预测性维护算法：真能帮工厂省出百万真金白银
上个月跑佛山顺德的注塑产业园，跟一个开厂的老陈蹲在车间门口抽烟聊天。他说的一件事，我到现在都印象深刻。
前年他花小几十万上了带预测性维护算法的设备管理系统，身边朋友都骂他瞎花钱。结果呢？去年一年，他那十条挤出生产线，非计划停机次数从17次降到2次，省下的维修费、产能损失加起来，快一百二十万。
早就把上系统的钱赚回来了，还多出来几十万发年终奖。
工厂电机预测性维护传感器部署图
现在主流的算法路数分两种，一种是靠物理模型，工程师懂设备的结构，算出来正常工作是什么状态，偏离了就是要出问题。另一种就是现在火的数据驱动，不用摸透每个零件的原理，只要给够数据，算法自己就能找出异常。
说实话，现在绝大多数工业场景用的都是后者，毕竟传感器便宜了，一块能采振动的蓝牙传感器才百八十块，装一百个才多少钱，门槛早就降下来了。
工厂设备预测性维护算法误报统计界面图
不过话说回来，也不能全怪算法公司，很多工厂自己的数据都整理不清，今天换个传感器位置，明天改个生产批次，数据乱得一锅粥，算法再牛也出不来准结果。
今年能落地的几个新技术，真的解决实际问题
这两年行业里迭代得很快，不少新方向已经落地了，真的能解决老问题。我挑两个最实用的讲。
第一个就是小样本泛化预测性维护算法，说白了就是不让算法从零开始学，先让算法在大规模的通用故障数据集上把基础特征学会，比如轴承磨损是什么样的振动特征，电机绕组过热是什么样的温度特征，这些通用的东西先学会，然后再用目标工厂那一点点故障数据微调一下，准确率就能拉上去。不用攒个三五年数据才能用，装上去俩月就能出效果。现在珠三角很多中小注塑厂都在用这个路子，成本比原来低了三分之二还多。
第二个就是边缘侧轻量预测性维护算法，原来的算法都跑在云端，数据传上去算完再发回来，不仅费带宽，还有延迟，真出了问题，报警晚个几分钟，可能损失就已经造成了。现在把算法压缩裁剪之后，直接跑在车间本地的边缘网关里，几毫秒就能出结果，异常直接就在车间报警，不用绕远路去云端。而且数据不用都传出去，工厂也不用担心核心生产数据泄露的问题。
我上个月接触了一个做陶瓷窑炉维护的项目，用了边缘轻量算法之后，提前24小时就能预警窑棒腐蚀断裂，原来都是断了之后才停窑换，一次停窑就是十几万损失，现在一年能省下近百万。
还有一个方向是多模态融合算法，就是不止用一种数据，把振动、温度、电流甚至设备运行的声音、摄像头拍的油液状态都拼在一起算，比单拿一种数据准太多了。我之前看到金风科技的风电运维项目，原来单靠振动数据，误报率超过30%，加了风机齿轮箱的声音数据之后，误报率直接降到7%，运维团队跑现场的次数少了一半，省下的路费人工费都不知道多少。
现在制造业利润都薄，能省下来的钱就是净赚的，原来预测性维护算法都是千万级的大项目，只有大集团玩得起，现在几十万甚至几万就能整个小项目先试，试成了再铺开，风险低多了。很多老板担心自己工人不会用，现在的系统都做的很简单，手机上就能看报警，不用懂什么算法原理，跟着提示换零件就行。
对吧，这年头做生意，能落袋的才是利润，花架子没人要。预测性维护算法走到今天，终于从PPT上的概念，变成了工厂口袋里的真金白银。
别被名字唬住，预测性维护算法根本不是什么玄学
很多人一听到“算法”两个字，就觉得是飘在天上的概念，跟自己工厂那堆老设备不搭边。 其实真不是。 原来工厂设备维护就两种路子：坏了再修，也就是事后维护，要么就是到点拆机保养，定期维护。前者坏了才停，耽误生产，贵死人。后者不管好坏都拆，好好的零件拆下来换了，纯纯浪费。 预测性维护算法干的是什么事儿？就是靠装在设备上的传感器，实时采振动、温度、电流这些数据，算法实时计算，提前把要出故障的征兆找出来，告诉你什么时候该修，换什么零件。说白了，就是给设备做日常体检，提前查出小毛病，别拖成要人命的大病。工厂电机预测性维护传感器部署图
现在主流的算法路数分两种，一种是靠物理模型，工程师懂设备的结构，算出来正常工作是什么状态，偏离了就是要出问题。另一种就是现在火的数据驱动，不用摸透每个零件的原理，只要给够数据，算法自己就能找出异常。
说实话，现在绝大多数工业场景用的都是后者，毕竟传感器便宜了，一块能采振动的蓝牙传感器才百八十块，装一百个才多少钱，门槛早就降下来了。
我见过九成项目翻车，都是踩了共性的坑
别觉得门槛降了就随便上，我这两年跑下来，见过十个预测性维护项目，有九个翻了车。 为什么？很多算法公司拿网上公开的故障数据集训练完模型，直接就给客户装上了，说准确率98%，吹得天花乱坠。真用起来呢？误报满天飞，要么就是真故障查不出来。 有个做风电运维的朋友跟我吐槽，之前上的某大厂系统，一天能报十几个异常，运维工人开车跑几十公里上山，过去一看啥事儿没有，来回油费人工费都花了不少，后来干脆把报警关了，不用了。 钱打了水漂。 其实核心问题就两个，一个是故障数据太少了。设备故障本来就是小概率事件，一个工厂一百台电机，一年能出个三五次故障就不错了，哪来那么多标注数据给算法训练？很多算法说的99%准确率，其实99%都是正常数据，随便猜都能猜对，碰到真故障反而直接漏了。 另一个问题就是泛化性太差，你在A工厂的设备上训出来的模型，放到B工厂同型号的设备上，都不一定能用，更别说不同型号不同工况了。工厂设备预测性维护算法误报统计界面图
不过话说回来，也不能全怪算法公司，很多工厂自己的数据都整理不清，今天换个传感器位置，明天改个生产批次，数据乱得一锅粥，算法再牛也出不来准结果。
今年能落地的几个新技术，真的解决实际问题
今年能落地的几个新技术，真的解决实际问题
这两年行业里迭代得很快，不少新方向已经落地了，真的能解决老问题。我挑两个最实用的讲。
第一个就是小样本泛化预测性维护算法，说白了就是不让算法从零开始学，先让算法在大规模的通用故障数据集上把基础特征学会，比如轴承磨损是什么样的振动特征，电机绕组过热是什么样的温度特征，这些通用的东西先学会，然后再用目标工厂那一点点故障数据微调一下，准确率就能拉上去。不用攒个三五年数据才能用，装上去俩月就能出效果。现在珠三角很多中小注塑厂都在用这个路子，成本比原来低了三分之二还多。
第二个就是边缘侧轻量预测性维护算法，原来的算法都跑在云端，数据传上去算完再发回来，不仅费带宽，还有延迟，真出了问题，报警晚个几分钟，可能损失就已经造成了。现在把算法压缩裁剪之后，直接跑在车间本地的边缘网关里，几毫秒就能出结果，异常直接就在车间报警，不用绕远路去云端。而且数据不用都传出去，工厂也不用担心核心生产数据泄露的问题。
我上个月接触了一个做陶瓷窑炉维护的项目，用了边缘轻量算法之后，提前24小时就能预警窑棒腐蚀断裂，原来都是断了之后才停窑换，一次停窑就是十几万损失，现在一年能省下近百万。
还有一个方向是多模态融合算法，就是不止用一种数据，把振动、温度、电流甚至设备运行的声音、摄像头拍的油液状态都拼在一起算，比单拿一种数据准太多了。我之前看到金风科技的风电运维项目，原来单靠振动数据，误报率超过30%，加了风机齿轮箱的声音数据之后，误报率直接降到7%，运维团队跑现场的次数少了一半，省下的路费人工费都不知道多少。
现在制造业利润都薄，能省下来的钱就是净赚的，原来预测性维护算法都是千万级的大项目，只有大集团玩得起，现在几十万甚至几万就能整个小项目先试，试成了再铺开，风险低多了。很多老板担心自己工人不会用，现在的系统都做的很简单，手机上就能看报警，不用懂什么算法原理，跟着提示换零件就行。
对吧，这年头做生意，能落袋的才是利润，花架子没人要。预测性维护算法走到今天，终于从PPT上的概念，变成了工厂口袋里的真金白银。