由于计划外的停机时间和不良的资产质量,制造业和加工业每年损失约200亿至600亿美元。大多数组织都充分意识到这一点,并表示提高正常运行时间是他们实施预测性维护计划的主要目标。
预测性维护是一种维护计划,可以监测设备的性能和状况,以减少故障发生的可能性。其目标是预测故障可能发生的时间,然后通过实施纠正性维护来防止故障发生。预测性维护只有通过状态监测(在正常运行条件下对资产的持续监测)才能成功。状态监测通过三个方面完成:在线监测、定期监测和远程监测。这些方面是通过实施红外热像仪、声音监测、振动分析和油分析等方法来实现的。
Reliable Plant公司希望了解全球各地的工厂正在使用哪种维护类型,以及维护人员如何看待与预测性维护相关的某些话题。为此,Reliable Plant对发电、石油、矿业、食品加工和造纸等20多个行业的近150名维护经理和主管进行了调查,并询问了他们当前的维护计划。以下是一些主要发现:
▲76%的受访者表示,他们目前使用预防性维护(比2018年的研究略有下降),而65%的受访者目前使用预测性维护(比2018年的研究增加了11%)。
▲近60%的受访者表示,他们使用被动式(从运行到故障)维护 (比2018年的调查增加了9%)。
▲与近10年前相比,维护人员仍然将振动、油和热成像分析视为预测机器早期故障的最佳方法,其中62%的人仅关注振动分析。
▲关于与网络连接的预测性维护,大多数受访者最关心的是内部技术人员缺乏(71%),其次是数据标准化问题(69%)。
▲只有略高于5%的人将基于互联网的系统用于其预测性维护计划。
您的工厂目前使用哪种类型的维护?
根据美国能源部的数据,实施预测性维护非常具有成本效益,比预防性维护节省了8%到12%的费用,比被动式维护节省了40%的费用。尽管如此,根据去年Plant Engineering进行的一项维护调查显示,80%的维护人员仍然青睐预防性维护。同一份调查显示,51%的工厂使用预测性维护。有了这些信息,我们希望了解受访者当前使用哪种维护类型。
当被问及他们工厂目前正在使用哪种维护时,预防性维护比预测性维护更为常见,为76%,比去年略有下降。65%的维护人员使用预测性维护,比Plant Engineering的调查结果增加了14%。有趣的是,近60%的受访者表示他们使用被动式维护(从运行到故障)。完善我们响应措施是主动性维护(监测和控制根本原因)为40%,而规范性维护(监测并列出解决问题的处方)为34%。
哪种技术可以为即将发生的机器故障提供最好预警?
2010年,机器可靠性解决方案公司AzimaAI进行的一项调查显示,振动、油和热成像分析(按此顺序排列)是受访者进行预测性维护计划的主要组成部分。事实上,这三者被大量使用——振动分析占85%,油分析占75%,热成像分析占71%。
在预测性维护工具方面,我们想知道在受访者眼中哪种技术是最佳的预警监测方法。巧合的是,这似乎与十年前AzimaAI的调查一致。超过一半(51%)的受访者表示,振动分析是监测潜在问题的最佳方法,其次是油分析(23%)和红外热成像(11%)。21%的受访者表示超声波和电机电流分析是最好的预测指标。
尽管大多数人认为振动分析提供了机器故障的最佳早期预警监测,但油分析却常常被人们所忽视。
Noria公司产品开发和LPD服务总监Bennett Fitch表示:“在大多数情况下,油分析可以在振动分析之前提供故障迹象。”
您目前是否实时查看和分析预测性维护数据?
实时分析数据是预测性维护策略的最大好处之一。这些数据可以来自机器内置的板载传感器(通常是物联网传感器)的持续信息流,也可以来自能让您看到润滑油当前状况的诸如油视镜之类的工具。实时数据还可以来自红外摄像头和振动传感器等装置。然后,将结构化和非结构化数据路由到可拓展的数据库,在那里可以对其进行分析以形成维护计划和调度任务。
被问及当前是否实时查看和分析预测性维护数据时,25%的受访者表示他们不实时查看和分析列出的任何技术。20%的人仅分析一种技术,而在这些人中有62%最常使用实时振动分析。近55%的受访者分析不止一种技术,最常见的组合是振动和红外热成像。结果如下:
▲振动分析:55%是,45%否
▲油分析:34%是,66%否
▲红外热成像:46%是,54%否
▲超声波:34%是,66%否
▲电机电流分析:30%是,70%否
您对以下与连网预测性维护解决方案有关的问题有多关心?
在实施预测性维护时,与互联网集成几乎是必然的。大量基于条件的历史数据需要在某个地方进行跟踪,这很可能是通过集成企业资产管理(EAM)或计算机化维护管理系统(CMMS)软件或其他类型的系统进行的。实际上,根据Plant Services的一项研究显示,几乎有一半维护人员使用集成的EAM / CMMS或Historian软件来收集和跟踪数据。
现代工厂设备比过去的设备更加智能,因为现在大多数机器都与基于互联网的软件交互,以提供和跟踪实时数据。我们询问了受访者,哪一个最能代表他们工厂当前的预测性维护水平:基于计算机的、基于SCADA的、基于无线的、基于互联网的,或者没有。有点令人惊讶的是,只有大约5.5%的受访者说他们使用基于互联网的系统。(来自物联之家网)大多数人(65%)说他们使用基于计算机的系统,而大约4.9%的人使用基于SCADA的系统,或者没有上述系统(19%)。将近89%的工厂没有使用基于互联网或无线连接的系统。出现这种情况的一个可能原因是缺乏熟练的工作人员。
根据2019年Plant Services进行的劳动力调查显示,截至2018年,寻找熟练工人填补空缺职位一直是受访者的第一大挑战,其次是缺乏知识获取/再培训/提高技能。在过去的十年中,这个问题似乎没有得到改善。根据Azima 2010年的一项调查显示,人员不足、内部专业知识不足和培训不足是成功进行预测性维护计划的三大障碍。
Reliable Plant公司希望了解维护经理和主管对物联网预测性维护解决方案的最大担忧,并询问了与安全、信息技术(IT)集成、投资回报、数据可移植性、内部熟练人员缺乏、供应商能力不足和数据标准化相关的问题。(来自iothome)受访者最大的担忧是缺乏内部专业人员(71%的受访者表示担忧或非常担忧)。这比10年前增长了11%,但仍然是最受关注的问题。
在实时监测不止一种技术的受访者中,大多数人关心或非常关心该技术如何与IT集成。最后,对于那些当前尚未进行实时监测的人来说,数据标准化是最大的问题。