编者按：本文编译自德勤大学出版社2016年8月刊发的文章。作者分别为克里斯•科尔曼，德勤咨询供应链和制造操作实践专家领导人、德勤咨询供应链和制造操作实践高级经理萨蒂什•达莫达兰，德勤咨询数字物联网实践高级经理马赫什•钱昌穆里，德勤咨询供应链和制造操作实践专家艾德•杜尔。本文分析预测性维护的影响、潜在收益、支撑技术及其在数字化供应网络和智慧型工厂中的地位，构想将预测性维护融入资产维护策略的方式，探讨实施预测性维护流程中面临的挑战，以及促成预测性维护的组织结构变革。

简介

多数维护专家采用多种技术组合识别制造设备的故障模式，以缩短停工时间。随着新兴连接技术的崛起，机器能为之代劳，最大化零件的使用寿命，避免发生故障。

落后的维护策略会削弱工厂5%～10%的生产能力。近期研究显示，意外的停工期导致工业制造商的年损失达500亿美元。维护人员难以确定机器下线维护的频率，也难以估计可能的停工期。因此大多数公司都面临窘境，有些公司承受停工期的风险，选择使用零件直至故障发生，也有些公司会提前替换性能良好的零件，最大化机器运行时间。部分公司则根据以往的经验判断停工时间，主动解决问题。

维护项目通常分为四种：被动性维护、计划性维护、主动性维护和预测性维护，每一类维护类型都有其利弊（见图1）。预测性维护借助智能连接技术连接数字资产和实体资产。虽然预测性维护概念早就有，但是成本高昂的数据处理技术导致其使用者多为大型企业。如今，随着数字技术的普及、成本的降低以及数字化供应网络的迅速发展，预测性维护已适用于大中小企业。运营与信息技术的结合使人们能够深入分析实体世界的数据，进一步驱动智慧行动（见图2）。预测性维护能够利用相互连接的智能机器与设备的数据预测故障发生的时间和位置，最大化零?工作效率，缩短不必要的停工期。在多数情况下，预测性维护是最具效率的维护策略。因此在数字化供应网络时代，预测性维护是一种至关重要的能力。

权衡取舍

虽然越来越多的人认为预测性维护是维护策略的黄金标准，但面对不同的维护或维修需求，其他方法也许更适用于智慧型工厂。下面我们将简要探讨其他三种维护方式。

被动性维护

被动性维护指在零件或设备崩溃或发生故障时开展维修工作的策略，是技术含量最低、最普通的资产维护策略。该维护策略保证物尽其用，但是这也许会导致机器震动、过热或故障，进而造成更严重的损害。被动性维护会放任企业治标不治本，该策略适用于维护廉价、耐用或笨重的零件。但是在多数情况下，定期更换零件或检修机器更具成本效益。

计划性维护

计划性维护指在计划时间段内，维护人员更换运行良好的零件的维护策略，这能够防止机器故障，减少停工时间。该维护策略会更换尚在使用周期内的零件，而且维护人员需要保证备用零件的库存，相关的库存管理工作增加了维护工作的复杂性。另外，计划性维护会下线正常工作的机器，进而中断工厂的运营，增加计划停工期。因此，难以确定被动性维护和计划性维护，哪一种成本效益更高。

主动性维护

主动性维护指利用数据分析率先确定和解决导致机器出现非正常情况根源的维护策略，能够防止因零件磨损或破裂引发的设备故障，因而可减少故障的发生，缩短停工期。该维护策略的优势在于降低成本，因为它能够减少不必要的维修工作，降低备用零件的库存需求，延长零件和设备的使用寿命。同时，主动性维护策略可与其他策略相结合。对于在恶劣条件下运营的、成本高昂的大型设备而言，该维护策略可能是最佳选择。表1展现了三种维护策略的优劣。

权衡破局

预测性维护能最大化零件的使用寿命，避免或最小化意外停工期，降低成本，从而打破公司原有的策略权衡。本质上而言，预测性维护通过分析连接设备的数据以期预测零件的故障及维护时间。目前，不少公司或持续使用零件直至故障发生，或替换运行良好的零件。但是预测性维护能够帮助公司恰在零件需要维护的时间点前开展维护工作。

预测性维护的崛起及其在数字化供应网络中的地位

虽然预测性维护的概念由来已久，但是近年来预测性维护的广泛使用要归功于数字技术的进步和成本的降低。过去，预测性维护常常需要进行费时的人工数据运算和分析，以探究数据背后的意义。相关策略通常依赖于“部落知识”的估算，或者持续性地深入了解和分析各种设备以保证数据的准确性。

随着传感器、运算能力和带宽的成本不断降低，数字技术迅猛发展，预测性维护成为一个可在全公司实行的可行性选项，这反过来促进了预测性维护的使用。维护人员可通过多种渠道快速获得连接机器的数据，发现先前未注意的细节并分析其原因。以一家消费品包装商品公司为例，该公司结合传感器与高速相机的数据识别出两个看似无关的事件之间的关系，避免了生产线的停运，每年帮助公司节约了500万美元的维修成本，提高了工厂的生产效率。

然而，简单地从传感器和系统采集数据不足以收获预测性维护的利益，数据只有经过整合和分析后才能预测设备的故障时间，这要求相关人员具备创造、处理和利用数据的能力。事实上，随着连接技术和数据的发展，分析水平愈加高级，赋予了公司利用自身搜集数据的能力。上述能力在数字化供应网络和智慧连接工厂是不可或缺的。预测性维护可以利用多渠道数据影响维护策略决策，增强资产健康的透明度，高效维护资产。通过数据驱动行动，实时的信息流动及信息分析能力能以维护和保养的形式带来运营效率和绩效。信息流与分析是数字化供应网络的两大特点（见图3）。

与传感器相连接的实体资产及相关系统生成的数据流实现了“永远连线”的敏捷性，能够实时感知设备内部的意外情况和变化，减少可能发生的损害。资产与系统的互联群落能提供更大规模和范围的数据，赋予了更精确的预测分析，使公司能智能优化决策和设备的使用。在生产过程中，对机器中传感器产生的数据进行整合能够实现端对端透明，而使用正确的分析和算法处?相关数据能够达成关于资产维护方法的整体决策，基于资产在整体网络中的角色，优化其绩效。总而言之，上述能力可实现更明智的战略性决定。

连接技术驱动预测性维护的方式

一旦识别出数据源，就能通过定制或标准数据网络上传数据至在线平台或云存储空间。随后，分析工具根据预测性算法分析数据，预测零件的故障时间。最后，工作人员通过数据可视化协作工具在零件需要进行维护的时候开展维护工作。图4描绘了预测性维护的流程。

预测性维护对智慧工厂的影响

制造公司的两大商业目标是商业运营和商业增长，相互连接的数字技术和物理技术会影响上述两个目标。在商业增长领域，数字技术关注收入增长；而在商业运营领域，其目标是提高生产效率或降低关键区域成本。人工的设备检查和排除故障工作费时费力，并且成效一般，所以预测性维护对提高运营效率的作用是显而易见的。连接技术可从多个渠道和系统提取数据，提供实时先进的观察报告，因为电脑系统代劳了情报搜集工作，维护经理得以有精力去高效配置各种资源。

提高商业运营效率

连接技术能帮助解决维护的核心难点，即在合适的时间点确保合适的零件安装在合适的位置。依靠真实的数据来源，而不是靠猜测来驱动维护流程。预测性维护能帮助识别出维护方案的最优效率。该维护策略可减少20%～50%的计划维护时间，延长10%～20%的设备运行时间，降低5%～10%的总维护成本。

被动性维护、计划性维护和主动性维护均要求维护人员准备充足的备件以应对突发故障，而预测性维护能使维护团队更高效地开展维护工作。意大利铁路公司在开展常规维护时会停运1600余辆火车，在某一火车突发故障时，该公司也采用相同的处理方式。这会造成难以计数的火车延误、高额的违约罚款，乘客也为此恼火不已。铁路公司为解决这一问题，启动历时三年的“维护工作改进”项目，在车身上安装数百个传感器以搜集数据。相关数据会上传至公司云储存中以诊断分析零件的发生故障时间。这样，最大化了零件的工作寿命，降低了备用零件成本。总体而言，该公司缩短了5%～8%的停工期，节约了8%～10%的年维护成本（约1亿美元）。

预测性维护能提供更精准的零件故障时间，确定零件需求量的大小，所以公司可在零风险情况下，减少备用零件库存。如果该维护策略与物流和零件订购系统相结合，实现备用零件的自动订购，那么就更易达到维护工作的终极目标：在合适的时间点确保合适的零件安装在合适的位置。目前，航空业已利用预测性维护来判断未来24小时内是否会发生机械故障，确定备用零件的需求。这不仅能最大程度地解决航班的复杂调配问题，还能帮助维护人员准备好所需零件。

实现商业增长

上述论述表明，预测性维护可实现以降低开支、提高效率为目标的商业策略。但是在商业运营领域之外，预测性维护也能帮助实现商业增长。该维护策略不仅有助于控制成本，也具有品牌差异化作用。维护工作的失败既会影响机器的正常运转，也会导致残次品的生产。超出容限度的工具和机器会导致产品质量下滑，而预测性维护能让维护人员注意控制容限度以保证更优的产品质量。同时，由于停工期缩短，制造商可释放现有机器的额外生产力，以增加产量，增强反应能力。由此，该维护策略可用更短的时间交付高质量的产品，使公司在激烈的竞争中脱颖而出。

以一家电子元件生产商为例，该生产商将制造执行系统和材料处理系统数据导入分布式数据库。数据输入结构化数据槽后，利用公司开发出的预测性算法，可以提高生产力，减少33%的残次品。

产品质量的提高不仅能够降低生产成本，更重要的是能提高顾客满意度和实施品牌差异化。前一案例中，意大利铁路公司的项目以完善车身的维护工作、提升车身的可靠性为目标，然而铁路公司的最终目的是提高火车准点率，增强顾客满意度。

预测性维护背后的驱动技术

只有了解预测性维护背后的连接技术，我们才能理解它的工作原理。连接技术有传感器与通信协议、分析与数据处理工具、数据可视化与合作工具（见图5）。

传感器与网络

传感器可能是预测性维护中最重要的一环，它能创建所需的数据与通信，以实现数据存储与分析。传感器能把机器的物理动作翻译为数字信号。当然，我们也可以从可编程序逻辑控制器、制造执行系统、企业资源规划系统等渠道获取数据。以美国通用电气公司为例，该公司的情况预测系统整合每台发动机的250个传感器传输的数据，以及4万余条历史维护信息记录，最大限度发挥工厂发动机的性能与可靠性。

如今，成本低廉的带宽和存储空间使传输海量数据不再难以企及。凭借端对端数字化供应网络提供的透明度，制造商能对工厂资产和整个生产网络的情况了然于心。

数据整合与增强智能

数字信息一旦集中，必须利用先进的分析和预测算法来解析、存储和分析数据。预测零件故障需要非结构化数据的解决方案、增强智能或机器学习平台等工具。数据分析师需要利用上述工具深挖数据之山，在日常运营的“噪声”中寻获零件即将发生故障的信号。简而言之，在预测性维护依赖试点项目或评估周期所决定的故障临界值的同时，机器学习平台通过分析每次预测的结果反复调整临界值。因此，选择合适的分析法或算法对构建预测性维护的能力至关重要。做对选择能产生意义非凡的结果。近期，一家制造商利用预测算法的机器学习平台缩短了一半停工时间，提高了25%的生产效率。

因为这些工具逐渐主流化，所以未来公司也许不再需要统计学和计算机专业的学生，没有掌握专业知识和资源的公司也能有机会使用上述工具。

增强行为

在数据分析工作完成之后，维护人员和机器会根据分析结果采取行动。可穿戴设备和增强现实等技术使得维护人员可以在全神贯注完成任务的同时“看见”大量资料，如参考维护手册和专家建议等。上述技术通过提供详细指导来帮助操作人员在机器发生故障时快速解决问题，并通过按需提供的拟真培训传播知识。借用这些技术，异地的团队甚至可以远程控制和监督操作流程。

以一家领先的技术制造商为例。该制造商部署了一套行业领先的可穿戴设备，以实现技术问题的远程解决和专业知识的实时传播。这个解决方案有力地支撑了故障处理流程。该公司的检修周期减半，通过缩短停工期，一条生产线就节省了50万美元。

数据经过加工、分析和可??之后，数字洞察会转化为行动。在某些情况下，数字洞察会指示机器人和机器改变功能。其他情况下，维护警示会促使技术人员采取行动。下面让我们设想一个情景：预测性算法激活公司维护管理计算机系统的维护工作指令，检查企业资源计划系统中的库存，若需要额外备件，则自动下单采购，这一系列全自动的行动均先于意外的停工期。维护经理只需批准工作流程中的项目，派遣合适的技术员去办即可。

夯实基础

复杂的新技术涌入工作环境必然造成天翻地覆的影响。采用和实施预测性维护的过程面临三大挑战：攀升的成本、技术支持与变化的人才需求。仅凭技术无法实现向预测性维护过渡，流程和组织变革与技术同等重要。向预测性维护转型的公司需考虑下述内容。

安全性   相互连接的资产数量倍增，物联网无处不在，公司应保护会被侵入的关键设备的通道，主动采取网络安全措施。

新技能与组织方法   预测性维护是远超传统维护计划和执行技能的维护策略，公司必须采用一整套新技能才能成功实施预测性维护策略。数据科学家需要与可靠性工程师合作开发算法和预测性模型。许多公司发现，这些技能人才难以找到或培养，并且实施解决方案时需要与多个供应商合作，以增强相关能力。

设备更新换代   公司使用服役年限数十年的机器是司空见惯的情况，然而这将导致维护人员难以找到机器备件，并且难以管理相应的库存。更新或更换智能设备的成本将是一笔不菲的开支。此外，改进未连接的资产，并将其投入智慧型工厂的运营，会增加安全风险。

数据管理   在预测性维护中，正确的数据能够帮助公司预测故障模式。因此，维护工作的首要任务是选择合适的数据渠道。在初始阶段，公司需要进行数据清理，以保证将来能进行有效的分析。但是，数据准备只是维护流程的一小部分。数据采集工作完成后，需要定位、存储，并利用算法分析数据，以预测发生故障的时间和结果。因此，选择最佳算法和利用机器学习平台得出预测结果是至关重要的。如上所示，选择和维护相关的软件对促成预测性维护的成功同样重要。

技术   与其他较为成熟的维护手段不同，预测性维护的软件、硬件与算法尚处于发展的初级阶段。因此建议采用试点方式，在大规模采用预测性维护前，先进行测试和学习。

通常，维护策略和流程是维护的核心。如果没有坚实的流程基础和素质良好的员工，那么公司在技术方面的投资也不太可能实现回报。如果维护人员无法理解传感器和智能设备的报告，那么这些高科技产品便毫无用武之地。

构建组织能力

预测性维护流程的制度化能够极大地缩短流程时间，集合来自不同资产、系统和地点的数据。以一家航空公司为例，该公司整合来自文本文件、飞机日志和维护记录的数据，实现了维护流程的自动化，把发现问题所需的时间从原来的30～90天缩短至不超过1天。然而，在这样做的同时，数据分析和维护的能力也必须到位。因此，决策框架的开发是维护策略转型的关键，以使维护人员不再依赖直觉和经验做决策，而是从数据中解读、挖掘价值。该公司采取以下三个步骤开发决策框架，管理维护流程。

步骤一：建立绩效管理框架。如果要确保指标测量了正确的区域，那么正确理解“所做”与“所得”的关系是关键。因为“所得”指输出，所以应该瞄准滞后指标。“所做”为日常可控因素，因此具有先导基础，并且应该积极管理。

步骤二：建立辨识和获取价值的流程。量化价值，建立目标，明确责任，排定项目优先次序，监控绩效和分配资源。

步骤三：由被动性预测转变为基于实时信息分析的主动性预测。通常在这一步骤中会建立资产信息中心，为获取多渠道信息提供简单通道。

评估组织需求

不同公司对资产可靠性的要求不同。公司可根据以下三个方面评估任务要求和维护项目的成熟度。

商业战略

•预测性维护对全公司的价值为多少？

•公司资产可靠性的需求为多少？什么是公司可实现的目标？

维护策略

•如何决定资产更换和资产维护的时间？

•公司已掌握何种未有效利用的数据？

•公司是否已选择一款能够解决所需数据类型和容量的分析工具？

•公司是否已在生产系统中辨识出何为关键资产？

•预测性维护试点是否会有利于部分关键资产？

维护流程

•公司是否在合适的时间和地点备有合适的零件？

•维护流程是否记录完好、易懂且实用？

•公司是否为此工作配备合适的工具？

•公司的技术人员是否具备完成任务的能力？

无论是大型或是小型维护，但凡取得成功的公司都会考虑基本维护策略、流程以及驱动技术。

迈向预测性维护

制造业公司的成功通常有赖于恰当的技术与流程、能力卓著的员工。在分析数字化供应网络和智慧型工厂时，并非所有公司都准备立即采用预测性维护。在起步阶段，公司应以一些基础性工作作为预测性维护和主动性维护的开始，逐步培养预测性维护能力。在这个阶段，公司应遵循下列三个步骤。

从小处起步   公司可利用一至两套合适的资产，开展预测性维护的试点。试点资产必须与运营紧密关联，同时相关资产会相对频繁地发生故障，以生成基本预测算法。另外，公司需根据成功的标准检查试点项目，以评估维护策略、技术和流程的有效性，并限制其风险。

快速规模化   一旦试点结构成形，并在维护试点资产中发挥了作用，那么公司可以快速扩大预测性维护的范围，从连接数个机器扩展至整个智慧型工厂，然后与大型数字化供应网络相连，创造生态系统利益。

这个方法也能帮助公司发现自身面临的挑战。例如，许多工厂拥有工具和设备，但缺少正确的文档资料或培训项目，也有些公司需要投资更复杂的分析能力。公司必须辨识基础维护达到怎样的成熟度才能支撑预测性维护的发展，以及智慧型工厂的技术是否有助于增强技术员的工作？

先规划后实行   虽然有时细致周到的规划看似是浪费时间，但是构建决策框架等基础性工作对公司认识自身缺陷和取得成功至关重要。在实施期间，应评估所实现的具有里程碑意义的成果，如在首台机器上安装传感器或是建立首个仪表板。这如同一场短距离冲刺赛，赛场休息时的反思有利于吸取前场的教训，进而采用更为灵活的实施方式。

公司使用上述方法可以衡量预测性维护无可比拟的高效率。新兴技术使预测性维护不再是梦想，而公司组织结构的改革使它成为可行的策略，现在只需我们把一切变成现实。

（沈淼 编译）