李杰：“预测”是智能制造的重要体现科技頭條網

李杰：“预测”是智能制造的重要体现

2018-01-08 10:50:17 楊凱Kayson

这一周有个事刷遍朋友圈，就是支付宝的2017总结，同时还弄了个2018年的预测。心想，大概是依靠支付宝后台的大数据做个归纳统计吧。预测哪那么容易做啊，毕竟个人各异。后来发现预测的词汇也就几十个，更加加深了自己最初的判断。

同时最近正好在看统计的资料，加上去年碰到几个预测方面的需求，所以在新年开始之际，借此写下这篇文章谈谈个人对预测在智能制造上的应用的初步理解。

本人一直觉得，预测是智能化的最好体现也是最难体现，还是那句老话”千金难买早知道“，如果你比别人早知道底牌，你一定可以每次都赢。

•先谈谈预测的方法：

其实人类一直在做预测方面的实践。只是，随着科技的发展，使用的技术和方法不同，从以前的统计学方法到人工智能再到现在的机器学习和深度学习。统计学基本上都快有2,3百年的历史，AI也快60多年，而现在最火最新的深度学习也快10年。

AI现在分为两种：统计型AI或机器学习在模式识别方面很厉害，但它并不使用逻辑。而符号型的 AI 可以使用预先制定的规则来理解关系，但是在临场处理中表现并不好。

•再谈谈预测在智能制造的应用：

去年主要碰到了2个方面的预测应用需求，一个是销售的预测，另一个是预测性维护。关于销售预测，不同行业不同特性，预测的期望要求和结果会很不相同。加上前期提过一次，这次我就谈谈预测性维护。

预测性维护（PdM，Predictive Maintenance），首先谈谈它的简写，是PdM小写的d，不要和PDM混淆，也不是PM毕竟PM在TPM的体系中，标识的是Preventive Maintenance。

去年，在做预测性维护的项目的开始，一度纠结Predictive Maintenance和Preventive Maintenance到底有什么区别，因为从英文翻译来看，Preventive也有预防的意思。通过项目的过程和不断学习的过程，逐步体会到了两者的不同。

谈起维护大家一定听过TPM的概念（网上太多资料可查就不描述了）。我们来详细谈一下维护的等级，我通常划分成2类3层级：

2类指的是计划维护和非计划维护，3层级指的是

1、事后维修-BM（Breakdown Maintenance）这是最早期的维修方式，即出了故障再修；

2、预防维护-PM（Preventive Maintenance）这是以生产时间，生产数量因数基于计划的维护；

3、预测性维护-预测性维护（PdM）流程旨在检测最终会导致故障的设备状态，然后预估出距离故障发生还有多少时间。

3层里面的第一层和第三层是非计划的，只有第二层是计划内的。

有些地方会把预测性维护也解释为条件型维护Condition Based Maintenance（CBM），但我个人觉得不是很确切。毕竟预防维护PM也是有条件的维护，根据时间或者根据次数，这些可能都是根据经验或者供应商而来。但当考虑因数或迭代次数变多的时候，个人觉得PM就自然而然地转向PdM了。

简而言之就是PdM是借助算法分析检测故障发生前的机械状态，并预测更正确的故障发生的时间。但预测性维护的最大价值体现不是延长最大的维护时间点，而是做到维护和使用的最佳Balance，需要找到一个既能提高设备每次使用时间，又能不缩短整个使用寿命，同时维持产品质量品质的维护节点，这涉及到大量的因数，传统经验和方法很难推算出来或者真正明白哪些是主要因数。智能的体现就是要把每项工作逐渐推向极致，从而获得最好的OEE，最好的经济效益。

预测性维护的另一个表现，可能在于不单单只是加工产品的设备需要预测性维护，成品也可以做到预测性维护比如发动机，最好的举例就是你知道你车子的小保养需要什么时候做吗？现在很多可能都是按里程或按时间来做，对于一个开车少的来说一定是浪费的，但你不敢不做，因为你没有数据依靠，会心里没底。加上大数据，云平台，Digital Twin，物联网时代的很多产品都可以慢慢实现预测性维护。

预测性维护的实施过程中的最大难点在于数据的采集和关键因数的判断取舍，其实这也是其他很多预测应用的难点。经验是非常有用的，但当你需要一个更加接近极限的答案时，一定是需要通过不同因子的推算结果和不断实施迭代比较来找出最可靠的答案。这一点AI技术的发展，帮助我们做到无限接近可能。

预测不是求百分百对的解，预测的结果都是错的（也可能小概率的碰巧对），预测带给我们的只是减少偏差，尽量少错，从数据开始，由算法来结束。