作者：Sophia
物聯(lián)網(wǎng)智庫(kù) 原創(chuàng)
工業(yè)設(shè)備的維修維護(hù)通常分為三種——事后維修的“修復(fù)性維護(hù)”，屬于是“亡羊補(bǔ)牢”；基于時(shí)間、設(shè)備性能、現(xiàn)場(chǎng)使用工況等綜合因素對(duì)設(shè)備進(jìn)行定期維修的“預(yù)防性維護(hù)”，更多憑人的經(jīng)驗(yàn)；以及基于安裝在設(shè)備上的各種傳感器，實(shí)時(shí)監(jiān)控設(shè)備運(yùn)行狀態(tài)，更準(zhǔn)確的判斷故障何時(shí)發(fā)生的“預(yù)測(cè)性維護(hù)”，是一種先知先覺(jué)的智慧。
過(guò)去多年間，伴隨著工業(yè)互聯(lián)網(wǎng)概念的火熱，預(yù)測(cè)性維護(hù)曾被寄予厚望，甚至被不少業(yè)內(nèi)人士譽(yù)為工業(yè)物聯(lián)網(wǎng)IIoT的“殺手級(jí)”應(yīng)用。然而，最近兩三年來(lái)，預(yù)測(cè)性維護(hù)一詞在媒體端已經(jīng)少了許多聲量，企業(yè)對(duì)其的態(tài)度似乎也沒(méi)有以往那般熱切。
那么，究竟是預(yù)測(cè)性維護(hù)已經(jīng)失去了光環(huán)？還是市場(chǎng)對(duì)其的認(rèn)知回歸了理性？抑或是相關(guān)企業(yè)在另辟蹊徑悶聲發(fā)財(cái)？如今的預(yù)測(cè)性維護(hù)市場(chǎng)究竟發(fā)展的如何？
近日，知名物聯(lián)網(wǎng)市場(chǎng)調(diào)研機(jī)構(gòu)IoT Analytics發(fā)布了《2023-2028 年預(yù)測(cè)性維護(hù)和資產(chǎn)性能市場(chǎng)報(bào)告》，報(bào)告對(duì)預(yù)測(cè)性維護(hù)的市場(chǎng)規(guī)模、市場(chǎng)特性、未來(lái)增長(zhǎng)等進(jìn)行了調(diào)研和預(yù)判。因此，本文將基于過(guò)去多年來(lái)IoT Analytics對(duì)該市場(chǎng)的長(zhǎng)期追蹤，以及專(zhuān)業(yè)人士的相關(guān)洞察，就報(bào)告中的核心要點(diǎn)進(jìn)行編譯和解讀。
預(yù)測(cè)性維護(hù)市場(chǎng)增長(zhǎng)不如預(yù)期
根據(jù)最新一版的《2023-2028 年預(yù)測(cè)性維護(hù)和資產(chǎn)性能市場(chǎng)報(bào)告》，2022年，預(yù)測(cè)性維護(hù)市場(chǎng)規(guī)模達(dá)到 55 億美元。過(guò)去兩年不確定的經(jīng)濟(jì)狀況和其他制造業(yè)優(yōu)先事項(xiàng)導(dǎo)致2021年至2022年市場(chǎng)增長(zhǎng)率為 11%。隨著企業(yè)愈發(fā)關(guān)注效率、安全性和運(yùn)營(yíng)績(jī)效方面的投資，IoT Analytics預(yù)計(jì)到2028年，預(yù)測(cè)性維護(hù)市場(chǎng)將以每年17%的速度增長(zhǎng)。而那些擁有重資產(chǎn)和高停機(jī)成本的行業(yè)正在推動(dòng)預(yù)測(cè)性維護(hù)解決方案的采用（例如石油和天然氣、化學(xué)品、采礦和金屬）。
單看這些數(shù)據(jù)可能不夠直觀，我們可以拿出往年的數(shù)據(jù)進(jìn)行對(duì)比——在《2019-2024年預(yù)測(cè)性維護(hù)市場(chǎng)報(bào)告》中，IoT Analytics公司估算，2018年全球預(yù)測(cè)維護(hù)市場(chǎng)規(guī)模達(dá)33億美元，預(yù)計(jì)到2024年，其復(fù)合年增長(zhǎng)率將超過(guò)39%，達(dá)到235億美元。
在后續(xù)的《預(yù)測(cè)性維護(hù)市場(chǎng)報(bào)告2021-2026市場(chǎng)報(bào)告》中，IoT Analytics更新了預(yù)期，預(yù)計(jì)2021年的預(yù)測(cè)性維護(hù)市場(chǎng)達(dá)到69億美元，而傳感器，大數(shù)據(jù)、邊緣計(jì)算和人工智能等技術(shù)的進(jìn)步以及物聯(lián)網(wǎng)基礎(chǔ)設(shè)施成本的下降會(huì)進(jìn)一步推動(dòng)預(yù)測(cè)性維護(hù)市場(chǎng)的快速發(fā)展，使得市場(chǎng)將以31％的復(fù)合年增長(zhǎng)率（CAGR）增長(zhǎng) ，到2026年，該市場(chǎng)或?qū)⑦_(dá)到282億美元。
從39%到31%，雖然IoT Analytics下調(diào)了預(yù)期，但30%以上的年復(fù)合增長(zhǎng)率還是一個(gè)激進(jìn)的數(shù)字。然而，到了今年，復(fù)合年增長(zhǎng)率的預(yù)期再度被大幅下調(diào)為17%——很顯然，整個(gè)預(yù)測(cè)性維護(hù)市場(chǎng)的增長(zhǎng)不如預(yù)期。
預(yù)測(cè)性維護(hù)的重要性毋庸置疑——在許多行業(yè)中，如果不能準(zhǔn)確預(yù)測(cè)大型設(shè)備資產(chǎn)的意外停機(jī)，可能會(huì)造成超過(guò)10萬(wàn)美元的損失。IoT Analytics的研究表明：11 個(gè)行業(yè)的非計(jì)劃停機(jī)成本中位數(shù)約為每小時(shí)125,000 美元。由于石油和天然氣、化工或金屬等行業(yè)的設(shè)施每年都會(huì)發(fā)生幾次嚴(yán)重的計(jì)劃外停機(jī)，因此對(duì)預(yù)測(cè)性維護(hù)的投資可以通過(guò)第一次正確的預(yù)測(cè)來(lái)攤銷(xiāo)。
然而，現(xiàn)實(shí)存在的問(wèn)題是：許多預(yù)測(cè)性維護(hù)解決方案的準(zhǔn)確性低于 50%。這給部署相關(guān)解決方案的企業(yè)帶來(lái)了困擾，因?yàn)楫?dāng)系統(tǒng)警示他們派人前去維護(hù)卻發(fā)現(xiàn)資產(chǎn)完全正常運(yùn)行時(shí)，就會(huì)削弱對(duì)預(yù)測(cè)性解決方案的整體信任。為此，供應(yīng)商一直在努力提高預(yù)測(cè)的準(zhǔn)確性，提供更多數(shù)據(jù)源和更好的分析方法，包括人工智能驅(qū)動(dòng)的分析。有積極的跡象表明，這種提高預(yù)測(cè)準(zhǔn)確性的決定正在幫助最終用戶。報(bào)告調(diào)研結(jié)果顯示，95% 的預(yù)測(cè)性維護(hù)采用者獲得了積極的投資回報(bào)率，其中 27% 在不到一年的時(shí)間里攤銷(xiāo)了投資成本。
另一方面，客戶的的要求也越來(lái)越高——工業(yè)互聯(lián)網(wǎng)平臺(tái)僅僅顯示出故障預(yù)測(cè)和報(bào)警信息并不足夠，最終用戶希望工業(yè)互聯(lián)網(wǎng)企業(yè)在合作協(xié)議中，保證設(shè)備的正常運(yùn)行，如果發(fā)生停產(chǎn)損失，服務(wù)者需要承擔(dān)一定的賠償責(zé)任。這就意味著工業(yè)互聯(lián)網(wǎng)企業(yè)除了利用預(yù)測(cè)性維護(hù)，將服務(wù)環(huán)節(jié)從“被動(dòng)”變?yōu)椤爸鲃?dòng)”之外，還要快速建立提供更多運(yùn)維與深度服務(wù)的能力，才能真正將數(shù)據(jù)轉(zhuǎn)變成價(jià)值。
不過(guò)總體來(lái)看，過(guò)去 12 年來(lái)，對(duì)預(yù)測(cè)性維護(hù)及相關(guān)概念的搜索興趣一直在上升。自 2017 年IoT Analytics開(kāi)始報(bào)道該主題以來(lái)，該術(shù)語(yǔ)的在線搜索量增長(zhǎng)了近三倍，并且已經(jīng)超出了基于狀態(tài)的維護(hù)和資產(chǎn)績(jī)效管理 (APM) 相關(guān)的搜索量。
異常檢測(cè)類(lèi)維護(hù)呈上升趨勢(shì)
報(bào)告指出，隨著市場(chǎng)的發(fā)展，出現(xiàn)了 3 種值得注意的預(yù)測(cè)性維護(hù)類(lèi)型：
間接故障預(yù)測(cè)
異常檢測(cè)
剩余使用壽命 (RUL)預(yù)測(cè)
它們之間的差異很大程度上取決于數(shù)據(jù)分析的目標(biāo)、方法以及它們提供的輸出/信息的類(lèi)型。RUL 是最難實(shí)現(xiàn)的，因?yàn)橘Y源需求和環(huán)境因素使其難以擴(kuò)展。間接故障預(yù)測(cè)是最常用的方法，但IoT Analytics的研究表明——異常檢測(cè)類(lèi)別正在增加。
1.間接故障預(yù)測(cè)
間接故障預(yù)測(cè)方法通常采用基于維護(hù)要求、操作條件和運(yùn)行歷史的函數(shù)的機(jī)器健康評(píng)分方法。這種方法通常依賴于全面分析來(lái)產(chǎn)生相應(yīng)分?jǐn)?shù)，如果有大量數(shù)據(jù)可用，也可以使用監(jiān)督式機(jī)器學(xué)習(xí)方法。
優(yōu)勢(shì)
可擴(kuò)展性——間接故障預(yù)測(cè)可以更容易地?cái)U(kuò)展，因?yàn)樗鼈円蕾囉谠O(shè)備制造商的性能規(guī)范/技術(shù)指標(biāo)，而這些規(guī)范或指標(biāo)在同一類(lèi)型的機(jī)器上或多或少是相同的。
成本效益——間接故障預(yù)測(cè)可以使用現(xiàn)有的傳感器和數(shù)據(jù)，減少對(duì)額外儀器的需求。
局限性
故障時(shí)間窗口準(zhǔn)確性——間接故障預(yù)測(cè)不會(huì)給出機(jī)器發(fā)生故障的時(shí)間表。對(duì)于停機(jī)成本高昂的組織（例如重型設(shè)備行業(yè)）來(lái)說(shuō)，這可能是一個(gè)問(wèn)題。
依賴于歷史數(shù)據(jù)——間接故障預(yù)測(cè)的有效性依賴于準(zhǔn)確建模所需的大量歷史數(shù)據(jù)的可用性。
2.異常檢測(cè)
異常檢測(cè)是查找和識(shí)別數(shù)據(jù)中的異常情況（即偏離通常模式或趨勢(shì)的數(shù)據(jù)點(diǎn)）的過(guò)程。間接故障預(yù)測(cè)和 RUL 方法使用故障數(shù)據(jù)來(lái)預(yù)測(cè)未來(lái)故障，而異常檢測(cè)則使用“正常”資產(chǎn)概況來(lái)檢測(cè)與規(guī)范的偏差。這些偏差可能表明潛在的問(wèn)題，例如故障、錯(cuò)誤、缺陷，需要在造成嚴(yán)重?fù)p壞或停機(jī)之前檢測(cè)和解決。當(dāng)沒(méi)有良好的故障數(shù)據(jù)存儲(chǔ)庫(kù)時(shí)，這種方法會(huì)變得更容易，并且它通常依賴于無(wú)監(jiān)督式機(jī)器學(xué)習(xí)。
優(yōu)勢(shì)
數(shù)據(jù)和硬件要求低——異常檢測(cè)模型無(wú)需接受故障數(shù)據(jù)訓(xùn)練即可識(shí)別問(wèn)題。此外，由于這些模型需要的數(shù)據(jù)較少，因此它們不需要很高的計(jì)算能力。
高可擴(kuò)展性和模型可移植性——異常檢測(cè)模型是在正常操作數(shù)據(jù)上進(jìn)行訓(xùn)練的，因此它們可以輕松應(yīng)用于不同的機(jī)器，而無(wú)需重新訓(xùn)練或適應(yīng)。
局限性
故障時(shí)間窗口準(zhǔn)確性——與間接故障預(yù)測(cè)一樣，異常檢測(cè)模型不會(huì)給出機(jī)器發(fā)生故障的時(shí)間表，這對(duì)于停機(jī)成本高昂的組織來(lái)說(shuō)可能是一個(gè)問(wèn)題。
可能存在誤報(bào)的情況——雖然市場(chǎng)上的大多數(shù)解決方案可以區(qū)分關(guān)鍵異常和非關(guān)鍵異常，但無(wú)監(jiān)督機(jī)器學(xué)習(xí)模型的選擇仍然很重要，因?yàn)樗鼤?huì)影響這種區(qū)分的效果（例如，自動(dòng)編碼器和生成對(duì)抗網(wǎng)絡(luò)不捕獲正常操作的復(fù)雜性）。
3.剩余使用壽命（RUL）預(yù)測(cè)
RUL 是機(jī)器需要維修或更換之前的預(yù)期機(jī)器壽命或剩余使用時(shí)間。而使用壽命或使用時(shí)間是根據(jù)用于測(cè)量系統(tǒng)壽命的任何量來(lái)定義的（例如，行駛的距離、執(zhí)行的重復(fù)周期或自運(yùn)行開(kāi)始以來(lái)的時(shí)間）。
這種方法依賴于從傳感器數(shù)據(jù)中提取的狀態(tài)指標(biāo)，也就是說(shuō)，當(dāng)系統(tǒng)以可預(yù)測(cè)的方式退化時(shí)，來(lái)自傳感器的數(shù)據(jù)與預(yù)期的退化值相匹配。狀態(tài)指示器可以是任何有助于區(qū)分正常操作和故障操作的因素。這些指標(biāo)是從已知條件下獲取的系統(tǒng)數(shù)據(jù)中提取的，用以訓(xùn)練一個(gè)模型，該模型可以根據(jù)未知條件下獲取的新數(shù)據(jù)來(lái)診斷或預(yù)測(cè)系統(tǒng)的狀況。
優(yōu)勢(shì)
故障預(yù)測(cè)時(shí)間窗口——RUL 對(duì)于維護(hù)成本非常高且需要提前規(guī)劃的行業(yè)特別有用，例如重型設(shè)備行業(yè)。
輸出可靠性——由于 RUL 估算依賴于高質(zhì)量和詳細(xì)的數(shù)據(jù)，因此其輸出的數(shù)據(jù)往往更加可靠。
局限性
資源需求——訓(xùn)練大型模型需要強(qiáng)大的計(jì)算硬件，特別是在本地進(jìn)行時(shí)。
模型可移植性和可擴(kuò)展性——不同的環(huán)境和使用模式可能會(huì)導(dǎo)致同一類(lèi)型設(shè)備不同的故障模式。這意味著需要針對(duì)每個(gè)特定情況重新訓(xùn)練模型，從而降低其可擴(kuò)展性和通用性。
預(yù)測(cè)維護(hù)軟件工具有6大共同特點(diǎn)
軟件是預(yù)測(cè)性維護(hù)技術(shù)堆棧中最大的部分，到 2022 年將占預(yù)測(cè)性維護(hù)市場(chǎng)的 44%。IoT Analytics的報(bào)告顯示，盡管大多數(shù)成功的預(yù)測(cè)維護(hù)軟件供應(yīng)商專(zhuān)注于某個(gè)行業(yè)或某類(lèi)資產(chǎn)，但他們的各種解決方案軟件套件之間有 6 個(gè)共同特征：
數(shù)據(jù)采集
分析和模型開(kāi)發(fā)
預(yù)訓(xùn)練模型
狀態(tài)可視化、警報(bào)和用戶反饋
第三方集成
規(guī)定性操作
特征1：數(shù)據(jù)采集
預(yù)測(cè)維護(hù)軟件中的數(shù)據(jù)采集工具負(fù)責(zé)收集、標(biāo)準(zhǔn)化和存儲(chǔ)有關(guān)資產(chǎn)健康/狀況參數(shù)的數(shù)據(jù)。它們還收集識(shí)別和預(yù)測(cè)即將出現(xiàn)的問(wèn)題所需的其他數(shù)據(jù)類(lèi)型，例如業(yè)務(wù)和流程數(shù)據(jù)。
案例：美國(guó)預(yù)測(cè)維護(hù)軟件供應(yīng)商Predictronics提供 PDX DAQ，該應(yīng)用程序允許用戶在任何給定時(shí)間段內(nèi)同步從多個(gè)來(lái)源收集的數(shù)據(jù)。該解決方案創(chuàng)建了一個(gè)數(shù)據(jù)庫(kù)，協(xié)調(diào)來(lái)自不同傳感器的所有時(shí)間戳，Predictronics 聲稱該數(shù)據(jù)庫(kù)可以提供分析所需的信息并生成實(shí)時(shí)、有影響力的結(jié)果。
Predictronics DAQ 儀表板使用戶能夠選擇必要的數(shù)據(jù)來(lái)創(chuàng)建用于預(yù)測(cè)分析的數(shù)據(jù)庫(kù)（來(lái)源：Predictronics Corporation）
特征2：分析和模型開(kāi)發(fā)
預(yù)測(cè)維護(hù)軟件中的分析和模型開(kāi)發(fā)工具可以分析、解釋和傳達(dá)數(shù)據(jù)模式，包括分析發(fā)現(xiàn)（例如，RCA、AD 模塊）和建模（例如，特征工程以及模型選擇和測(cè)試）。
案例：美國(guó)預(yù)測(cè)維護(hù)軟件供應(yīng)商Falkonry （最近被IFS收購(gòu)）在其 Time Series AI 平臺(tái)中提供 Workbench，這是一種基于 ML 的低代碼解決方案，旨在幫助用戶（特別是運(yùn)營(yíng)從業(yè)者，包括生產(chǎn)、設(shè)備或制造工程師）發(fā)現(xiàn)復(fù)雜物理系統(tǒng)中的早期預(yù)警或惡化階段等模式。它還旨在使用戶能夠分析大量數(shù)據(jù)并構(gòu)建預(yù)測(cè)模型。
Workbench 的質(zhì)量檢查屏幕顯示一段時(shí)間內(nèi)的數(shù)據(jù)點(diǎn)，以幫助操作員識(shí)別模式（來(lái)源：Falkonry）
特征3：預(yù)訓(xùn)練模型
預(yù)訓(xùn)練模型是指：通常為特定行業(yè)的特定資產(chǎn)設(shè)計(jì)的即用型模型。這些模型包括特定資產(chǎn)或故障模式的功能和參考（例如，熱交換器的污垢、風(fēng)扇的磨損和腐蝕、或壓縮機(jī)的閥門(mén)泄漏）。這些旨在幫助最終用戶查看模型示例，以便他們可以在模型的基礎(chǔ)上進(jìn)行構(gòu)建或開(kāi)發(fā)自定義的預(yù)測(cè)維護(hù)算法。
案例：美國(guó)資產(chǎn)管理軟件供應(yīng)商AspenTech（最近被艾默生收購(gòu)）提供了 Mtell，這是一款應(yīng)用程序，其中包括預(yù)先訓(xùn)練的行業(yè)特定資產(chǎn)模板，可幫助用戶選擇常見(jiàn)資產(chǎn)類(lèi)別的傳感器和 AI 功能，以快速創(chuàng)建和部署模型PdM 應(yīng)用（例如，針對(duì)特定壓縮機(jī)、渦輪機(jī)和鼓風(fēng)機(jī)）。
煉油行業(yè)資產(chǎn)模板示例（來(lái)源：AspenTech）
特征4：狀態(tài)可視化、警報(bào)和用戶反饋
預(yù)測(cè)性維護(hù)軟件中的狀態(tài)可視化、警報(bào)和用戶反饋工具可自動(dòng)為不同部門(mén)的角色提供資產(chǎn)相關(guān)數(shù)據(jù)/洞察。這些洞察通常包括狀態(tài)儀表板和觸發(fā)工作指令或糾正措施、維護(hù)計(jì)劃和優(yōu)化的自動(dòng)警報(bào)。這些工具還使用戶能夠提供有關(guān)警報(bào)準(zhǔn)確性的反饋。
案例：美國(guó)分析軟件供應(yīng)商SAS Institute提供資產(chǎn)性能分析，其中包括狀態(tài)儀表板和自動(dòng)警報(bào)，旨在通知運(yùn)營(yíng)人員和管理人員即將發(fā)生的故障，以便組織有時(shí)間在小問(wèn)題變成高昂代價(jià)之前識(shí)別和解決問(wèn)題。
SAS Asset Performance Analytics 狀態(tài)儀表板顯示有關(guān)所選資產(chǎn)異常事件的數(shù)據(jù)（來(lái)源：SAS Institute）
特征5：第三方集成
第三方集成使用戶能夠?qū)⑵漕A(yù)測(cè)維護(hù)軟件連接到其他軟件系統(tǒng)和工作流程管理工具，例如 ERP、MES、CMMS、APM和 Field Service。
案例：SKF是一家瑞典軸承和密封件制造公司，也提供狀態(tài)監(jiān)測(cè)和預(yù)測(cè)性維護(hù)解決方案，該解決方案可與現(xiàn)有工廠控制系統(tǒng)(例如MES或SCADA)和其他外部?jī)x表板(例如ERP)相接。它還通過(guò)手持設(shè)備上的警報(bào)以可視化的方式為現(xiàn)場(chǎng)操作人員提供見(jiàn)解。
SKF 提供 API 開(kāi)發(fā)人員門(mén)戶，以協(xié)助開(kāi)發(fā)人員進(jìn)行第三方集成，并顯示集成示例（來(lái)源：SKF）
特征6：規(guī)定性操作
規(guī)定性操作通常會(huì)建議在即將發(fā)生故障時(shí)采取的最佳操作。這些操作通常根據(jù)設(shè)計(jì)算法時(shí)設(shè)置的標(biāo)準(zhǔn)確定優(yōu)先級(jí)。軟件規(guī)定的操作根據(jù)問(wèn)題的性質(zhì)和緊急程度而有所不同。他們可能需要多個(gè)步驟或干預(yù)措施。例如，某些操作可能涉及自動(dòng)調(diào)整設(shè)備參數(shù)或通知維護(hù)和操作團(tuán)隊(duì)必要的程序，以確保設(shè)備效率。
案例：Marathon 是來(lái)自挪威Arundo的預(yù)測(cè)性維護(hù)軟件解決方案，它提供了一項(xiàng)名為Investigations的功能，旨在根據(jù)規(guī)定的公司標(biāo)準(zhǔn)提供解決設(shè)備問(wèn)題的工作流程和說(shuō)明。
Marathon 調(diào)查界面提供了解決潛在問(wèn)題的規(guī)定操作（來(lái)源：Arundo）
成功的獨(dú)立解決方案供應(yīng)商專(zhuān)注于某個(gè)行業(yè)或特定資產(chǎn)
早期，預(yù)測(cè)性維護(hù)主要是初創(chuàng)公司為滿足特定客戶需求而開(kāi)發(fā)的獨(dú)立解決方案。然而，IoT Analytics的報(bào)告強(qiáng)調(diào)：復(fù)雜的預(yù)測(cè)性維護(hù)解決方案集成到大型的APM 和計(jì)算機(jī)化維護(hù) (CMMS) 解決方案中，正在成為顯著趨勢(shì)。
APM 是一種戰(zhàn)略性的設(shè)備管理方法，旨在幫助優(yōu)化單個(gè)資產(chǎn)和整個(gè)工廠或車(chē)隊(duì)的性能和維護(hù)效率。APM 旨在提高資產(chǎn)效率、可用性、可靠性、可維護(hù)性和整體生命周期價(jià)值。
各種APM供應(yīng)商都在其APM產(chǎn)品中引入預(yù)測(cè)性維護(hù)軟件工具。這些解決方案旨在將不同的功能綁定到一個(gè)線程中:
了解機(jī)器何時(shí)會(huì)發(fā)生故障，并繪制故障如何影響生產(chǎn)或輸出
估計(jì)解決或預(yù)防問(wèn)題需要花費(fèi)多少費(fèi)用
對(duì)問(wèn)題是否值得修復(fù)或預(yù)防提出建議
通過(guò)將復(fù)雜的預(yù)測(cè)性維護(hù)解決方案納入端到端資產(chǎn)管理流中，APM公司正試圖成為客戶數(shù)字化旅程的主要合作伙伴。IoT Analytics在報(bào)告中認(rèn)為，改進(jìn)APM解決方案的故障預(yù)測(cè)模塊是當(dāng)前領(lǐng)先APM供應(yīng)商的關(guān)鍵舉措之一。
示例：GE Digital的企業(yè)APM解決方案包括其預(yù)測(cè)性維護(hù)分析軟件SmartSignal(來(lái)源:GE Digital)
值得關(guān)注的是，IoT Analytics的研究發(fā)現(xiàn)，30% 的預(yù)測(cè)性維護(hù)供應(yīng)商提供獨(dú)立的、專(zhuān)注于某個(gè)行業(yè)或特定資產(chǎn)的解決方案。因?yàn)橐呀?jīng)在某個(gè)領(lǐng)域積累了豐富的知識(shí)和經(jīng)驗(yàn)，這些供應(yīng)商可以辨別其解決方案為最終用戶帶來(lái)最大利益的設(shè)備和行業(yè)類(lèi)型。
案例：以色列數(shù)據(jù)科學(xué)公司ShiraTech Knowtion利用其設(shè)備專(zhuān)業(yè)知識(shí)提供 Predicto，這是一個(gè)專(zhuān)注于工業(yè)維護(hù)團(tuán)隊(duì)的工業(yè)物聯(lián)網(wǎng)平臺(tái)。該平臺(tái)能夠讀取和處理來(lái)自生產(chǎn)工廠的傳感器數(shù)據(jù)（理想情況下是基于其自己的多傳感設(shè)備（iCOMOX））。該公司開(kāi)發(fā)了針對(duì)電機(jī)、泵、輸送機(jī)和管道的特定產(chǎn)品，這些針對(duì)資產(chǎn)定制的產(chǎn)品使公司能夠擴(kuò)大規(guī)模。
ShiraTech Knowtion 的 Predicto 儀表板監(jiān)控一些專(zhuān)業(yè)資產(chǎn)，例如軸承（來(lái)源：ShitaTech Knowtion）
寫(xiě)在最后
基于報(bào)告核心洞察——在設(shè)計(jì)預(yù)測(cè)性維護(hù)解決方案的過(guò)程中，供應(yīng)商應(yīng)該考慮如何調(diào)整戰(zhàn)略以進(jìn)一步擴(kuò)張市場(chǎng)，如何提高方案的準(zhǔn)確性，如何更加專(zhuān)注于特定行業(yè)或資產(chǎn)；對(duì)于希望部署解決方案的用戶而言，需要考慮解決方案類(lèi)型的適用性，與現(xiàn)有系統(tǒng)的集成，供應(yīng)商的專(zhuān)業(yè)化，方案的準(zhǔn)確度，以及軟件的特性和功能等要素。
總而言之，預(yù)測(cè)性維護(hù)市場(chǎng)雖未見(jiàn)暴風(fēng)式成長(zhǎng)，卻也一步一腳印地向前邁進(jìn)。
