利用人工智能工具减少停机时间

四个多月来在纽约市的地铁列车上，有六位不同寻常的乘客。他们的任务是：防止地铁灾难。从清晨到深夜，这些乘客不知疲倦地监控着每一段旅程，在城市庞大的铁路网络中捕捉音频和振动数据。

这些勤奋的检查员不是人类，而是谷歌 Pixel 智能手机。它们安装在地铁 A 号线列车上，将传感器数据输入人工智能模型，旨在主动发现轨道缺陷。事实证明，在 665 英里的铁路网络中，传统的人工检查成本高、耗时长，而且效果不佳。然而，在这次人工智能驱动的试点中，传感器正确识别出了 92% 的缺陷，而这些缺陷是人工检查员后来手动发现的。

"(《世界人权宣言》) 地铁实验 取得了巨大成功。它让人们看到了人工智能驱动的预测性维护是如何改变公用事业、交通运输和制造业等各行各业的。明智地使用人工智能可以将运营管理从被动救火转变为主动解决问题。然而，领导者必须克服数据质量、集成和文化方面的挑战，才能从中获益。

传统维护工作的失误之处

监控各行业各种资产（如设备和基础设施）的维护方法通常存在不足，主要原因有三：

1.信息来源效率低下。 公司往往缺乏必要的流程、工具和训练有素的人员来获取准确、及时和相关的资产健康信息。手动输入数据的做法会导致信息不完整、不准确或不可靠。这就给预测资产故障带来了挑战，导致代价高昂的计划外停机。

2.依赖部落知识。 维护决策往往严重依赖个人经验和直觉，导致结果不一致。如果技术熟练的技术人员 "时好时坏"，业务绩效就会大打折扣。此外，随着婴儿潮一代的退休，这些专业知识很容易代代相传，从而带走数十年的关键业务知识。

3.推动运营商采取行动的挑战。 即使有了洞察力，现场人员也不一定会采取行动。这通常是由于对信号的可靠性不信任，或者没有很好地将洞察力融入到日常工作流程中，从而造成了巨大的变革管理障碍。随着时间的推移，人们可能会对预测系统失去信心，从而不愿主动解决技术发现的问题。

为什么如今技术可以解决这一问题

多项技术进步为领导者应对这些挑战创造了条件，并为预测性维护的广泛应用铺平了道路。

1.数据和物联网传感器的爆炸式增长。 经济实惠的嵌入式传感器现已成为许多资产的标准配置，如发动机控制单元和装有 GPS 跟踪器的高价值设备。通过 5G 和云连接与连续、实时的数据流相结合，这些传感器可为资产提供准确、实时的健康指标。

2.人工智能和算法的进展。 机器学习模型通过学习历史数据和适应不断变化的环境条件，可以可靠地预测故障。人工智能并不局限于结构化传感器数据，它在处理非结构化数据（如图像、视频和音频）方面也很出色。例如，来自汽车或火车上摄像头的视频可以提供丰富的真实世界背景，帮助人工智能 看看 的算法，大大提高了算法性能。

3.融入工作流程。 现代硬件和软件工具现在可以通过应用程序接口和数据管道轻松集成，最大限度地减少了人工切换的需要。这种集成可以确保预测性洞察力直接触发日常运营工作流程。例如，准确的预测可以触发自动维护工单，通过系统进行人工操作。利用人工智能最大限度地减少错误警报并解释预测结果，可建立操作员对算法的信任并提高采用率。

人工智能驱动的预测性维护在行动

让我们看看现实世界中的两个例子，看看预测性维护是如何成为现实的。

宝马让传送带持续运转

问题 位于德国雷根斯堡的宝马汽车制造厂面临着严峻的挑战，输送系统故障导致装配线频繁停工，代价高昂。这些故障影响了生产进度，增加了运营成本，影响了整体生产率和盈利能力。

方法： 宝马公司部署了 人工智能驱动的预测性维护系统 该系统使用来自传送带组件的现有传感器数据。该系统对实时数据流进行持续分析，以发现细微的异常情况，如功耗的意外波动或异常移动，从而提示潜在的故障。

解决方案和优势 预测系统及时发出警报，使团队能够主动管理潜在故障，避免大面积停机。这一干预措施避免了每年超过 500 分钟的中断时间，确保了生产的顺利进行和车辆的及时交付。试点项目带来的可衡量效益促使宝马在其全球制造工厂中将这种方法标准化，从而提高了可靠性和运营效率。

壳牌改进炼油工艺

问题 壳牌的佩尔尼斯炼油厂是欧洲最大的炼油厂之一，面临着意外停机的风险。这家位于荷兰的炼油厂的这种中断不仅增加了维修和维护成本，还危及盈利能力和运营的连续性。

方法： 壳牌与 C3 AI 合作，实施了一项 全面的预测性维护平台.这一复杂的系统持续监控着 10,000 多项关键炼油资产，每周分析约 200 亿个数据点，以极高的准确性预测设备故障。

解决方案和优势 人工智能平台成功地提前发现了两个迫在眉睫的关键设备故障，使壳牌能够采取预防性维护措施，从而避免了代价高昂的停机和维修。这种积极主动的方法估计节省了约 $2 百万美元，并大大提高了运营可靠性。壳牌创建了一个强大的长期资产管理战略，并在其全球许多炼油厂采用。

可能出现的问题：这不仅仅是人工智能的问题

尽管使用人工智能工具进行预测性维护大有可为，但希望实施这些工具的领导者面临着几个潜在的障碍。有三个关键挑战需要认真对待。

1.数据质量问题。 高质量的数据是预测性维护的基础。差 数据质量 这些问题往往源于人工输入错误、数据采集方法不一致以及数据管理流程不完善。如果没有高质量的数据，即使是最复杂的人工智能模型也会失败，这就是经典的 "垃圾进，垃圾出 "定理。数据质量是各行业人工智能项目面临的最大挑战之一，需要领导者给予更多关注。

建议： 尽可能实现数据采集流程自动化，以减少人为错误。定期审核采集数据的准确性和可用性。为确保能判断数据质量的人类实际使用数据，应将数据输入运营决策。这有助于提醒人们注意潜在的数据质量问题，并在数据收集阶段及时采取纠正措施。

2.整合方面的挑战。 如果不能很好地集成到现有的工作流程中，即使准确的人工智能预测也会付诸东流。例如，许多传统软件尚未使用现代数据交换接口进行改造。此外，企业在实施人工智能时往往各自为政，缺乏跨职能的自主权。如果将此类计划视为 IT 项目，从一开始就注定会失败。

建议： 设计可与维护系统直接通信的预测系统，并将其集成到日常运营工作流程中。对传统软件进行现代化改造，实施强大的应用程序接口（API）和自动化工具，缩小洞察力与执行力之间的差距。确保运营领导与 IT 团队共同参与。

3.文化阻力。 由于担心职业安全或不信任新技术的能力，员工往往害怕人工智能。这种抵触情绪阻碍了人工智能的应用，限制了预测性维护计划的有效性。

建议： 尽早让员工参与进来，消除他们对技术的恐惧。承认虽然某些类型的任务会实现自动化，但也有一些合作机会。例如，人工智能可以及早发现设备问题，协助技术人员进行问题诊断，并由人工验证和实施修复。让员工积极参与人工智能试点项目，并将培训作为优先事项，以提高员工的技术流畅性并推动采用。

完全自动化不是目标

领导者该如何着手开展预测性维护工作？首先，他们应确定数据丰富、业务影响大的领域，在这些领域试行预测性维护计划。从有针对性、可操作的项目入手，可以实现速赢，更清晰地展示价值，为更广泛的实施和长期采用铺平道路。

请记住，预测性维护的目标并不是完全自动化。而是通过优化监控工作来减少资产停机时间。通过实时自动监控来增强维护工作流程，并辅以人工审查和及时的现场行动，这就需要机器和人之间的协作。

领导者必须庆祝在整个过程中取得的快速成功，以建立团队的信心并提高计划的能见度。采用这种积极主动的协作方法的公司可以显著减少停机时间，降低运营成本，并获得可持续的竞争优势。