数字运维：数据治理与智能服务（2）

2.基于目标的设备运维指标优化

图三：以数据为驱动的管理优化

基于有效产出指标向上，维修费用指标向下的目标管控，可用度所匹配四大优化通道，有利于在优化有效产出指标的同时又降低维修费用，具体逻辑如下：

A: MTTR向下，平均故障修复时间降低，则要求维修时间得到降低，以减少故障停机时有效产出指标的影响；

B: 事后维修数量及比例向下，装备发生故障如同人生病一样，待到大病已治，无论是医疗费用还是对工作的延误都是得不偿失的，故事后维修数量和比例下降，有利于降低维修费用，有利于减少对有效产出的波动影响；

C: 预防性维修数量及比例向下，预防性维修是以可靠性为中心的维修（RCM）,一般适合复杂系统，且对装备和备件质量要求比较高。除了对复杂系统必须采用适当地预防性维修，一般不建议采用预防性维修方式，原因在于：预防性维修会造成过剩维修，零部件完好状态进行维修，将增加维修费用和停机时间；预防维修会造成维修不足，由于零部件提前周期损坏或失效，预防性计划不能满足系统可用度要求；遇上备件、装备和维修质量不合格时，还会造成越修越坏的结果。

D: 预测性维修数量及比例向上，预测性维修是基于发现隐患和缺陷而进行的主动维修，通常包含：部门自主维护时的发现和处理；维修管理部门通过专业检查的发现和处理；公司日常或定期例行检查的发现和处理；第三方现场检查或送检所发现和处理；通过专业预测性维修仪器和手段得出的隐患报告和处理。

E: 创新管理的数量和质量向上，通过数字化生成有效产出、装备管理指标、能效等数据，而进行的技术改造、规范和管理变革的创新数量和效果，以目标为导向，以数据为驱动，是实现企业创新转型的必要条件，也是企业体质最佳的提升方式。

3.基于物联网数据的深度应用

设备运维的主体是设备物理实体，随着智能制造的不断推进，这些设备所产生的海量数据，将会帮助制造业改善运营指标，提升运营效率。这些数据应用场景包括：

A：可靠性保护，当某一项指标达到预警值时，及时提醒或停机保护，避免异常负载造成设备损坏；

B：预防性维修提醒，依据预防性维修周期或频次，提醒预防性维修预警，以确保设备可靠性的持续满足。

C：预测性维修分析，依据多维数据，如振动、压力、温度等，通过与设备故障、工艺等故障机理结合，识别出隐性的故障隐患和裂化倾向，提高预测性维修的准确性。

D；提高加工质量和产量。如通过振动与机床转速之间的数据比对，发现高转速与低振动的合理区间，从而保证加工质量与产量的双重满足。

4.运维的数字化搭建与数据治理

不同类型作业线，不同规模、不同设备运维水平的的制造业，会选择不同的应用深度和广度来搭建适宜的运维数字化环境，大致分类如下：

A：中小型制造业；对于本身没有数字化基础的制造业，应采用SaaS级的应用为主体，结合不同的行业，进行工厂数字化与运维数字化的搭配，以提高数字化水平，降低数字化应用成本；

B：规模制造业：本身有一定的数字化能力，则需要依据企业目标和制约因素分析，实施私有云构建。

C：对于智能化程度较高、设备价值昂贵的关键设备、影响产质量的关键设备与系统，应积极构基于物联网的深度数据应用，以发现深层次的隐性问题，进而提高预测性维修准确性、提高产品产质量等有利于与运维目标相关的深层次应用。

数据本身是不能发挥作用的，在制造业中数据的作用在于决策与应用，故建立与运维数据相关的数据治理机制才是至关重要的。由于不同类型制造业差异和篇幅限制，这里不做细致阐述，仅说明以下数据治理的关键因素：

A:建立数据决策应用的机制，包含组织架构、活动机制，以确保数据资产在组织战略中的地位和持续改进作用落地；

B：人是数据应用的主体，基于数据的管理优化，一定要做到以人为本，使人本身的智能发挥重要作用，建立以班组为中心的数据管理，而不是通过数据做了数字管理。

C：重视以数据为评判依据的企业知识管理，加速知识积累在组织中的持续沉淀，建立学习型组织。

图四：冰山下的数据潜力

（未完待续）

原创：杨明波

（摘编自：工业4.0俱乐部 工业服务研究中心）