在过程工业中，设备的正常运行是保障工厂高效、可靠和安全生产的关键。如何使工厂在提升产能的同时降低维护成本，提高关键设备的可用性，减少非计划性停车，成为越来越重要的课题。

为保证设备长期稳定运行，如今大部分工厂采用定期的预防性维修维护策略，然而这种方法极易导致 “过度维护”，却仍然无法有效避免“非计划停车”，甚至可能意外造成“维修性故障” 的发生。

随着市场环境的不断复杂化，数字化的浪潮已席卷过程工业市场，当前不少企业已逐步建立起了数字化运维平台，尽管提升了工厂运维数据的保存与管理，但仍然面临很多问题和挑战：

面对这些挑战，充分利用生产数据，实现设备智能化预测性维护的升级需求越来越迫切。总体来说，实现设备维护智能化升级，核心要解决两个问题：

然而，要回答好这两个问题，实现工厂设备智能化预测性维护并不容易，庞大的历史数据、多年的经验知识、先进的数据分析技术及故障处理能力等等都是刚需，而人工智能技术的引入则为此提供了一个至关重要的杠杆。

为此，西门子推出基于工业大数据分析的预测性维护软件 SiePA，亦称 EPA (Equipment Predictive Analytics)，以历史运行数据的深入分析为基础，相应的机器学习和自然语言处理等人工智能算法为工具，从而建立起一个预测性维护系统。

在西门子人工智能技术的支持下，西门子 SiePA 将工厂的历史数据充分利用起来，通过其设备运行状态预测预警模块与智能排查诊断模块，不仅能及时预测预警运营中的故障风险，还能帮助高效诊断背后的原因指导维修维护，帮助企业有效控制风险、实现降本增效。

从基于时间到基于实时状态，避免非计划停车

预防性维护和预测性维护是常见的设备维护模式，两者的核心目的之一都是为了消除非计划性停车。不同的是，预防性维护多基于时间维度，相当于为设备提供一个预计使用的“保质期”，而“保质期”内的设备运行状态如何，有没有发生故障的风险以及风险何时发生多为未知。而预测性维护则通过实时监测设备运行状态并分析计算，帮助用户实时判断设备故障风险，提前发出风险预警，并辅助判断“保质期”的有效性，避免非计划停车的发生。

西门子 SiePA 设备运行状态预测预警模块采取的便是这样一种基于实时状态和大数据分析的预测性维护模式，基于设备正常运行时所采集的海量实时传感器数据训练模型，这个模型综合考虑了工厂中大量传感器数据之间的关联关系，生成人类难以考虑完全的判断规则，进而在实际数据出现偏差时快速预警。

有了这个预测结果，企业将大大节约设备管理与维护上的人力成本、提高管理效率。此外，从生产安全的角度，如此实现的智能预警机制比传统报警系统可提前数小时甚至数天发现异常征兆，而这为用户应对潜在故障或风险争取到了宝贵的时间，从而使用户可以及时采取相应措施，避免非计划停车的发生。

“中西医结合”智能排查诊断

如今，大部分企业仍高度依赖于历史经验对故障进行诊断。这些经验多为领域专家长时间的积累，而经验的共享与传承则是众多企业管理者所面临的难题之一。如果能以历史故障记录的大数据分析为基础，相应的自然语言处理算法为工具，为企业建立起一个诊断系统，固化相关经验，将工厂的故障记录数据充分利用起来，对相应的故障进行快速的匹配诊断、并及时开展有效的修复和维护，将会极大地提高故障处理的效率并降低误判风险。

西门子 SiePA 智能排查诊断模块便是在故障预测的基础上，在收到预警模块报告的异常状态后，对工厂的历史数据进行一系列数据分析，为新的技术故障在历史数据中寻找相似或相关的案例，并将对应的解决方案展示给用户。这一过程既运用了基于知识图谱的自然语言处理，也包含对传感器量化数据的深度分析，西门子中国数字化工业集团吴文超博士表示，这堪称工业界的“中西医结合”。

工业领域的专业知识持以先进的大数据分析能力，是西门子人工智能技术得以落地的两大利器。运行中的设备将自己的运行状态时时刻刻汇报给自己的专家医生，即西门子 SiePA 系统，通过人工智能算法预测受检设备潜在的“健康风险”；当发现“症状”，SiePA 将基于所构建的知识库，通过“中西医结合”的方法定义问题原因，为设备对症开方，最终将诊断结果和“药方”通过企业管理平台等层层下达，触发检维修操作。

从预测到诊断到执行，这一切得益于西门子对工业大数据分析的丰富经验以及 SiePA 系统强大的智能数据处理能力。西门子作为工业 4.0 与智能制造最早的倡导者之一，已在全球市场与诸多企业基于 SiePA 开展相关合作与应用，帮助用户建立起了高效的数字化智能设备预警管理机制，并向着数字化与智能化生产的目标不断迈进。