设备管理新模式——数据驱动决策

藏义明

（河南省惠普特工业科技有限公司，河南郑州 450000）

0 引言

我国制造业的产业升级的持续推进，工业制造系统向更高效、更经济的方向发展，制造业装备面临更自动化、智能化的发展趋势。而这个过程，并非一蹴而就，制造业需要在现有和未来的推进路径中，更应该关注于适用性、经济性的和前瞻性的协同。

系统的自由度决定了管理的复杂度，智能制造约束了制造系统的自由度，在降低管理复杂程度的同时，这要求制造系统具备高可靠性与维修性。非常有意思的是，在全球制造业转型解决方案中，可以看出设备管理的重要性。德国工业4.0的研究者认为，在面向未来的智能制造时代，预测性维修和员工的责任、意识和能力建设是重要的基础保障。美国工业互联网，更强调预测性维修的重要性，通过减少非计划停机为主要目标，从而构建更快速、更安全、更清洁且更经济的工业系统。

对于中国制造业的设备管理而言，这将是一个非常值得探讨和实践的课题，以数据驱动决策为主题，探讨设备管理新模式。

1 数据驱动决策对于中国制造业设备管理的重大意义

许多人将中国制造业粗放的设备管理方式，归结于企业决策者对设备管理缺乏足够的重视。实际上，无论是主动或者被动，绝大多数的企业是重视设备管理的，这体现在：当设备发生停产停机事故时，关注重心由生产转向设备维修；强调日常点检，尽管这并没有实质性的作用。

过去，一直依赖于经验或强调流程的做法来管理设备，即使TPM（Total Productive Maintenance，全员生产维护）引进我国已经有30多年，鲜有成功的案例。这是由于过度依赖经验和直觉，在操作和维护的执行层面缺乏目标导向，在决策层面缺乏有效的数据支持，在员工流失率偏高的实际情况下，知识和数据缺乏有效的互动和积累所致。

然而，制造业在以“智能制造”驱动转型的背景下，必须找到加速企业知识积累的方法，以持续提高设备可靠性和维修性，避免出现“越智能、越瘫痪”的窘态。

建立以信息物理系统（Cyber Physical Systems，CPS）的设备管理工业智能数据驱动决策，将有利于重新定义企业设备管理，做到基于对数据的分析，而不是仅仅依靠直觉和经验进行决策的实践。

2 建立目标导向的设备管理数据系统，重视数据效度与信度

2.1 效度和信度

所谓效度，是指一个数据或指标的生成，需贴合它所要衡量的事物，即指标的变化能够代表该事物的变化。所谓信度，是指一个数据或指标自身的可靠程度，包括准确性和稳定性取数逻辑是否正确？有没有计算错误？效度与信度反映了数据的质量，这是建立设备管理数据驱动决策的基础。

有效的设备管理旨在帮助提升制造效率（有效产出↑）、降低维修费用（运营费用↓）、降低备件库存（库存↓），如图1所示，这将有利于衡量设备管理的价值（数据效度），使得设备管理真正被决策者所重视。

图1 设备管理数据价值模型

2.2 可用度

以可用度（A）为核心指标的数据体系，如图2所示，不仅重新定义设备管理，还将确保设备管理数据的效度，这体现在5个方面。

图2 基于停机时分析应用的设备管理

（1）可用度（A）=MTBF（平均故障间隔时间）（/MTBF+MTTR（平均故障修复时间）），可用度是≤1的常数，这使得设备管理水平得到有效的衡量，可用于不同产线、不同车间、不同工厂之间可以相互比较；

（2）MTTR↓，系以停机时间为基准，记录维修响应和维修时间，反映了维修管理响应能力与维修技能水平。

（3）MTBF↑，首先系通过维修时间中验证和校准过程的记录，监控和反映维修质量水平，以延长设备使用寿命的效果达成。

（4）MTBF↑，事后维修属于被动式维修，由于功能丧失，将会延长维修时间或非计划停机时间，故事后维修通道的数量应尽可能减少。预防性维修虽属于主动性维修，但存在维修不足和维修过剩现象，且设备自身固有质量不足时，还会造成越修越坏的状态，除了必要项目如润滑等，以及复杂装备系统以外，应尽可能减少预防性维修通道数量。而预测性维修，强调点检发现、隐患排查、委外检测和基于物联网的自诊断发现，是基于劣化早期和隐患而确定的维修计划，对于确定计划维修和降低维修费用来说策略最优，故应增加预测性维修通道数量。

（5）创新改善通道↑，基于备件库存数据、备件消耗数据、维修通道数据、运维费用数据，结合A（IArtificial Intelligence，人工智能）技术，展开数据的智能分析，以此识别改善制约因素，优化运维绩效，持续提升运维能力。

2.3 确保数据的可靠性（信度）

如何确保数据的可靠性（信度），是数据驱动决策的另一个重要因素，这包括3点。

（1）可用度取值逻辑，MTBF/MTTR决定了可用度，取值均以分钟计算，以月度/季度/半年/年度为统计节点。结合统计范围，是以影响产线停产停机的事后故障作为统计范围，部门和工厂的可用度则由所属产线的平均值获得。可用度作为统计值，不能用于内部考核，以防止作假；

（2）未进入可用度统计范畴的事后故障，同样进入到事后维修通道数量，以识别不同维修通道的占比统计范围。对于单台设备而言，需要将所有的故障统计（含预防性、预测性和事后维修），统计其可用度，其主要用途是用于外部服务商，装备制造商的产品与服务能力。

（3）不同的数据指标应相互关联和验证，如通过备件消耗数量及费用这类不可篡改的数据，验证可用度的统计、预测性维修通道质量的真实性和有效性，以实现数据输入的智能化防错。

3 加速知识互动与积累是设备管理数据驱动决策的关键

设备管理水平的差距，本质上是知识积累程度的差异，我国工业制造业缺乏有效的基于数据的决策管控机制，严重制约了企业的智能制造转型的进程。再通过有效数字化，解决数据效度和信度的条件下，加速知识互动与积累，就显得尤为关键，这体现在3方面。

（1）由于数据驱动决策的实现，设备管理指标与企业目标高度关联，设备管理价值被有效的衡量，这意味着从决策层、管理层、操作层、维修层及采购层，遵循同一套数据系统，形成人人关注指标，人人为目标负责的新的管理氛围；

（2）设备管理数据形成智能决策报告提供给决策者，结合TOC（Technical Order Compliance，符合技术）约束生产理论：一方面智能分析出影响设备管理及盈利目标的关键制约条件，促进其组织持续盈利能力的目标实现；另一方面基于数据决策的驱动，实现预测性维修通道、创新改善通道数量和质量提升，使得知识积累与结果和过程高度统一。

（3）设备管理的核心是维修技能的积累和传承，基于数字化条件下的设备病历数据系统：不仅是对这些宝贵经验的有效记录和存档，防止员工流失造成的知识流失；通过算法优化，还将实现同类设备的知识匹配，实现知识重用，发挥知识价值最大化。

4 总结

数据驱动变革，价值引领B2B（Business To Business，企业对企业）工业维修生态变革。制造企业在购买B2B商品之前，就想知道这些产品和服务对他们的价值增值活动能有多大的帮助，或是对其生产过程会不会因此而更加经济、更加高效。因此数据驱动决策的意义，不仅在于加速制造业企业内部知识的互动和积累。更重要的是，通过大数据与AI技术，将有效加速内外部知识的互动，实现基于价值数据下制约因素与外部资源，如维修、备品配件、装备制造商、管理与技术咨询服务商等资源的智能匹配。随着多数制造业需求识别，最终实现数据驱动B2B工业维修生态变革，建立更智能、更快速、更安全、更清洁且更经济的工业生态体系。