《罗兰贝格：预测性维护—数字化运维的制胜基石(2021)（9页）.pdf》由会员分享，可在线阅读，更多相关《罗兰贝格：预测性维护—数字化运维的制胜基石(2021)（9页）.pdf（7页珍藏版）》请在三个皮匠报告上搜索。
1、结合对数字化运维的丰富洞察及项目的实战经验积累，罗兰贝格已开发出一套从设备引入机遇识别、解决方案设计 到落地实施的一站式预测性维护解决方案，关键构成要素 如下： 1. 硬件：主要负责本地数据采集及分析，涵盖数据采集设备 (传感器+数据传输设备)及边缘计算服务器： a) 数据采集设备：主要进行数据采集、数据上传及模型下 发等工作。 b) 边缘计算服务器：主导相关边缘应用如AI预测及本地 数据缓存等。相比云端计算，通过边缘计算器的搭建 可缩短故障报警的反应时间。( 可针对项目实际需求 和企业数据环境选择将本地计算移至云端)。 2. 软件：主要用于故障检测模型搭建及云端存储与处理 a) 模型搭建：通
2、过特征提取、分析等识别特征向量，并进 行机器学习;随着加工数据的增加及过程数据的收 集，得以持续进行模型训练，最后借由云端服务进行 模型的迭代更新，不断提高模型精度。 b) 云端服务：可提供批量的历史数据存储并进行数据可 视化， 如利用微软Azure云服务可使用Power BI进行 数据可视化，便于管理者进行相关分析。实质成效显著 预测性维护能助力运维服务的 降本增效，根据罗兰贝格的项目经验，预测性维护可减少 5-10%的MRO(维护、维修、运行)成本支出及5-10%的总体 维护成本;而在效能提升方面，预测性维护可提高10-20% 的设备正常运行时间，减少20-50%的设备维护时间并为产 品质量提供更好保障。 优势四：应用场景广泛 预测性维护的主要原理是基于 设备网联化、数据采集、大数据分析及机器学习，未来的发 展潜力巨大，并逐步推动使用场景从设备维修延伸到排程 制定、资产管理等。
sgpjbg002
工作日 8:30 - 17:30
报告分类
