预测性维护不仅可以使企业减少停机时间、避免不必要的维护，还能产生许多其他业务优势。然而，在将技术整合到运营流程的过程中，公司往往会面临流程和数据方面的挑战。

　　本系列博客将深入剖析工程师在实施预测性维护期间面临的三大普遍问题，以及最终避免这些问题的有效途径。我们首先剖析预测性维护的工作流程开始。

　　了解工作流程，使您的业务受益

　　许多工程师尚未接受过关于预测性维护以及如何充分利用相关技术的培训。之所以这样，可能是因为企业尚未意识到这项投资的价值，无法判断这项投资存在的风险，或者认为预测性维护过于先进，对于当前业务需求而言太过超前。

　　无论什么原因，您都可以通过具体措施将风险降至最低，尽快开始采用预测性维护。为此，首先需要了解预测性维护的五大核心开发阶段（图 1）：

　　访问传感器数据 – 数据可能从多个来源收集而来（比如数据库、电子表格或 web 存档），但必须采用正确格式并适当组织以便妥善进行分析。但请记住，大型数据集可能需要使用内存溢出处理技术。

　　预处理数据 – 真实世界的数据很少是完美的；必须剔除异常值和噪声才能得到正常行为的真实反映。此外，由于后续阶段需要用到统计和机器学习对数据进行建模，这些模型的质量将取决于预处理数据的质量。

　　提取特征 – 不是将传感器数据直接输入给机器学习模型，更普遍的做法是从传感器数据中提取特征。尽管可从数据中提取的特征数目几乎无上限，但技术普遍源自统计、信号处理和物理等领域。  通过使用统计、信号处理和物理领域的技术，可以从数据中提取出大量的特征（特征个数甚至是没有上限）。

　　训练模型 – 构建模型进行健康设备或故障设备分类、检测异常值或估计组件剩余使用寿命。在本步骤中，可以尝试各种机器学习模型，因为人们很少事先明确究竟哪一种模型最适合解决指定的问题。

　　部署模型 – 根据系统要求，可以将预测模型部署到嵌入式设备，也可以将模型与企业 IT 应用集成。此时需要一番权衡，因为嵌入式设备可以实现快速响应并减少互联网数据传输需求，而集中 IT 方法则可简化未来的模型更新流程。

　　图 1.预测性维护基本工作流程。© MathWorks

　　黄金法则：挑选熟悉的环境

　　了解预测性维护工作流程的各个开发阶段是实施流程的首要步骤；然而，一想到要充分理解、开发和集成工作流程，很多企业顿时望而却步。工程师可以利用现有工具和软件，快速有效地将预测性维护融入日常工作。

　　MATLAB 等工具具备预测性维护功能，因而工程师能够继续在熟悉的环境中工作。另外，MathWorks 不但提供参考样例、算法，还派遣技术支持、培训和咨询团队辅导工作。通过这些额外的指导可获得基础知识，使您和您的团队对以最佳方式处理问题抱有信心。

　　您可以通过点击此处，即刻下载《白皮书：克服预测性维护的四个常见障碍》。了解如何通过最佳实践、来自真实公司的范例以及预测性维护工作流程说明来克服这些障碍。

　　Seth DeLand 是 MathWorks 的应用经理，负责数据分析。在此之前，他是负责优化产品的产品经理。在加入 MathWorks 之前，Seth 在密歇根理工大学获得了机械工程学士和硕士学位。