想象一个设备故障几乎被消除的世界，在问题成为问题之前就可以预测和解决问题。通过预测性维护的进步，这一未来正在快速成为维护、维修和大修 (MRO) 领域的现实。根据机械的实际情况，预测性维护将安排维护活动，以最大限度地减少加班成本、节省能源并优化库存。[1]
在人工智能和数据驱动的见解的推动下，这种方法可以延长资产使用寿命并将机器停机时间减少高达 50%。[2]但实现这一目标并非没有挑战 - 有限的历史数据、罕见的设备故障以及数据共享限制或可重用性等问题可能会在预测模型中造成差距。
为了解决这些问题，我们开发了尖端人工智能和自适应数据技术的结合，这些技术不仅面向未来，而且可以随着每个新的 MRO 项目的发展而发展。 |
为了让各行业的 MRO 更容易进行预测分析，我们需要首先构建一个多功能且面向未来的基础模型，利用人工智能和数据的力量。随着时间的推移，我们可以完善这种人工智能驱动的预测模型，扩展我们的数据库并改进模型以满足新的需求。
我们的预测性维护方法的核心是自动编码器，这是一种灵活的深度学习模型，对于数据有限的 MRO 应用特别有效。
自动编码器是一种神经网络，可帮助企业理解复杂数据，在异常检测和降维方面提供强大的应用。每个网络通过编码器将数据压缩为汇总形式，并使用解码器将其重建。原始输入与其重构版本之间的差异（称为重构误差）突显了模型捕获数据本质的程度。
神奇的事情发生在“瓶颈”层，数据被提炼成最基本的特征，在保留意义的同时降低复杂性。这使得自动编码器非常适合简化大型数据集和识别异常值。它们还可以适应不断变化的业务需求，允许根据每个客户的独特需求进行定制代码和算法升级。
此外，我们使用可解释的人工智能来使我们的模型更易于访问和用户友好。这确保了预测模型的见解不仅准确，而且易于解释——即使在非技术用户之间也能建立信任。通过解释为什么标记某些异常情况，我们让该技术不再像一个黑匣子，而更像是 MRO 旅程中透明、可靠的合作伙伴。
通过构建强大的自适应自动编码器存储库并应对数据稀缺等挑战，我们正在增强更准确地预测故障、最大限度地减少计划外停机和优化资产管理的能力。
我们的预测性维护计划的早期结果已经展示了现实世界的影响和可扩展性。在海洋行业，我们的预测性维护解决方案在维护特种海船的可靠性方面发挥了重要作用。通过分析发动机性能数据，我们开发了自动编码器，成功检测出新一代海岸警卫队巡逻艇机械问题的早期迹象。该模型随后被扩展到海军舰艇上的类似发动机，最多可节省 40% 的开发和实施时间。
我们还在机场的现场试验中部署了预测性维护模型来监控乘客登机桥。登机桥对于机场运营至关重要，确保其平稳运行是当务之急。
我们的解决方案包括在桥梁上安装跟踪振动模式和其他性能指标的传感器。通过基于深度学习的异常检测，我们的系统识别出可能预示未来故障的细微偏差。该试验通过整理未来构建更强大的预测性维护解决方案所需的关键数据点，奠定了坚实的数据基础。
[1]美国能源部。 （2010 年 8 月）。运营和维护最佳实践指南：3.0 版。 查看文章.[2]维京分析。 （2023 年 3 月 6 日）。预防性维护与预测性维护：哪个对于减少停机时间更有效。中等。查看文章.
