預測性維護使用傳感器和軟件系統來執行自動數據分析，以查明最有可能發生問題的位置。

這么多權威人士、政治家和政策專家不可避免地將我們公共工程的現狀稱為“搖搖欲墜的基礎設施”，這是有充分理由的。這是由于基礎設施現代化項目一直缺乏規劃和預算。

大多數基礎設施問題、交通故障和橋梁倒塌的根本原因可以追溯到監督和維護不足。例如，北加州的太平洋天然氣與電力公司最近透露，它認為其老化的設備是該州歷史上最致命的野火的導火索，由于其不斷增加的負債，這增加了該公用事業公司進入破產程序的壓力。

造成這些問題的原因是廣泛而長期的。人工檢查繁瑣、低效且容易出現人為錯誤。而且，很多時候，這種定期檢查是不必要的，因為系統運行良好。然而，隨著關鍵系統的老化和維護團隊被迫在預算縮減的情況下做更多事情，可靠的系統性能和高效的運營變得越來越重要。性能不佳會導致代價高昂的停機時間、能源資源浪費，最重要的是，還會導致危險事故。

現在通過預測性維護出現了一種更好的方法，其中傳感器和軟件系統可以提供自動數據分析，以準確定位下一個問題最有可能發生的位置。這樣，可以派出技術人員及時主動地解決最緊迫的問題，而不會浪費寶貴的工時。通過實時監控系統設備的狀況和性能，可以有計劃地更有效地執行必要的干預和維護。

在施樂公司 PARC，我們正在通過一個新的工業物聯網 (IIoT) 系統分析平臺解決這個問題，該平臺稱為 MOXI，是維護和運營專家智能的縮寫。MOXI 套件結合了嵌入式傳感、復雜系統模型和人工智能 (AI) 技術，以超過 90% 的準確率預測不利的系統條件，誤報率可忽略不計，漏檢率幾乎為零。

MOXI 的 IIoT 系統分析技術套件由六個模塊組成，旨在監控、管理和優化系統性能。這包括傳感、建模、狀況評估、診斷、預測和可操作的建議。實施 MOXI 模塊后，系統監督可以超越性能管理，隨著時間的推移實現峰值優化，從而節省能源、維護和停機成本，同時延長系統的整體壽命。MOXI 可以實現向真正智能、具有自我意識的系統的過渡，從而產生有關健康、安全和性能的可行見解。

預測性維護如何使東日本鐵路公司受益
。MOXI 平臺已經為位于東京的東日本鐵路公司提供了積極的、真實的維護結果。更為人所知的是 JR-East，日本鐵路平均有 1700 萬名乘客乘坐 12,400 列火車，每天通過 1,600 多個車站。

經過數十年的大量使用，JR-East 受到基礎設施老化、維護資源有限、成本上升和預算縮減的困擾。所有這些限制因素對 JR-East 保持其列車的可靠和準時運行構成了越來越大的挑戰。

PARC 研究人員與 JR-East 的工程師、研發團隊和維護技術人員合作，評估鐵路最緊迫問題區域的范圍。計算機科學家創建了儀表板模型，收集了 JR-East 最終用戶的反饋，并開始了算法和軟件開發的快速迭代。

最終的解決方案將定制的故障檢測系統與診斷試驗軟件相結合。先進的機器學習算法現在與基于模型的系統分析一起使用，以維護火車門、軌道和其他重要的鐵路系統。

項目團隊還開發了儀表板來幫助 JR-East 的工程師可視化和理解他們的數據發現。自 2016 年啟動該項目以來，該預測性維護系統為 JR-East 帶來了極高的真陽性率，以及非常低的維護需求誤報率。

因此，JR-East 維修專業人員現在可以檢測到不利的汽車和賽道狀況，然后在它們影響騎手安全之前進行糾正。這些改進使 JR-East 能夠降低運營成本，同時保持列車安全準時運行。

這項技術令人興奮的潛力預計將是深遠的。除了解決客運和貨運鐵路的復雜問題外，預測性維護系統應該成為維護橋梁和其他關鍵基礎設施、電網系統、制造工廠等的強大應用。

Ajay Raghavan 是施樂公司 PARC系統科學實驗室的戰略執行總監。他的團隊專注于開發尖端分析和傳感技術，以對廣泛的網絡物理系統進行可靠、安全和最佳的生命周期管理。他感興趣的應用領域包括能源、交通、航空航天、國防和制造領域的系統。

審核編輯 黃昊宇