近年来，“预测性维护”这一概念被频频提及，工业互联网时代工业制造设备变得更加高效与智能，但却给设备本身的维护工作带来不小的挑战，而维护不善的后果轻则影响工厂生产效率，重则造成巨大的损失。
传统维护模式中的故障后维护或定期维护会影响生产效率与产品质量，大幅提高了制造商的成本。随着物联网、大数据、云计算、人工智能与传感技术的成熟应用，预测性维护技术这一“杀手级”应用应运而生。
据相关机构预测，到2024年，全球预测性维护市场规模年复合增长率将超过39%，达到235亿美元。可见，未来几年，预测性维护市场的发展前景十分可观。
预测性维护的好处
目前，工业设备的维护可以大致分为三类：修复性维护、预防性维护和预测性维护，区别就在于修复性是事后修理，预防性更多的是凭借经验判断故障，而预测性维护可以做到在机器运行的同时，对某些重要部位进行定期或连续的状态监测和故障诊断。
预测性维护结合了多源数据，例如关键设备传感器、企业资源计划（ERP系统）、计算机化维护管理系统（CMMS）和生产数据，智能工厂管理系统将此数据与高级预测模型和分析工具结合在一起，以预测故障并主动解决。预测性维护具有以下优势：
● 对产线影响小：有别于智能制造需要对产线本身进行改造升级，预测性维护的硬件设备主要是协助建立设备与服务器的连接，不需要对产线或是生产工艺进行改变，对生产排程的整体影响小。
● 复制性高：在相同的设备上可以快速复制解决方案，且导入的设备越多产生的可利用数据就越多，对模型精准度的提升帮助更大。
● 实质成效显著：预测性维护能助力运维服务降本增效。根据调查，预测性维护可减少5-10%的MROs（维护、维修、运行）成本支出及5-10%的总体维护成本；而在效能提升方面，预测性维护可提高10-20%的设备正常运行时间，减少20-50%的设备维护时间，为产品质量提供更好保障。
● 应用场景广泛：预测性维护的主要原理是基于设备网联化、数据采集、大数据分析及机器学习，未来的发展潜力巨大，并逐步推动使用场景从设备维护延伸到排程制定、资产管理等。
预测性维护市场玩家
预测性维护过程中，数据是关键，数据如何获取和采集，传感器必不可少，最终还需要对收集上来的数据进行整理和分析，将其变成真正有价值的内容，这就必须对其进行可视化、评估和处理。
基于此，预测性维护也给数据采集、分析、评估等领域的细分专业玩家带来了机遇，其中包括基础及关键硬件供应商，一方面是状态监测类型的企业（提供测量机械参数，如振动或温度的传感器和状态监测解决方案的公司）；另一方面是工业控制系统类型的企业（用于过程处理和机器相关数据处理的PLC/DCS系统）。
近年来，许多知名企业早已将预测性维护纳入公司战略轨道，目前市场上已有不少做的相当出色的平台进行数据收集和分析。例如，GE、西门子、ABB、菲尼克电气、施耐德电气、霍尼韦尔等。
GE的Predix：Predix是GE推出的专为工业数据和分析而开发的云服务平台，负责将各种工业资产设备和供应商相互连接并接入云端，为各类工业设备提供完备的设备健康和故障预测，以实现生产效率优化、能耗管理、排程优化等。Predix采用数据驱动和机理结合的方式，旨在解决质量、效率、能耗等问题，帮助工业企业实现数字化转型。
（图源：GE官网）
西门子的MindSphere：MindSphere 是西门子推出的一种基于云的开放式物联网操作系统，它能够将产品、工厂、系统和机器设备安全快速地连接到数字世界，充分挖掘设备和系统在企业运营过程中所产生的数据潜在价值，将其传输到 MindSphere 具有高级分析功能的工业应用进行分析，进而产生更好的生产经营成果。
（图源：西门子官网）
ABB Ability™：ABB Ability™集成了ABB从设备、边缘计算到云服务的跨行业、一体化的数字化能力。ABB Ability™量身定制的数字化解决方案已帮助能源、石化、冶金、机械、汽车、船舶、数据中心、基础设施等领域的众多企业与工业物联网实现互联，充分挖掘数字化潜力，提升效率、降低成本、提高安全性与核心竞争力。
（图源：ABB官网）
施耐德电气EcoStruxure：EcoStruxure平台的主要功能就是实现企业能源效率的有效管理，以降低企业的运营成本，包括互联互通的产品、边缘控制及应用、分析与服务三个层面。EcoStruxure将施耐德电气在自动化、能效管理领域的经验、专业领域知识与数据驱动的计量与分析技术相结合，帮助客户最大化物联网的价值。
（图源：施耐德电气官网）
除硬件提供商和数据分析提供商外，还有一些连接提供商通过通信模块、网关、M2M等设备实现有线/无线连接，如华为等，以及云存储和物联网应用程序支持平台的公司，如PTC、SAP等巨头纷纷通过细分市场进入赛道。
预测性维护发展不及预期
云计算、边缘技术和人工智能等新兴技术正在开启改变预测性维护市场格局的机会大门，预测性维护的最终目的是要对公司盈利产生积极影响。尽管预测性维护发展前景被看好，然而，国内很多传统行业中预测性维护的渗透率还很低，且对于预测性维护能否真的带来切实收益，不少企业仍持怀疑态度。
有调查显示，预测性维护市场后期发展不及预期的主要原因有：
● 投资回报率难以计算
对于工业企业而言，投资回报率ROI如果算不清楚，就意味着见效慢，效果很难评估，且预测性维护真正发挥效用的时间比预期长，工业企业推进意愿自然不会提升。
● 传统的商业思维模式难以转变
对于预测性维护供应商而言，应当从卖产品向卖产品使用的服务的理念转变，如果只算由预测性维护降低的停机风险，只算省钱的经济账，是远远不够的。好的商业模式下，不一定是帮最终用户多省钱，而是帮设备服务商或者设备制造商多赚钱。
● 基础不扎实，数据量不足
工业设备的预测性维护，都面临一个避而不提的共性问题——设备自身的传感器数量不够，很多数据还没有形成有效的长期积累，且很多时候“正确的数据”远比有量无质的“大数据”更好。
从目前发展情况来看，预测性维护技术尚未完全成熟，距离大规模落地还存在一定距离。对于供应商而言，现阶段需要考虑的是如何利用预测性维护技术给用户带来实际价值，即降本、增效、安全，以及转变传统的思维模式。
对于企业自身而言要有充分的自我认知，如果企业本身尚未达到数字化、智能化的阶段或水平，还不足以支持预测性维护方案的落地，那么，企业在作出引入预测性维护决定之前，需要对自身工厂进行整体性的评估，对于其投入的成本与当前维护成本进行比较。
而对于具备一定数字化水平的企业而言，企业需要的是充足的经验和专业的知识，而不是一味的引入高科技软件系统，要了解对企业运维而言什么是“正确的”、“有用的”、什么应该优先数字化，以及如何有效地做到这一点。
预测性维护需要企业和供应商拥有充分的行业know-how，才能在更多行业实现全面落地并发挥最大化效益与价值。
参考资料 ：IoT Analytics《2019-2024年预测性维护市场报告》、罗兰贝格《预测性维护：数字化运维的制胜基石》
