盡管物聯(lián)網傳感器的影響是多方面的，但對于現(xiàn)代公司來說，可能沒有什么比預測性維護工具更重要的了。根據德勤(Deloitte)的一份報告，預測企業(yè)資產的故障可以將設備正常運行時間增加20%，將生產效率提高25%，并將故障減少70%。

　　除此之外，該研究還發(fā)現(xiàn)，預測性維護可以將維護成本降低 25%。這可以成為許多行業(yè)的救命稻草，這引發(fā)了一個問題，什么是預測性維護，它是如何工作的?

　　什么是預測性維護?

　　預測性維護的最終目標是通過成功預測資產何時發(fā)生故障，并僅在需要時進行維護，從而避免代價高昂的停機時間。為此，需要對環(huán)境傳感器和其他物聯(lián)網監(jiān)測裝置收集到的數(shù)據進行徹底審查和分析，以創(chuàng)建關鍵任務型設備性能的可操作見解和使用模式。

　　就其本質而言，預測性維護改進了被動式模式，在這些被動式模式中，計劃外停機是不可避免的。2015 年 Carbonite 的一項研究估計，小型企業(yè)的停機成本可能高達每分鐘 427 美元，而大中型公司的成本飆升至每分鐘 9,000 美元以上。

　　采用基于時間的維護計劃的組織可能能夠避免計劃外停機，但低效資產維護的成本也可能迅速增加。主要風險是過于頻繁地維護資產，導致不必要的支出，用于更換仍然可以使用的資產零件或設備。監(jiān)測這些相同的資產，并以更高效的計劃進行維護，可以比定期維護節(jié)省高達12%的費用。

　　它是如何工作的?

　　其核心是，所有預測性維護都是從監(jiān)測設備的特定條件開始的。這些條件通?；跉v史性能數(shù)據或設備規(guī)格，旨在為資產的最佳性能環(huán)境創(chuàng)建一個范圍。這就建立了一個監(jiān)測機制來比較每項資產的當前狀況。這些狀況通過物聯(lián)網傳感器進行觀察，并對數(shù)據進行監(jiān)測，以發(fā)現(xiàn)任何可能導致潛在故障的異常行為。

　　預測性維護中使用的傳感器種類繁多，其中最常見的是：溫度傳感器、濕度傳感器、運動傳感器、聲音傳感器、光波傳感器、電流傳感器等。

　　當然，像安全攝像頭這樣更簡單的物聯(lián)網解決方案也是預測性維護的重要組成部分。能夠從遠程位置觀察資產的任何明顯變化，這對于跨地理區(qū)域(如輸油管道或電力線)用例中的維護工作尤其寶貴。

　　人工智能和物聯(lián)網解決方案

　　當然，故障并不完全發(fā)生在工作時間，因此依靠人眼來監(jiān)測數(shù)百個潛在的預測性維護數(shù)據流通常不是最有效的，因此，開發(fā)人員采用人工智能來分析資產性能的異常變化。

　　人工智能通?；跉v史數(shù)據構建的統(tǒng)計模型來從物聯(lián)網傳感器中提取數(shù)據，并根據被概述為潛在退化跡象的參數(shù)來運行數(shù)據，并在滿足這些條件時創(chuàng)建通知。為此，人工智能創(chuàng)建了數(shù)學模型，將溫度和活動等因素編碼為簡單的數(shù)值點。

　　RapidMiner 的數(shù)據科學家 Scott Genzer說：“這實際上只不過是我們幾十年來一直在做的老式數(shù)學模型，不同之處在于，我們現(xiàn)在有計算能力來[處理]大量數(shù)據，以找出模式。”

　　最后

　　隨著概念的成熟，預計預測性維護將變得更加普遍。Markets and Markets最近的一份報告預測，到2026年，預測性維護市場的估值可能達到159億美元。

　　這一概念已迅速成為工業(yè) 4.0 的一個基本要素，從汽車行業(yè)到建筑工地，再到油田，它無所不在。然而，MarketsandMarkets報告指出，政府和國防工業(yè)是預測性維護最大的應用領域。