2021 年的一次停电导致一家晶圆厂停工 6 个小时，影响了 30,000 块半导体晶圆，给该公司造成了约 3385 万美元的损失，即 564 万美元/小时。这种计划外的停机时间不是设备故障所致，所产生的成本纯粹来自生产中损失的晶圆。但是，这也解释了即使不同类型的制造业务中这种中断的成本各不相同，组织仍然热衷于避免计划外停机的原因。
预防性维护是否足够？
避免故障的预防性维护类似于定期将汽车送到服务中心进行保养。服务时间表是基于固定的时间间隔，通常是一年，或者最好基于汽车已经行驶的英里数。传统的预防性维护与反应性维护相比当然有很多优势——当设备发生故障或发现冒烟时进行维修——这既能节省设备成本，又能减少停机时间。定期维护意味着更高的前期成本和更多的规划和预算时间，但由此产生的可预测性有助于提高生产效率，降低严格把控时间的流程中因计划外停机造成的损失，延长设备寿命，并使企业能够管理成本和所需的盈利能力。
乍一看，预防性维护似乎已经足够了，但仍有许多不足之处。继续以汽车为例，制造商设定的维修要求充其量只是预期驾驶条件的平均值。这些要求并没有考虑个人如何驾驶一辆汽车，硬停和硬启动的次数，或者汽车通常承载的负荷。就平均值而言，它们涵盖了一切，但没有满足任何特定于汽车的条件。这就是为什么制造设备，就像汽车一样，仍然会在制造过程中的某个点发生故障。预防性维护的设定时间表最多会导致不必要的设备维护，因而产生预料之中但不必要的成本和停机时间。
通过状态监控尽早维护
这种反应式维护策略利用麦克风、热传感器和烟雾探测器，在故障即将发生且需要紧急响应时向公司发出警报，无论这可能会对生产流程和时间表造成多大的干扰。这一阶段的维护通常也需要更高成本的零件更换和维修。
增强对设备生命周期的了解，可对这一概念进行改进，并增加用于监测的其他参数（图 1）。由于容易发生故障的工业设备通常涉及运动部件，如输送机、机器人和流体供应中使用的电机和泵，因此图 1 所示的预计设备失效寿命阶段与此类设备密切相关。
通过监测其他参数，组织可以更早地发现故障情况，并进行预防性甚至预测性维护。广泛应用于此类状态监测的传感器包括以下几种。
红外传感器/摄像头：红外传感器是热成像设备的核心，用于持续或频繁检查设备温度。这样一来，就可检测诸如近乎失效的保险丝以及不正确或腐蚀的电气端接产生的火花等故障导致的“热点”。成本较低的实施方案可能会使用 RTD 和热电偶。
粒子计数器：机油不仅用于液压系统，而且几乎在所有工业流程中用作齿轮箱、传动装置和电机轴承的润滑剂。粒子计数器有助于确定机油在平滑运动过程中分解或吸收残余物时产生的污染。因此，粒子计数数据可反映设备状况，如研磨轴承磨损情况。
自动光学粒子计数器是使用最广泛的方法之一，利用白光或激光检测阴影或光散射进行计数。该设备通常经过 ISO 11500 认证，粒子计数数据的编码由 ISO 4406:99 确定，以便实现一致的评估。
能源监控：工业中使用变速驱动器来提高 HVAC 系统、机器人、输送机和其他以运动为主的应用中的电气效率，从而导致电机电流、速度和功率存在变化。
流程中不同点或特定设备的能源监控和趋势分析可以揭示有关设备健康状况的重要信息。异常的能量消耗模式通常表明不安全的操作条件或正在发生的故障状况，例如由于磨损的轴承或电线问题。即使是更便宜的直接测量电机电流，也可以反映偏心转子、转子条问题、绕组问题和轴承问题。
振动传感器：振动和相关数据分析可提供轴承状况、齿轮啮合、泵气蚀、转子错位和负载状况的重要信息。压电或微机电系统 (MEMS) 加速度计和传感器模块，如三轴 ADcmXL3021 MEMS 模块，可轻松添加到设备中。它们提取的信息与潜在问题密切相关，并且发生在故障发展的早期（图 1），因此设备寿命可以在没有显著开销的情况下延长。
振动传感和评估受多项标准的制约，包括用于加速度计机械安装的 ISO 5348、通过测量非旋转部件来评估机器振动的 ISO 10816，以及通过测量旋转轴来评估机器振动的 ISO 7919。
超声波传感器/麦克风：超声波范围内的声学传感器可以检测到难以察觉的压力泄漏、轴承问题、齿轮啮合和泵气蚀现象。它们被认为是第一道防线，因为它们能对潜在问题发出非常早期的警告，例如通过检测旋转设备中摩擦力的轻微增加。
驻极体麦克风和 MEMS 麦克风分别适用于恶劣和相对温和的工业环境。
分析传感器数据进行预测
虽然传感器提供的测量值有助于诊断问题，但设置自动警报阈值却是一项挑战。例如，工艺或生产配方的性质的任何变化，甚至由于一年四季的天气条件变化而导致的环境条件变化，都可能导致错误警报。因此，工业界使用多个传感器，不仅在设备的整个生命周期中跟踪设备，而且还确保在状态监测中没有信息空白。
传感器和阈值警报关注测量时的机器状态。另一方面，预测性维护侧重于在故障越发明显之前进行检测，通过广泛的分析，甚至在故障开始之前就进行检测，以便完全避免故障。
例如，iCOMOX 等平台利用一系列技术来帮助制定预测性维护策略。该平台采用低功耗 ADuCM4050 ARM Cortex M4 MCU、低噪声 ADXL356 三轴加速度计作为振动传感器、ADXL362 加速度计作为低重力唤醒触发器、精度为 0.5°C 的 ADT7410 温度传感器、Bosch BMM150 三轴磁场传感器和 IM69D130 数字双背板 MEMS 麦克风。
iCOMOX 中的嵌入式人工智能 (AI) 对传感器数据进行优先排序和合理化处理，以便从边缘到云端实现更低的数据流和更低的功耗，而分析性的繁重工作通常在云端完成。
当对组合条件和流程历史数据进行多变量分析时，故障预测和预测性维护的精度都会提高。深度学习算法的部署可以帮助创建过程模型并将过程模型与设备健康/寿命模型结合起来，以考虑到不断变化的机器、流程和环境条件。这使制造商能够在对生产力影响最小的时候进行维护预测和规划。
朝自我维护迈进？
尽管预测性维护正在成为主流，但领先的设备公司已经开始关注机器的自我监测以及适度的自我维护。例如，在半导体蚀刻设备工业中，工具可以检测放置晶圆的静电卡盘的存在，检查其对准和校准情况，并确定其状态。考虑到正在进行的流程和即将到来的计划停机机会，用内置存储器中的新卡盘来替换旧卡盘是一个相对简单的自动化问题。
引领这一未来的是 Arrow 的专家，他们为工程师提供传感器、计算平台和云服务方面的建议，并利用庞大的合作伙伴生态系统，通过实现预测性维护来支持优化运营。
联系 Arrow 升级您的制造业务。