设备制造商、工程、采购和建设(EPC)公司、电力和工艺工厂的所有者和经营者通常面临着保持他们的船队、机械和其他资产高效工作的挑战，同时也要降低维护成本和时间敏感的维修。
考虑到工业产品和服务所需的积极上市时间，在潜在故障或故障发生之前识别其原因至关重要。随着物联网、大数据分析、云数据存储等新兴技术的发展，越来越多的汽车、工业设备和组装机器人可以将基于条件的数据发送到集中服务器，从而使故障检测更容易、更实用、更直接。
通过主动识别潜在问题，公司可以更有效地部署维护服务，提高设备的正常运行时间。有助于预测故障或故障的关键特性通常隐藏在结构化数据中，如生产年份、产品类型、模型、保修细节，以及非结构化数据，如维护历史和维修日志。
通过利用人工智能模型识别异常行为，来自设备传感器的信息可以转化为有意义的、可操作的见解，用于资产的主动维护，从而防止导致资产停机或事故的事件。这通常被称为预测性维护，这种增加的智能使组织能够预测功能设备何时或是否会出现故障，以便在故障发生之前安排维护和维修。
市场:北美市场占有率最高
由于公司为了优化运营成本和提高盈利能力而增加了支出，北美将继续成为预测性维护解决方案的最大市场。预计北美的市场份额为31.67%，预计其预测性维护解决方案的年复合增长率为24.5%，从2017年到2022年保持领先地位。主要参与者包括博世(Bosch)、通用电气(GE)、日立(Hitachi)、霍尼韦尔(Honeywell)和罗克韦尔自动化(Rockwell Automation)等。
预测维护方法：增加产品可用性
预防性维护模型的底层架构是相当统一的，与它的最终应用程序无关。分析通常位于许多IT平台上，但这些层被系统地描述为:
- 数据采集和存储(云端或边缘)
- 数据转换——用于机器学习模型的原始数据转换
- 基于资产操作限制的状态监控警报
- 资产健康评估 - 基于趋势分析的生成诊断记录如果资产健康已经开始下降
- 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——最佳行动的建议
- 人类界面层制作以易于理解的格式访问所有信息
故障预测、故障诊断、故障类型分类以及相关维修行动的建议都是预测维修方法的一部分。
随着工业客户越来越意识到由于意外机械故障而导致的维护成本和停机时间的增加，预测性维护解决方案得到了更多的关注。由于制造业、能源和公用事业行业是对预测性维护需求最大的行业，因此，对于设备制造商、epc和业主/运营商来说，采用预测性维护解决方案以保持竞争优势就更加重要了。
大公司已经使用这种方法超过十年了。制造业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。
虽然它显然比纠正性和预防性维护计划提供更多的业务效益，但预测性维护也比预防性维护领先一步。由于维修工作被安排在预先设定的时间间隔内，维修技术人员被告知零件和组件在下一个工作周期发生故障的可能性，并可以采取措施减少停机时间。
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式测试技术来评估和计算资产性能趋势。其他使用的方法还包括热力学、声学、振动分析和红外分析等。
大数据、机器对机器通信和云技术的不断发展，为工业资产衍生信息的研究创造了新的可能性。由于传感器、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值得信赖的分析和工程服务合作伙伴，能够帮助他们利用数据科学，不仅可以预测潜在的资产故障，而且还可以消除这些故障，并及时采取行动。
Sean Otto博士目前领导Cyient的高级分析团队的业务发展，专注于设计人工智能和机器学习模型，以改善医疗保健设备和系统的功能和可靠性。利用全球设备工程和制造服务提供商Cyient的专业知识，以及“物联网”和“连接设备”日益增长的优势，Otto博士和他的分析团队弥合了技术、运营和业务之间所需的差距。
了下:AI•机器学习，工业自动化
