数字化增强维护:通往持续价值创造与可持续性的路径

《CIRP Annals》:Digitally enhanced maintenance: path towards continuous value creation and sustainability

【字体: 大 中 小 】 时间:2026年07月13日 来源:CIRP Annals 3.6

编辑推荐:

  工业维护在使生产设备及更广泛的工厂等复杂资产以可持续方式可供使用方面发挥着关键作用。随着数字孪生(Digital Twin, DT)、物联网(Internet of Things, IoT)、虚拟现实(Virtual Reality, VR)与增强现实(Aug

  
工业维护在使生产设备及更广泛的工厂等复杂资产以可持续方式可供使用方面发挥着关键作用。随着数字孪生(Digital Twin, DT)、物联网(Internet of Things, IoT)、虚拟现实(Virtual Reality, VR)与增强现实(Augmented Reality, AR)以及机器学习(Machine Learning, ML)等数字技术的出现,研究人员观察到维护交付方式正在发生重大变革的重大机遇。预计未来维护将变得更加经济、主动、预测、以结果为导向并具有可持续性。本论文介绍了数字化增强维护的当前方法及挑战的现状与工业视角。此外,研究人员提出了一个综合性框架,通过考虑维护生态系统(maintenance ecosystem)的概念来构建未来的研究方向。最后,研究人员提出了一个战略愿景来描绘维护的未来。
**论文解读:数字化增强维护——通往持续价值创造与可持续性的路径**

**研究背景、问题与意义**

工业维护在确保生产设备、工厂等复杂资产的可持续可用性中扮演着核心角色。传统维护模式(如事后维修、计划性预防维护)面临诸多挑战:资产数量不断增加、人员与关键材料可用性受限、资产生命周期延长、资产间互联性与依赖性增强,导致维护成本高昂、停机损失巨大。同时,数字技术(如数字孪生(Digital Twin, DT)、物联网(Internet of Things, IoT)、虚拟/增强现实(VR/AR)、机器学习(Machine Learning, ML))的涌现为维护模式转型提供了前所未有的机遇,有望使维护变得更加经济、主动、预测、以结果为导向且可持续。然而,现有研究多聚焦于某一技术或方法(如预测性维护、故障预测与健康管理(Prognostic and Health Management, PHM)),缺乏对价值创造、可持续性与数字化三者之间系统整合的视角。因此,本研究旨在评估当前及未来的数字化机遇如何影响工业维护的未来,基于两个度量标准:价值创造(价值创造,即客户/解决方案提供商实现目标利益的程度)和可持续性(可持续性,即经济、环境和社会三重底线目标的实现)。论文发表在《CIRP Annals》。

**主要关键技术与方法**

研究人员采用系统文献综述(遵循PRISMA 2020流程,检索2016–2024年文献,最终纳入477篇研究),并结合国际在线调查(79份来自15个国家不同组织的回复)及三个详细案例研究(DMG MORI CO., LTD.、Infineon Technologies Austria AG、Rolls-Royce plc)来捕获工业实践。技术方法涵盖:基于知识型维护(Knowledge-Based Maintenance, KBM)框架,整合描述性、诊断性、预测性和规定性分析;利用数字孪生、物联网、人工智能(特别是机器学习与深度学习)、增强/虚拟现实、边缘计算、区块链、联邦学习(Federated Learning, FL)等使能技术;并引入维护生态系统的概念,将系统之兴趣(System of Interest)、维护系统(Maintenance System)、交付系统(System of Delivery)和数字使能者(Digital Enablers)四要素集成。

**研究结果**

**2. 数字化增强维护以实现价值创造与可持续性的现状**
通过文献综述,研究人员将维护策略的演变分为从反应式到预测式再到规定式(Prescriptive Maintenance, PsM)的多个阶段,并识别出知识型维护(KBM)的四个实例(描述性、诊断性、预测性、规定性),其中规定性维护(Type IV)具有最高复杂度和成熟度。同时,分析了人工智能与数字技术(如生成式AI、大语言模型LLM、边缘计算、数字孪生)在维护中的应用,指出人类角色正从执行者转向监督与决策增强(human-in-the-loop)。可持续性方面,维护与可持续性呈双向关系:可持续目标影响维护决策,而维护通过延长资产寿命、减少资源消耗等贡献于可持续成果。研究还识别出四个领域的研究缺口:技术使能者、人类角色与社会技术因素、组织整合与决策支持、可持续性-维护交互。

**3. 工业实践**
通过在线调查和案例访谈,研究发现工业界当前主要挑战包括:在生命周期各阶段(BoL/MoL/EoL)准确预测劣化与失效、识别资产状态、确定剩余可用寿命(Remaining Useful Life, RUL);目前多数企业处于从事后维护向计划预防维护及预测维护过渡阶段;未来期望使用机器学习(含生成式AI)和大数据分析;可持续性方面,企业预期通过维护延长RUL、减少资源消耗、降低碳足迹。案例研究显示,DMG MORI利用IIoT、云服务和数字孪生实现远程诊断与状态监测;Infineon通过标准化连接、数据分析软件实现预测性维护,并面临多供应商系统碎片化问题;Rolls-Royce借助传感器、基于物理的分析、云数字孪生等提供全生命周期服务。总结出技术成熟度、劳动力短缺、系统集成、可持续性量化评估等关键工业需求。

**4. 数字化新兴技术趋势及其对工业维护的影响**
基于技术使能者、人类角色、组织整合、可持续性四个维度,研究人员评估了当前数字技术(核心AI技术如生成式AI、异常检测、可解释AI,以及数据来源技术如DT、IIoT、量子技术、人机协作)的适用性与局限性。例如,生成式AI/LLM在维护推荐中展现潜力,但面临数据质量、可迁移性、幻觉等问题;数字孪生需解决高保真建模与实时同步挑战;人机协作面临技能短缺与信任问题。提出了针对每类技术的局限性应对趋势。

**5. 未来研究框架**
研究人员提出了一个整合性维护生态系统框架,包含四个核心组件:系统之兴趣(不同粒度的资产,从组件到系统之系统)、维护系统(供应相关资源如设施、备件、人员)、交付系统(过程级活动如检查、维修,从数据到洞察到计划到执行)、数字使能者(技术、技能、流程)。并阐述了四项原则:价值创造驱动(避免、包含、恢复、隐蔽)、可持续性导向(平衡需求与供应,优化资源)、抓住数字化机遇(技术-生命周期映射)、未来研究建议(针对价值创造与可持续性在维护系统、交付系统、系统之兴趣、数字使能者四个子领域的详细方向)。

**讨论与结论**

讨论部分总结了数字化增强维护的关键挑战与趋势,强调维护的未来应通过协调生命周期维护生态系统来实现价值创造与可持续性的同步。结论部分指出,论文的核心创新包括:对数字化增强维护的系统综述、引入维护生态系统概念、将数字技术定位于价值创造与可持续性、提供集成维护生态系统框架。研究人员预测,维护将从当前的预测/规定式方向进一步演进,融入更多自能力(如自主维护和自我修复),并更加强调可持续性作为主要驱动力,符合联合国2030年可持续发展议程(SDG)的要求。未来,可持续性考虑必须嵌入数字化增强维护中,确保自修复能力增强系统韧性、资源效率和生命周期环境绩效,并尊重人类完整性和更广泛的社会因素。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号