罗克韦尔自动化推出全新数据驱动型服务，可有效预防关键资产故障导致的意外停车
（2018 年 5 月 31 日，密尔沃基）关键资产一旦发生故障，其后果往往不可估量，由此引发的意外停车可能会导致每年数十亿美元的损失。为能够更加主动地防止意外停车，制造企业和工业组织纷纷开始采用预测性维护及其他各种先进技术，以期有计划地安排停车事件。为帮助客户鉴别和防范关键资产停车事件，罗克韦尔自动化宣布推出全新的预测性维护即服务产品。
该服务以客户的关键资产为应用对象，从传感器、控制系统和智能机器等互联技术获取数据并进行分析。借助 FactoryTalk Analytics 分析平台和机器学习技术，罗克韦尔自动化工程师能够判断运行状态是否正常，同时构建数据模型，以帮助预测、监控故障，降低故障发生的几率，从而促成预测性维护的实现。
“通过收集并分析大量的历史数据，我们现在可以预见在未来的哪个时间点可能会发生故障。”罗克韦尔自动化远程监控和分析产品经理 Phil Bush 说道。“这使得最终用户能够有预见性地解决问题，最大限度地减少对生产运营的影响，而不再像以往束手等待故障的发生，然后在紧迫匆忙中排除故障。”
以罗克韦尔自动化的一个石油和天然气行业客户为例，在未部署预测性维护解决方案之前，该客户曾发生过一次轴承故障事件，导致的维护费用和生产力损失合计超过 300 万美元。通过与罗克韦尔自动化共同查阅故障资产逾一年的历史数据，工程师发现轴承冷却系统已有六个月未正常运行。而如果当时已经部署了预测性维护服务，该客户就可以在故障发生前发现轴承故障及其发生原因。
该全新服务对于石油和天然气等行业的重要性尤为突出，在这些行业中，关键资产的正常运行时间决定着企业的盈亏。这一重要性还体现在需要连续执行生产运营的关键机器上。此外，原始设备制造商 (OEM) 可在某一资产上实施这项服务，利用预测功能延长正常运行时间，并将应用成果推广到所有类似的客户资产上。
借助这项服务，客户可以监控预测并分析警报细节，而无需另外构建自己的数据模型或设计自己的解决方案。罗克韦尔自动化将为客户提供数据收集、机器学习和工程设计等方面的支持，以构建模型、验证和监控模式及预测，并随着数据集的发展持续更新这些模型。
