由于设备故障导致的计划外停机和生产损失是制造商的主要损失之一。大多数商店按固定时间表或出现故障时进行维护。这意味着无论机器使用频率如何，都将对其进行维护，意外故障将停止生产。计划的预防性维护效率低下的原因有很多，因为计划反映的是平均或标称使用情况，并且时间安排是基于轶事经验。
维护经常执行得太频繁，浪费金钱和资源。而且，自相矛盾的是，不必要的维护会对设备造成额外的压力并增加故障率。更糟糕的是，随着利用率和条件的变化以及机器过早发生故障，维护工作不够频繁。这对于具有高度混合性和可变性的加工车间尤为重要。
维护遵循众所周知的进程：(1) 定期和反应性维护，(2) 基于机床使用的维护和d 反馈，(3) 使用传感器和分析进行预测性维护，(4) 确定最佳解决方案以最大化维护程序的规范性分析。
进展的第二步 - 根据设备使用情况执行维护而不是按计划或对失败做出反应——值得仔细研究。这就像当您达到一定里程时更换汽车中的机油，而不是每六个月更换一次，即使您的汽车一直停在车库里也是如此。可以说这会给商店带来最大的投资回报率，并且是最好的起点。
基于使用的维护基于从制造设备收集数据。初始阶段可能只收集简单的数据，例如机器何时打开或关闭以及活动或不活动。一旦建立了基线，就必须加强考虑各个组件和流程。基于使用的维护解决方案需要以下两个方面：l 机器的组成部分和制造过程；它还必须汇总，以便创建具有统计意义的样本以确定最佳维护标准。
不同的过程将具有不同的磨损曲线和对机器部件的影响。例如，切割铝与切割钛的磨损非常不同。为了正确地结合制造设备的数据，有必要了解制造过程并调整维护计划以匹配机器的使用和组件的预计磨损。
需要数据分析来识别使用情况通过应用 VIMANA Enrich 等服务提供的模式匹配规则和统计模型，了解活动状态并对设备上执行的流程进行分类。这些间隔用于确定机器特定部件的剩余寿命，并向维护系统发送警报。
第二个问题机智h 维护正在开发一种统计模型，可以正确预测设备的故障。有两个问题：运行相同进程的类似机器数量很少，机器没有运行失败。因此，很难用小样本量建立一个可以预测所有条件下磨损的模型。解决此问题的一种方法是通过跨多个站点和商店收集数据来增加样本量，并建立一个将失败与先前事件相关联的模型。这需要一个众包平台，它可以聚合来自数千台机器的数据，并创建统计模型，这些模型将根据经验数据不断学习和改进。
VIMANA 云平台通过使用机器学习解决了切削工具的这个问题了解工具在大量特征、材料和工艺中的表现，从而确定最佳操作条件。 VIMANA 使用相同的机制来优化维护活动以及 t票务系统跟踪已执行的程序。
