保持机队、机器和其他资产的高效工作是设备制造商、工程、采购和施工(EPC)公司、电力和流程工厂所有者和运营商面临的共同挑战。更复杂的是同时降低维护成本和对时间敏感的维修。工业产品和服务的大量上市时间使得在潜在故障或故障有机会发生之前确定其原因变得更加关键。物联网、大数据分析和云数据存储等新兴技术使更多的车辆、工业设备和装配机器人能够将基于状态的数据发送到集中的服务器，使故障检测更容易、更实用、更直接。
积极主动地发现潜在问题可以让公司更有效地部署维护服务，并提高设备的正常运行时间。帮助预测故障或故障的关键特性通常隐藏在结构化数据中，比如生产年份、制造商、型号、保修细节，以及非结构化数据(比如维护历史和维修日志)。
人工智能模型可以识别异常行为，从设备传感器获得的信息可以转化为有意义的、可操作的见解，以主动维护资产，进一步防止导致资产停机或事故的事件。通常称为预测性维护，这种增加的智能使组织能够预测功能设备何时或是否会发生故障，以便在故障发生之前安排其维护和修理。
市场:北美市场份额最高
由于寻求优化运营成本和提高盈利能力的公司增加了支出，北美将继续成为预见性维护解决方案的最大市场。北美的市场份额预计为31.67%，预计其预测性维修解决方案的年复合增长率将达到24.5%，从2017年到2022年保持领先地位(图1)。主要竞争者包括博世、通用电气、日立、霍尼韦尔和罗克韦尔自动化，仅举几例。
预测性维护方法:增加产品可用性
预防性维护模型的底层体系结构是相当统一的，不管它的最终应用程序是什么。分析通常驻留在大量IT平台上，但这些层被系统地描述为:
- 数据采集和存储(在云端或边缘);
- 数据转换——机器学习模型的原始数据转换;
- 状况监测——基于资产运行限制的警报;
- 资产运行状况评估——如果资产运行状况已经开始下降，则根据趋势分析生成诊断记录;
- 预测——通过机器学习模型生成故障预测，并估计剩余寿命;
- 决策支持系统-最佳行动建议;
- 人机界面层——使所有信息以易于理解的格式访问。
故障预测、故障诊断、故障类型分类和相关维护措施的建议都是预测性维护方法的一部分。
随着工业客户越来越意识到机械意外故障导致的维护成本和停机时间的增长，预测性维护解决方案获得了更多的吸引力。由于制造业、能源和公用事业垂直行业是预测性维护的最大需求驱动因素，设备制造商、epc和业主/运营商采用预测性维护解决方案以保持竞争优势就变得更加关键(图2)。
规模较大的公司已经使用这种方法十多年了。制造业中的中小型企业也可以通过保持较低的维修成本和满足新业务的初始运营成本来获得优势。
虽然它明显比纠正性和预防性维护计划提供更多的商业利益，但预测性维护也比预防性维护领先一步。由于维修工作是按预先设定的时间间隔安排的，维修技术人员被告知在下一个工作周期中部件故障的可能性，并可以采取措施尽量减少停机时间。
获得预测性维护的好处
除了控制维修成本、避免故障恢复的保修成本、减少计划外停机时间和消除故障原因等优点外，预测性维护还采用非侵入性测试技术来评估和计算资产性能趋势。使用的其他方法还包括热力学、声学、振动分析和红外分析等。
大数据、机对机通信和云技术的不断发展，为工业资产信息的调查创造了新的可能。得益于传感器、执行器和其他控制参数的输入，实时状态监测是可行的。利益相关者需要的是一个可靠的分析和工程服务合作伙伴，该合作伙伴可以帮助他们利用数据科学，不仅可以预测初期资产故障，还可以消除故障并及时采取行动。
