在過程工業中，設備的正常運行是保障工廠高效、可靠和安全生產的關鍵。如何使工廠在提升產能的同時降低維護成本，提高關鍵設備的可用性，減少非計劃性停車，成為越來越重要的課題。

為保證設備長期穩定運行，如今大部分工廠采用定期的預防性維修維護策略，然而這種方法極易導致 “過度維護”，卻仍然無法有效避免“非計劃停車”，甚至可能意外造成“維修性故障” 的發生。

隨著市場環境的不斷復雜化，數字化的浪潮已席卷過程工業市場，當前不少企業已逐步建立起了數字化運維平臺，盡管提升了工廠運維數據的保存與管理，但仍然面臨很多問題和挑戰：

面對這些挑戰，充分利用生產數據，實現設備智能化預測性維護的升級需求越來越迫切。總體來說，實現設備維護智能化升級，核心要解決兩個問題：

然而，要回答好這兩個問題，實現工廠設備智能化預測性維護并不容易，龐大的歷史數據、多年的經驗知識、先進的數據分析技術及故障處理能力等等都是剛需，而人工智能技術的引入則為此提供了一個至關重要的杠桿。

為此，西門子推出基于工業大數據分析的預測性維護軟件 SiePA，亦稱 EPA (Equipment Predictive Analytics)，以歷史運行數據的深入分析為基礎，相應的機器學習和自然語言處理等人工智能算法為工具，從而建立起一個預測性維護系統。

在西門子人工智能技術的支持下，西門子 SiePA 將工廠的歷史數據充分利用起來，通過其設備運行狀態預測預警模塊與智能排查診斷模塊，不僅能及時預測預警運營中的故障風險，還能幫助高效診斷背后的原因指導維修維護，幫助企業有效控制風險、實現降本增效。

從基于時間到基于實時狀態，避免非計劃停車

預防性維護和預測性維護是常見的設備維護模式，兩者的核心目的之一都是為了消除非計劃性停車。不同的是，預防性維護多基于時間維度，相當于為設備提供一個預計使用的“保質期”，而“保質期”內的設備運行狀態如何，有沒有發生故障的風險以及風險何時發生多為未知。而預測性維護則通過實時監測設備運行狀態并分析計算，幫助用戶實時判斷設備故障風險，提前發出風險預警，并輔助判斷“保質期”的有效性，避免非計劃停車的發生。

西門子 SiePA 設備運行狀態預測預警模塊采取的便是這樣一種基于實時狀態和大數據分析的預測性維護模式，基于設備正常運行時所采集的海量實時傳感器數據訓練模型，這個模型綜合考慮了工廠中大量傳感器數據之間的關聯關系，生成人類難以考慮完全的判斷規則，進而在實際數據出現偏差時快速預警。

有了這個預測結果，企業將大大節約設備管理與維護上的人力成本、提高管理效率。此外，從生產安全的角度，如此實現的智能預警機制比傳統報警系統可提前數小時甚至數天發現異常征兆，而這為用戶應對潛在故障或風險爭取到了寶貴的時間，從而使用戶可以及時采取相應措施，避免非計劃停車的發生。

“中西醫結合”智能排查診斷

如今，大部分企業仍高度依賴于歷史經驗對故障進行診斷。這些經驗多為領域專家長時間的積累，而經驗的共享與傳承則是眾多企業管理者所面臨的難題之一。如果能以歷史故障記錄的大數據分析為基礎，相應的自然語言處理算法為工具，為企業建立起一個診斷系統，固化相關經驗，將工廠的故障記錄數據充分利用起來，對相應的故障進行快速的匹配診斷、并及時開展有效的修復和維護，將會極大地提高故障處理的效率并降低誤判風險。

西門子 SiePA 智能排查診斷模塊便是在故障預測的基礎上，在收到預警模塊報告的異常狀態后，對工廠的歷史數據進行一系列數據分析，為新的技術故障在歷史數據中尋找相似或相關的案例，并將對應的解決方案展示給用戶。這一過程既運用了基于知識圖譜的自然語言處理，也包含對傳感器量化數據的深度分析，西門子中國數字化工業集團吳文超博士表示，這堪稱工業界的“中西醫結合”。

工業領域的專業知識持以先進的大數據分析能力，是西門子人工智能技術得以落地的兩大利器。運行中的設備將自己的運行狀態時時刻刻匯報給自己的專家醫生，即西門子 SiePA 系統，通過人工智能算法預測受檢設備潛在的“健康風險”；當發現“癥狀”，SiePA 將基于所構建的知識庫，通過“中西醫結合”的方法定義問題原因，為設備對癥開方，最終將診斷結果和“藥方”通過企業管理平臺等層層下達，觸發檢維修操作。

從預測到診斷到執行，這一切得益于西門子對工業大數據分析的豐富經驗以及 SiePA 系統強大的智能數據處理能力。西門子作為工業 4.0 與智能制造最早的倡導者之一，已在全球市場與諸多企業基于 SiePA 開展相關合作與應用，幫助用戶建立起了高效的數字化智能設備預警管理機制，并向著數字化與智能化生產的目標不斷邁進。