性維護解決方案的最大擔憂，并詢問了與安全、信息技術(IT)集成、投資回報、數據可移植性、內部熟練人員缺乏、供應商能力不足和數據標準化相關的問題。(來自iothome)受訪者最大的擔憂是缺乏內部專業人員(71%的受訪者表示擔憂或非常擔憂)。這比10年前增長了11%，但仍然是最受關注的問題。

在實時監測不止一種技術的受訪者中，大多數人關心或非常關心該技術如何與IT集成。最后，對于那些當前尚未進行實時監測的人來說，數據標準化是最大的問題。