ABB在许多不同行业4.0应用中开发了一种用于自动预防性维护的混合方法
数字技术、机器学习(ML)以及云和边缘计算的进步意味着资产健康维护的新方法正在出现。过程工业依靠大量的关键设备，如电机，泵，风扇，压缩机和涡轮机，24小时运行，以确保顺利生产。保持这些机器处于最高健康状态至关重要，因为磨损是不可避免的。
然而，预测和预测维护并不直接，并从一个indutry到另一个indutry。为了有效地安排维护，有必要预测未来检测到的异常状况如何。只有这样可以对可能的未来后果才能有价值的洞察力
ABB使用的混合方法结合了机器学习（ML）模型和故障模式和效果分析（FMEA），以提供有关实际资产健康的准确信息。
成功的预测维护需要三管齐下的过程：
•条件监控，可以提供早期检测故障
•识别与故障检测相关的特定故障模式
•量化故障开发程度以支持维护计划
尽管有多种流行的ML方法来开发资产状况模型，如主成分分析(PCA)、k -最近邻(KNN)、局部离群因子(LOF)、单类支持向量机(OCSVM)，但ML方法是完全依赖资产数据的黑盒方法;他们对资产或其失效模式没有任何假设。
实际的工业经验表明，这种方法并不总是成功的，往往导致几种类型的假阳性和假阴性。当资产完全健康时发出警报，或反之，会增加计划外成本。
相关文章
ABB的混合方法依赖于资产的历史数据和工程模型，以实现预测性维护。在线状态监测数据与数据科学结合使用两种技术之一，一种是检测在线测量偏离正常运行行为的异常，另一种是识别在线测量与“故障特征”密切匹配的已知故障特征。
这两种技术都使用数据模型：前者代表“健康”，后者捕获了在故障条件下存在的“数据签名”。
前者往往是最好的使用方法，因为几乎总是有足够的历史数据代表了身体健康。这种健康数据使得可以培训模型。相反，通常可以使用或不足以表示所有可能的故障条件。第二种模型还依赖于设备特性，这些模型取决于安装和操作条件。这意味着与特定机器相关的数据通常不足以培训准确的故障模型。
利用混合方法，工程模型用于量化来自健康模型的在线测量的偏差程度。使用故障模式分析模型。
FMEA是以可靠性为中心的维护(RCM)程序的核心组件，该程序已经存在于最常见的设备和系统中。它定义了故障的潜在检测和识别。
