工业设备是所有工业得以运行的关键载体，设备维护的目标是保证设备正常运行，减少设备非计划停机，降低设备使用成本。传统的设备维护以人+检测仪器为主。随着数字化智能化时代的到来，大数据分析和人工智能技术可以在检测仪器的数据基础上，为设备维护工程师提供更多判断决策的依据和支持。计算机在判断决策领域做得越完善，这个系统就越“智能”，这就是设备智能维护。不过要说清楚什么是“智能维护”，首先得把“维护”的对象——“故障”说清楚。
本文关键词：设备生命周期、故障与失效、维护程度评估
全生命周期设备维护
设备维护工作涵盖从设备安装后，投入运行到设备最终失效的整个过程。从设备的“浴盆曲线”的角度理解，设备的生命周期包括设备的磨合期（早期故障期）、稳定运行期（偶然故障期）和损耗期（失效期），这些构成了设备的全生命周期。这个周期里对应的设备保养和维修工作就是全生命周期设备维护。
故障就是坏了、不能用了吗？
在上述概念中，我们看到了关键词——设备”故障“。事实上，”故障“是设备运维工作关注的核心，也是其管理目标。设备维护就是为了保障设备正常运行，不出“故障”。
”故障“在国标和相应的国际标准中都有清楚的定义：GB/T 5225.1-2019 / IEC 6024-1:2016中对故障的定义是：不能执行某要求的一种特征状态，他不包含预防性维护和其他有计划地行动区间，以及因缺乏外部资源条件下不能执行要求的功能。
从故障的定义不难发现，故障并不是通常意义的“坏了、不能用”，而是一种无法达到“某要求”的特征状态，其中的要求就是设备的设计性能或者需求性能。换言之，设备的实际运行表现与应有的表现存在偏差，通常表现为设备或者某些零部件失去原有的精度或者其他性能降低，最终致使生产中断或效率降低。
由此可以看到，设备的故障分为性能停止型故障和性能下降型故障。顾名思义，性能停止型故障指的是设备无法发挥应有性能，而性能下降型故障是指设备性能与应有性能之间出现了偏差。前者在设备维护里相对处理比较标准，而后者则是重点和难点——如何发现和定位早期性能下降型故障，是提升维护水平的关键。
设备维护程度（过维护V.S.欠维护）
设备的日常维护工作是有成本的，而非计划停机的维护成本更大。因此基于设备维护程度的评价，有了过维护和欠维护的概念。
如果经常在设备两次维护的间隙出现非计划停机，就是设备“欠维护”。如果设备在维护间隙未出现任何故障事件，降低维护频次后依然不出现故障或故障率极低，就是过维护状态。所有的设备运维者，一直在欠维护和过维护中间寻找一个最优的设备维护程度，这个过程就是设备维护优化。
从设备维护到设备智能维护
设备智能维护是让计算机在维护中更多承担“智能”的角色，辅助决策。所以，智能维护的思维起点与传统设备维护一致。智能算法和模型也要解决全生命周期中的设备状态与维护状态识别等问题。
不论是人工判断为基础的传统设备维护，还是当前热门的智能设备运维，对设备状态进行判断时，“故障”的概念都至关重要。故障的准确定义给后续所有的分析奠定了基础。例如，在智能运维中，模型和算法可以通过特征找到“性能的偏移”，就是针对功能下降型故障。至于功能丧失型的故障，即便没有智能运维，人员也可以感知。
另一方面，对运维程度进行清楚地定量和分析，也需要借助大数据和人工智能技术。智能运维能够更清楚地评判“过维护”和“欠维护”运维状态，是设备恰当维护的重要指标。
综上，我们厘清了与设备状态、维护状态的一些基础概念，从源头出发看清我们要解决的问题是什么，是解决问题的前提。
当然，与设备智能维护相关的概念远不止于此，例如工业数据分析的典型应用场景——预测性维护到底能预测什么？预防性维护和预测性维护差异是什么？预测性维护可否落地实现？大数据、人工智能技术如何推动预防性维护与预测性维护走向智能维护？下一期，我们再展开聊聊这背后的常见误区。
