日本在线www-日本在线播放一区-日本在线不卡免费视频一区-日本在线不卡视频-成人影院久久久久久影院-成人影院一区二区三区

2017年，麥肯錫針對蒸汽機、早期機器人技術和信息技術進步等技術轉型所帶來的生產力增長做了研究。目前，自動化所帶來的新驅動力使制造業面臨巨大的壓力。麥肯錫預計，未來幾十年，它將帶來前所未有的高達0.8-1.4%年生產力增長，超過早期的增長率。機器人、人工智能和機器學習的發展進步將在某些工作中達到甚至超越人類能力，包括快速、精確、重復的行動和認知能力?，F在，在競爭日益激烈的全球市場，對于那些致力于推動自動化和提高效率的制造商，當務之急是要快速部署這些新功能。目前，僅在流程行業，每年因計劃外停機而造成的生產損失就高達200億美元，因此，消除計劃外停機造成的生產損失已成為現階段的首要任務。

問題依然存在

在過去50年間，維護方式不斷進化，以解決設備的可靠性和可用性問題。所取得的進展包括：運行至故障檢修、定期維護、按使用情況維護、按狀況維護以及可靠性中心維護（RCM）。然而，設備仍然會發生故障。為何會發生這種情況？首先，與維修和檢查間隔相比，維護工作的進度更難以測定。然而，ARC等行業分析機構指出，超過80%的設備故障是因為操作設備時不遵守設計和安全限制造成的；目前的操作無法檢測出這種看似“隨機”的設備故障。只有將維護和操作相結合才能制定出解決所有故障的解決方案。

資產績效管理（APM）2.0

ARC認為, 資產管理APM 2.0采用了包含傳統工廠歷史數據源和新數據源（包括檢修、化驗室、設備震動和事件跟蹤系統）的新分析工具。不同的數據源保證了可以優化裝置設備的機械與操作的可用性及性能。維護和操作都需要數據驅動的機制來評估性能降低問題，對生產進行微調，并提供早期干預措施（改變工藝過程操作運行），以避免裝置設備的損壞。出色的預測診斷和規范性指導使操作人員能夠更早、更快、更有效地做出反應。實現突破的關鍵技術主要采用基礎分析和數據科學策略；特別是機器學習。

APM 2.0的靈丹妙藥

先進的機器學習軟件能夠在早期成功地識別工藝設備微小的性能變化，這些變化可能是性能降低和發生故障的預兆。尖端的軟件技術結合其他相關數據，通過機器設備和工藝過程以及周圍的傳感器產生的數據流來學習行為模式。只有行業內自主性較高的領先解決方案才幾乎不需要人為干預。當運行條件改變時，這種應用方法不斷地學習并適應新信號模式進行相應調整。通過在一臺機器上學到的故障特征就可以避免這一問題，確保同樣的情況不再發生。學到的故障特征很容易應用于類似的機器，防止相同的問題影響機器正常運行。

例如，一家北美的能源公司電動潛水泵故障頻發，由此產生的維修費和收入損失高達一百萬美元。先進的機器學習軟件應用從存檔的歷史數據和維修事件中學習了18臺泵的操作行為。在學習過程中，它在一臺泵上檢測到引起環境事故的機殼泄漏的明顯模式。該軟件將這一故障特征應用于18臺泵，為可能發生相同故障的其他泵提供預警。通過早期采取行動來移除并維修泵，有效避免了重復事故頻發而遭受重大損失。

另一個例子：美國一家行業領先的鐵路貨運公司在23個州開展業務，他們使用機器學習軟件解決長期機車發動機故障，從而避免了高達數百萬美元的維修費、罰款和營運收入損失。機器學習軟件應用部署在大量機車上，通過檢查潤滑油數據來檢測發動機故障的極早期指標。這種早期檢測有效避免數十起災難性的發動機故障。在一次重大事件中，一臺發動機通過了低壓泄漏測試，并準備重新投入使用。然而，機器學習軟件檢測到發動機泄漏的性能降低，高壓測試則發現發動機在八個位置發生泄漏，證實了這一診斷。發動機得到及時修復，避免了一次災難性的事故。這種在故障發生之前發出的預警給管理人員預留充裕的時間作出決定。檢測到問題后，機車仍然有時間完成一段行程，然后再進行維修。避免這樣的故障可以減少成本高昂的停機和罰款，為公司節省多達數百萬美元。 

績效全面提升

麥肯錫注意到，伴隨著工業4.0這一與工業物聯網（IIoT）密切相關的行業趨勢，新穎的、價格合理的制造分析方法和解決方案正在不斷涌現。這個新階段包括監測物理過程以進行分散化決策的網絡物理系統。資產和過程分析共同創建一個多維的資產視圖，允許在更廣泛的平衡因素中作出基于事實的決策。需要涵蓋的資產類型數量是一個非常關鍵的挑戰。工業4.0還帶來了基于大數據和機器學習的新機制。事實上，機器學習可以對海量數據進行深入研究，以確定模式并預測未來的結果。然而，它無法解決一切業務挑戰。模型和機器學習相結合可以檢測并避免危險的工藝過程運行狀態。它可以隨時解釋各種具體的裝置設備狀態，進行校準，并通過機器學習自動調整模型，以通過更簡單的校準來實現及時、準確的確定裝置設備過程狀態。

結論

只有具備敏銳觸覺和強烈責任心的企業才能踏上這個征程。要成功使用分析工具來提高安全性和可靠性，需要具備幾個要素。其中包括許多基于人類（企業）的行為和文化。最終用戶必須專注于具體的業務問題，才能找到符合業務目標的最佳解決方案（而不是技術）。在選擇正確的問題解決方案團隊時，企業需要準備好面對有關解決方案的準確性、及時性、部署方便程度、可擴展性和有效性的嚴峻問題。在這個激動人心的新市場中，只有領先的解決方案提供商才能施展出在設計、運行、過程優化和維護管理方面的經驗，以及數據科學可靠性分析和機器學習的新功能。所有這些都是全面的生命周期資產績效管理必不可少的。