再谈，预测性维护

最近发现

好一点的寿山石牛蛋

越来越不好搞了

剁手，不买了

昨晚看了一个段子，是讲风机的预测性维护的，文章中有一点是对的，说预测性维护不是什么新东西，而是传统EAM中的老玩法了，它是与状态监测、状态检修紧密相关的，文章的另一个观点也是对的，老玩法在遇到大数据分析和AI后，是可以焕发青春的。

但问题是，如何焕发青春呢？或者说，焕发青春的关键发力点在什么地方呢？恐怕，也只有我们这些EAM的老江湖们，才有机会思考并回答这些问题。这些问题是什么呢？我想至少有三个：一是预测模型；二是预测提前期；三是预测准确性。

一、预测模型

简单的说，凡是预测，都需要模型，这是前提，没有基于模型的预测都是耍流氓，模型怎么来的呢？一是设备厂家或者元器件厂家提供的，这件事，我们期待了很多年，也没看到有厂家能给客户提供一个可靠的故障模型出来。二是客户或者运营商，在长期生产斗争的实践中，逐步总结出一些规律性的东西出来，最近十年，我们越来越倾向于后者了，记得好几年以前的某一年，我、艾大编辑和刚从AC出来的杜美女，一起讨论过，如何用统计学的方法，总结设备运行故障规律的话题。

这张图片

是我前几年总结的

问题是，用统计学总结出来的设备故障规律，只有统计学上的指导意义，对某一个具体设备的运行维护只能起到借鉴意义，而非需要按照执行。这是一个认识论的大问题，想把大数据、AI用于设备维护的家伙们，必须要清楚这一点。因为这是普遍性和特殊性的差异问题，这是共性和个性的差异性问题，这个问题的麻烦性主要在于，设备运行的工况环境各有差异、设备负荷大小各有不同、运行时间各有长短等等因素所引发的。还有一个麻烦是我们30多年前老师就讲过的，随着设备电气复杂度的日益提高，电子元器件的故障具有更多的随机性，从而导致设备故障发生的随机性也大大增加了。

单就电力设备而言，一二次融合导致二次系统在电气设备中的重要性和含量占比也是越来越高，而大多数的二次设备其寿命往往要比一次系统还要短，这就像让一个满身污点的监察人员去监督比他还要廉洁的干部一样。

说重点，预测模型至少分为两类，一类是元器件或者零部件的故障模型；一类是设备的故障树，前者指单体的故障规律，后者是指一个复杂设备内，元器件或者零部件之间，故障是如何传递的，一个小故障是如何引发一个大故障甚至是一个大事故的。

二、预测准确性

有了预测模型，检验预测模型是否靠谱的一个重要指标，就是预测的准确性问题，这个道理非常的简单，以至于不需要在此继续赘述。我只是想提醒搞大数据、AI智能用于检修的家伙们，你们要注意这个问题，在你们的案例宣传中，要讲这个问题，因为客户和我都会盯住这个问题不放的。

三、预测提前期

有了预测模型，检验预测模型是否好用的一个重要指标，就是预测提前期问题，如果没有足够的预测提前期，说明你的模型还不够健壮、还不够鲁棒，如果你的模型在预测提前期方面，还不如巡检的师傅，我就可以给你丫判死刑了。

能在多长的提前期内发现故障隐患或者设备缺陷，是一件很重要的事情，无论是人工巡检，还是机器巡检，都是很重要的，这涉及到检修计划如何制定、检修成本如何降低的大问题。OK，点到为止，因为再往下分解，就涉及到EAM的东西了。

感兴趣的读者，可以继续阅读老常关于EAM、设备维护和检修的更多话题...