通过预测性维护提高效率和正常运行时间

执行摘要

停机成本可能很高，而且在一个高度耦合的制造生产线上，一台机器出现问题可能会影响整个工厂。对于许多工厂来说，避免停机更多地是靠运气而不是科学：机器检查不频繁，并且只能发现肉眼可见的问题。

FOURDOTONE Teknoloji 的 4.1 工业物联网平台 (4.1 IIoTP) 使制造商能够在维护方面更加响应迅速和积极主动，从而最大限度地减少停机时间。数据从机器收集并在工厂进行分析，从而能够立即响应紧急情况或迫在眉睫的问题。在云端，利用机器学习算法分析所有机器的汇总数据，从而可以预测未来的维护需求。这使得制造商能够计划维护以避免停机，并优化其维护成本。

该技术为持续改进提供了基础，并使制造商能够降低意外停机的风险。

FOURDOTONE Teknoloji 成立于 2014 年，总部位于土耳其，专注于工业 4.0 项目。公司从事硬件独立的各种项目，包括状态监测、大数据流程优化、预测性维护和数字工厂。公司服务于土耳其、中欧和东欧以及中东的各类企业。

业务挑战：避免工业领域停机

对于制造工厂而言，停机可能对业务产生巨大影响。单台机器的故障可能导致生产线停产。对于 24/7 运行的工厂来说，失去的时间永远无法挽回。产量意外下降可能导致企业无法满足依赖其交货的客户。这会直接影响收入，导致订单丢失和产品无法销售。

在许多制造企业中，意外停机很难避免。维护仍然是被动的。公司无法实时监控和分析其工厂，因此直到机器停止运转才知道有问题。由于缺乏可靠的历史数据，他们无法预测机器可能何时发生故障。

管理工厂的努力耗费大量人力，并且容易遗漏重要信号。人们可能会从一台机器走到另一台机器，用肉眼检查任何异常情况，并用剪贴板收集数据。人工观察和不频繁的检查使得在没有运气的情况下很难发现潜在问题。如果检查没有在正确的时间、正确的地点进行，就无法发现可能已经影响性能并最终导致停机的潜在问题。

机械监测挑战

Scattolini 土耳其工厂是面临这些挑战的组织之一。该公司生产商用车用的厢式车体和自卸车。公司总部设在意大利，生产 200 多种设备，其总部位于 Valeggio sul Mincio 的工厂以及全球其他七个工厂。其土耳其工厂生产厢式货车的零部件。

正常运行时间对其运营和盈利能力至关重要。公司希望从被动维护转变为预测性维护：确保在出现任何停机之前进行干预。一天的停机时间可能高达 35,000 欧元，包括维修成本。

其现有的制度基于人工检查，每月进行振动测量和被动维护。公司需要一种方法来

• 无需前往现场，即可从其 30 多台机器的工厂收集数据。机器包括起重机、风扇和泵；
• 监测液体化学成分池的液位；
• 识别任何问题的发生，以便立即响应，最大限度地减少停机时间；
• 建模未来可能的故障，以便维护团队可以在停机前进行任何维修或更换。

解决方案价值：赋能预测性维护

4.1 IIoTP 无线收集车间数据并进行分析。对于 Scattolini 土耳其工厂，收集的数据包括轴向振动、电机表面温度、液压和气动系统的压力、储罐和池中的液位以及主电源线的状态。该解决方案使工厂能够比以往任何时候都能更及时地获取更多信息。因此，公司对工厂的状态及其维护需求有了更清晰的了解。数据分两个阶段进行分析：首先，如果传入数据出现异常，将立即发出警报。将向预定义的群组发送短信或电子邮件。如果未收到响应，或存在安全问题，则可以将软件配置为自动关闭机器。

第二阶段的分析发生在云端。通过整合所有机器的数据，4.1 IIoTP 可以预测未来可能的停机和维护需求。这种方法使用机器学习技术，将已知过去的故障与当前工厂及其设备的数据进行比较。通过在可能发生故障之前更换零件，Scattolini 可以避免意外停机。

Scattolini 土耳其工厂的团队可以使用跨平台门户，在计算机、手机或平板电脑上实时监控工厂的状况。

通过减少人工监控的数量并将工厂转变为主动维护模式，Scattolini 估计其维护运营成本降低了 15%。

解决方案架构：预测性维护

为实现预测性维护，4.1 IIoTP 提供了一种机制，用于从车间收集数据，立即分析需要及时响应的问题，并在云端进行深入分析以支持预测性维护。

需要监测的机器配备电池供电或直流供电的无线工业传感器，这些传感器经过精密制造，可在严苛环境中运行。

4.1 IIoTP 使用戴尔边缘*网关 5000 中的 Intel® IoT 网关技术从传感器收集数据。支持有线和无线连接。这款坚固耐用、无风扇的网关设备基于 Intel® AtomTM 处理器，为网络边缘的设备提供智能。边缘的计算能力能够快速做出决策，这在重工业工厂、快速生产线和化学品储存设施等场所至关重要。

通常，监管控制和数据访问 (SCADA) 工业控制系统显示当前数据。4.1 IIoTP 增加了查看历史数据以及在边缘自动检测异常和阈值违规的能力。可以通过电子邮件或短信发出警报，4.1 IIoTP 还可以直接干预，更改机器的配置或将其关闭。此功能由支持 4.1 IIoTP 控制可编程逻辑控制器 (PLC) 的库和框架提供。支持领先的 PLC，包括西门子、欧姆龙和三菱。

此外，数据以 256 位加密发送到云端。使用 4G/GPRS 移动宽带通信技术将数据发送到云端，因为它们在工业环境中比 Wi-Fi 更稳定。在云端，可以将在一个地方收集的所有网关的数据，并使用机器学习算法进行分析。此分析可用于预测可能的机器故障，并识别提高效率和质量的其他机会。可以通过机器学习为边缘分析创建新规则，以实现持续改进。

云基础设施建立在 Amazon Web Services (AWS*) 之上。Amazon Kinesis Streams* 设计用于连续捕获大量数据，4.1 IIoTP 使用此服务从监控设备收集数据。这些数据也被添加到 Amazon Simple Storage Service* (Amazon S3*) 中，作为数据湖，汇集不同类型监控设备的数据。Amazon Elastic MapReduce* (Amazon EMR*) 用于设置 Spark* 集群，并将 S3 对象映射到 EMR 文件系统，以便使用 S3 存储桶中的数据执行批量分析。预测模型在 EMR 中运行，数据也可以从 Kinesis 流中提取，以实现传感器数据的实时分析。数据库、API 和 Web 服务器也托管在 AWS 上，使用 Amazon Elastic Compute Cloud* (Amazon EC2*)。用户可以通过 Internet 连接的设备，使用可视化界面远程监控该平台。

结论

制造商可以结合使用 4.1 IIoTP 和安装在机器上的传感器，深入了解其工厂设备当前和未来的运行状况。边缘分析能够在发生紧急情况、停电或技术故障时做出及时响应。云端的机器学习算法可以分析所有机器随时间生成的所有数据，以完善发出警报的规则，并提供有关维护或更换机器的最佳时间的见解。这些智能使制造商能够避免意外停机，降低手动监控机器的人工成本，并优化零件和维护成本。反过来，这使得制造商能够提高其制造基础设施的可靠性和可预测性。

找到适合您组织的解决方案。请联系您的英特尔代表或访问 www-ssl.intel.com/content/www/us/en/industrial-automation/overview.html

英特尔解决方案架构师是技术专家，他们与世界上最大、最成功的公司合作，设计能够解决紧迫业务挑战的业务解决方案。这些解决方案基于客户在特定业务用例中成功测试、试点和/或部署这些解决方案时获得的真实世界经验。本解决方案简报的技术专家和解决方案架构师列于封面。