捕捉细微振动信号，PC-based监测方案更胜PLC解决方案
【预测性维护】工业互联网正确打开方式系列（九）：预测性维护
工业互联网正确打开方式系列（九）：预测性维护
工业互联网正确打开方式系列（一）：RPA机器人流程自动化
工业互联网正确打开方式系列（二）：AI产品经理
工业互联网正确打开方式系列（三）：微服务 VS ESB
工业互联网正确打开方式系列（四）：边缘计算
工业互联网正确打开方式系列（五）：云计算PAAS
工业互联网正确打开方式系列（六）：两化融合
产业智能官：化工、钢铁等流程制造行业，以及装备制造业，出于对质量稳定性、或服务化转型的需求，对设备预测性维护的需求最为强烈，会更早尝试实施基于机器学习的预测性维护系统。
以下内容由产业智能官整理学习使用，商业用途请联系作者本人和公众号。
暴涨！2022年预测性维护市场将增至110亿美元 逾50％公司尚未抓住潮流
大数据已成为许多行业的头条新闻，承诺会彻底改变企业决策的方式，从而提高运营效率，降低成本及风险。在多个行业中，它还被用于预测性地改善业务绩效，例如航空业，其中大数据和相关分析被用于维护飞机，而不仅仅是通过预测性维护系统来改善长期表现。
预测性维护(PdM)技术主要用于帮助确定在役设备的状况，并预测何时应进行维护。如果执行得当，这种方法可以避免由于忽视而损害机器造成代价高昂的停机时间，从而监督急需的新零件和维修的平稳过渡。因此，该技术可以比常规或基于时间的预防性维护节省成本，因为任务仅在有保证的情况下执行。
然而，除了直接节省之外，Roland Berger的一项新研究发现，预测性维护为公司提供了从根本上改变其服务和业务模式的机会。在一个越来越拥挤，快速变化的市场中，PdM所允许的效率和灵活性可以提供超越市场竞争者的重要优势。如果公司可以改变它们的思维方式以适应这一点，那么将是潜力无限，于此同时PdM的全球市场将增长20-40%。
分析师表示，按照这一速度，到2022年全球价值将达到110亿美元，而今天的市场价值为31亿美元。大部分增长将从欧洲开始，其中一些PdM解决方案已经进入市场或处于发展的高级阶段。
由于掌握了PdM对未来市场的好处，它已经成为全球工业和制造业的重要行业趋势。此前由Roland Berger，VDMA和德意志展览公司进行的一项研究随后发现，81%的公司目前正在为该项目投入大量时间和资源，另有40%认为掌握PdM对未来业务尤为重要。尽管PdM具有巨大的吸引力，并且各个行业的思维模式明显转移，但Roland Berger现在发现，超过50%的公司尚未推出自己的预测维护业务模式。
研究人员通常将此归因于预测性维护仍被误解为技术进步的事实。问题是关于PdM的快速增长轨迹的数字反映了这种策略远更多样化。事实上，2022年的110亿美元将包括所有形式的PdM，从服务到组件、合同、咨询服务、IT架构和软件。
对此，Roland Berger的合伙人Sebastian Feldman评价说：“预测性维护根本不是技术问题。真正的挑战在于流程和决策支持以及随后创建的商业模式。”
Roland Berger概述了预测性维护的六个维度，所有公司都应该努力利用这些维度。为了监控设备，在更复杂的任务之前，应首先处理传感器技术，数据和信号处理以及状态监测和诊断设施。然后，公司可以专注于训练它们的预测能力，而不仅仅记录机械的当前状态，PdM可以预测其未来状况。
什么预测性维护
预测性维护（Predictive Maintenance，简称PdM）是以状态为依据(Condition Based)的维修，在机器运行时，对它的主要（或需要）部位进行定期（或连续）的状态监测和故障诊断，判定装备所处的状态，预测装备状态未来的发展趋势，依据装备的状态发展趋势和可能的故障模式，预先制定预测性维护计划，确定机器应该修理的时间、内容、方式和必需的技术和物资支持。预测性维护集装备状态监测、故障诊断、故障（状态）预测、维修决策支持和维修活动于一体，是一种新兴的维修方式。
预测性维护不仅在名字称呼上有不同，在概念的内涵和外延上也有出入，因此又有狭义和广义预测性维护两种概念。
狭义的预测性维护立足于“状态监测”，强调的是“故障诊断”，是指不定期或连续地对设备进行状态监测，根据其结果，查明装备有无状态异常或故障趋势，再适时地安排维修。狭义的预测性维护不固定维修周期，仅仅通过监测和诊断到的结果来适时地安排维修计划，它强调的是监测、诊断和维修三位一体的过程，这种思想广泛适用于流程工业和大规模生产方式。
广义的预测性维护将状态监测、故障诊断、状态预测和维修决策多位合一体，状态监测和故障诊断是基础，状态预测是重点，维修决策得出最终的维修活动要求。广义的预测性维护是一个系统的过程，它将维修管理纳入了预测性维护的范畴，通盘考虑整个维修过程，直至得出与维修活动相关的内容。
修复性维修（Corrective Maintenance）,又称事后维修（Break-down Maintenance）,是“有故障才维修（Failure Based）”的方式，它是以设备是否完好或是否能用为依据的维修，只在设备部分或全部故障后再恢复其原始状态，也就是用坏后再修理，属于非计划性维修。
预防性维修（Preventive Maintenance）又称定时维修，是以时间为依据(Time Based)的维修，它根据生产计划和经验，按规定的时间间隔进行停机检查、解体、更换零部件，以预防损坏、继发性毁坏及生产损失。这种维修方法也就是目前所普遍采用的计划维修或定期维修，如大、中、小修等。
预测性维护的相关概念
预测性维护最早在西方发达工业国家兴起，预测性维护的概念源起于英文名词“Predictive Maintenance”，到现在为止，预测性维护已经有了几个相似的名字，这是因为在不同领域，不同的人员根据自己研究的侧重点不同，给出了不同的翻译和不同的定义。追根溯源，应该从英文的定义谈起。
Predictive Maintenance，其英文解释为Condition Based Maintenance（CBM）或On-condition Maintenance。PdM一般翻译为预测性维护或预知性维修，而预测维修和预知维修与前面的翻译相比，仅仅是多字少字的问题；CBM一般翻译为状态基维修或基于状态的维修，这个翻译按英文字面的意思直译过来，同时引入了“基”的概念，使翻译专业化。有时CBM也被翻译为预测性维护，因为它的英文原意就是对PdM的概念解释；On-condition Maintenance一般翻译为视情维修，这是翻译者根据中国人的习惯意译过来的。在实际运用中，几个中英文名词有时被随机地组合，这都无可厚非，因为它们本身是一回事。
沿袭运用到今天，几个名词在概念上有了一些细微的差别。预知性维修被定义为：以设备诊断技术为基础，结合设备故障的历史和现状，参考运行环境及其它同类设备的运行情况，应用系统工程的方法进行综合判断分析，从而查明设备内部情况、故障和异常的性质，预测隐患的发展趋势，提出防范措施和治理对策，这样一套方法总称为预测方法，把应用预测方法得到的结果纳入维修管理就是预知维修。它强调了预测方法，包罗了维修管理；而基于状态的维修和视情维修立足于状态，强调了状态，它们的理论依据是：机械和装备有自己的状态，即将出现问题的机械或装备将出现一些可以观察、感觉或测量到的信号（如噪声、振动、发热、裂纹或电量的改变等）。这里状态有两层含义，一是指在某时某刻某种条件下装备的即时状态，这是狭义的状态的概念。二是包含了即时状态的前身和后续，指的是整个生命周期内的状态，即广义的状态概念。
预测性维护技术体系
预测性维护发展到现在，基本上形成了自己的技术体系，如图所示。
1.状态监测技术
状态监测技术发展到现在，在各工程领域都形成了各自的监测方法，状态监测的方法依据状态检测手段的不同而分成许多种，常用的包括：振动监测法、噪声监测法、温度监测法、压力监测法、油液分析监测法、声发射监测法等。
2.故障诊断技术
单讲“故障诊断”，它是一门新发展的科学，而且越来越受到重视，尤其是在连续生产系统中，故障诊断有着非常重要的意义。按照诊断的方法原理，故障诊断可分为：时频诊断法、统计诊断法、信息理论分析法及其它人工智能法（专家系统诊断、人工神经网络诊断等）、模糊诊断、灰色系统理论诊断及集成化诊断（如模糊专家系统故障诊断、神经网络专家系统故障诊断、模糊神经网络诊断等）。
3.状态预测技术
状态预测就是根据装备的运行信息，评估部件当前状态并预计未来的状态。其常用的方法有时序模型预测法、灰色模型预测法和神经网络预测法。而对于预测方法的开发一般有三种基本途径：物理模型、知识系统和统计模型。在实际应用中，可将三种途径综合在一起，形成一种结合了传统的物理模型和智能分析方法，并能够处理数字信息和符号信息的混合性故障预测技术，对于实现预测性维护更为有效。
4.维修决策支持与维修活动
维修决策是从人员、资源、时间、费用、效益等多方面、多角度出发，根据状态监测、故障诊断和状态预测的结果进行维修可行性分析，定出维修计划，确定维修保障资源，给出维修活动的时间、地点、人员和内容。维修决策的制定方法一般有故障树推理法、数学模型解析法、贝叶斯（Bayes）网络法(适用于表达和分析不确定和概率性事物)和智能维修决策法等。
预测性维护：工业数字化领域潜在爆发点
预测性维护(Predictive Maintenance，简称PM)是“工业4.0”提出的关键创新点之一。基于连续的测量和分析，预测性维护能够预测诸如机器零件剩余使用寿命等机关指标。关键的运行参数数据可以辅助决策，判断机器的运行状态、优化机器的维护时机。
预测性维护是从“状态监测”这一概念发展而来。“状态监测”收集被监测零件状态的实时信息；然而，状态监测未能前瞻性地预测机器运转中断和磨损消耗。因此，预测性维护的出现是一大转折点：更加精巧的传感器、更加高效的通信网络、能够处理大规模数据的强大运算平台，通过随机算法将数据与机器出现问题时的数据模式进行比对。由此，我们可以识别、模拟并解读机器运行参数的规律。正是这些规律帮助我们更加精准地预测机器的使用寿命，并且通过整合系统的所有操作数据，优化服务的方方面面——既能使客户受益，又能够帮助供应商改进产品。
拥有精确预测的能力后，产品生产和服务的整个过程以及相关决策都能变得更为主动、有针对性，并且有数据支撑。预测性维护使得供应商能够成为客户更好的增值伙伴。（图1）
预测性维护技术将改变客户的设备维护、生产策略，同时对机械工程类公司服务业务的商业模式带来巨大影响。其中，传感器、网络互联以及计算能力将挑战传统专业服务领域的知识和经验积累；拥有数字化领域知识背景的企业将进军制造业的服务市场。德国工程行业必须在预测性维护解决方案的定义、执行与传播过程中占据领导地位，以应对所面临的严峻挑战。因此，德国机械工程行业协会和商品交易会运营机构德国博览会集团将“预测性维护”定为今年汉诺威工业展览会的主题之一。虽然在机械和厂房相关工程的各个环节中已经出现了大量方法和初始方案，但是关于预测性维护的讨论意见仍众说纷纭。
为了使讨论更加客观，并确定预测性维护所处的发展阶段，罗兰贝格与德国机械工程行业协会、德国博览会集团共同开展了一项大规模的企业调研，旨在清晰描述预测性维护方案的现状，以及德国工程行业对预测性维护实际应用情况。该项调查针对以下行业的相关公司：输电工程/液压传动、电气自动化/机器人技术、离散制造技术、软件工程及数字化技术。本研究对该项调查的关键发现进行总结。（图2）
预测性维护在德国工程行业中实际应用情况
预测性维护是德国工程领域的关键议题之一：毫无疑问，德国工程行业现已普遍接受并理解预测性维护这一重要的行业趋势。有81%的受访公司已经着手深入解决这个问题。
展望未来，许多公司仍难评估预测性维护作为成功要素的作用：近40%的公司认为预测性维护是帮助稳固并提升服务收入的关键所在和成功要素，对于未来业务的发展尤为重要。
不同行业中存在普遍共识：尽管各细分产业对预测性维护的具体产品和应用方式的理解上存在微小的差异，但我们的研究并未发现显著的分歧。总体而言，在不同行业中，各公司的看法、发展状况和面临的挑战大体相似。
仅有少数公司提供了具体的预测性维护产品/服务：在工程领域，预测性维护实际可用“产品”的成熟度差异巨大。尽管近40%的受访公司已在提供相关技术和服务，但大部分公司仍然在产品研究阶段，或尚未开始任何相关工作。
受访对象认为，预测性维护对客户带来的主要价值在于业绩提升：79%的受访对象表示，得益于更好的机器可用性、更长的服务寿命以及更稳定的工作等，客户从预测性维护中获得的主要益处是生产方面的优异表现。相较而言，仅有不到五分之一的受访公司将预测性维护看作削减维护成本的手段。（图3）
大多数受访对象期望预测性维护能推动业务增长：尽管关于预测性维护对财务方面的整体影响仍讨论激烈，但受访对象对于增长预期的乐观态度大于对负面效应的担心。从商业预期来看，80%的受访对象预计预测性维护将会刺激其服务业务的增长。相较而言，20%的公司更加关注风险，担心其现有的服务业务将可能受少量负面影响。
迫切需要和客户需求取得一致：迄今为止，预测性维护的发展动力主要来自于机械工程人员从技术角度希望改良产品的愿望。近90%的受访对象承认在对客户以及终端客户真实需求的理解上仍然存在不足。因此，即使供应商承诺预测性维护的益处，仍然不确定客户是否能够认同这些收益能增加显著且可量化的价值。
系统性战略和产品开发仍有不足：超过50%的受访公司仍然没有系统化方法——缺乏明确的商业模式、业务目标和相应的开发预算。这也说明目前发展方式主要受技术驱动，未让客户共同参与。
业内普遍认为已基本掌握了支撑预测的主要技术：受访对象认为，预测性维护所需的技术已大体就位。不过，在部分领域仍存在挑战，包括机遇分析和识别机器运转模式及状态数据微调预测性维护，从部件和机器层面发展到生产与系统(网络化生产)层面进行预测和决策支持。
许多企业尚未明确在价值链上的定位：预测性维护最复杂部分之一是将机器运行数据适当转化为对整个生态系统的认知以及客户实际收益。约65%的受访者表示其尚未明确自身定位。在一定程度上，这可能是由于企业(尤其是中小企业)缺乏数字化专业知识与技术导致的。几乎所有市场参与者都很难判断客户的“生态系统”和配套平台未来会如何发展。但企业必须进行自我调整应对这些变化，清晰认识预测性维护的逻辑和价值。由于预测性维护所涉及的数字化要素将不断增加，有69%的受访对象认为与专业的外部伙伴合作(尤其在软件和数据分析领域)“尤为重要”；40%的调查对象甚至未明确排除与直接竞争对手合作的可能性。
仍未明确预测性维护的盈利模式：有90%的受访对象提到了如何通过提供预测性维护服务盈利的问题，这显然是企业尝试建立商业模式时候面临的普遍困扰。原因之一是长久以来，制造业的客户不愿为数字化服务买单。受访企业现在更多考虑基于成本的定价模式，而非基于业绩表现“更数字化”的模式。（图4）
不过，也有许多企业已经清醒地认识到，这项新的服务需要新的思维方式。例如，需要对接客户的层级就有所不同。目标对象不应该再是车间工厂；与此相反，为了体现预测性维护方案对公司整体目标以及对关键业绩指标(KPI)的贡献，必须同客户的最高管理层直接开展合作与对话。
在某些领域中，要真正实现预测性维护的价值需要独立的、便于数字化的组织架构，整合的产品/服务战略。然而，当前大多数的受访对象仍是在原有的框架下提供预测性维护服务，同时在服务内容方面(如KPI、定价、销售、管控及垂直整合)的进展也非常有限。
预测性维护市场的胜负尚未有定论：谁能主导未来预测性维护服务的市场，是一个充满争议的话题。如今，所在领域的专业知识仍是硬件供应商的核心竞争力和优势。但这一优势未来能否延续，目前还不得而知。有大量受访对象认为来自其他行业的技术与平台提供商可能成为他们的潜在威胁。这些竞争者或许不具备行业应用知识，但他们能够在IT基础架构及大数据技术方面充分发挥自身优势。大多数受访对象认为预测性维护的未来主要机会将出现在软件方面。（图5）
预测性维护将在2020年之前取得突破
关于预测性维护市场渗透的速度，各方观点大相径庭；其中，对于传感设备和连接技术的更新程度存在不确定性，对新安装设备是否必须要接入到现有设备体系中存疑。用户愿意以多快的速度、在多大程度上、在哪些内部及外部存储设备上允许对数据访问也尚未明确。但即便如此，仍有近50%的受访对象认为，在2020年前预测性维护能够取得突破。这项调查结果再次表明了预测性维护数字化方面的特质，即周期短、颠覆性强。
作为工业数字化领域一个潜在爆发点，预测性维护对德国工程行业的重要性毋庸置疑。因此，大多数公司已经将其提上议事日程。虽然在此领域内，技术驱动的创新理念正逐渐受到机械及零部件制造商的重视，但是在许多情况下，其他主要的成功因素(例如对用户需求的精准理解、商业模式与需求的妥善结合)尚未得到应有的系统性思考。为了能够在预测性维护市场占据领导地位并获得商业成功，除了建立必要的大数据系统并提高大数据分析能力外，企业还需注意以下几个方面：
不同创新流程的“市场拉动”：必须要从客户利益的角度出发，通过与客户建立更为密切的协作，借鉴数字化领域的研发方式（例如设计思维与共同创新）来制定预测性维护方案。此外，还需要大幅加快研发速度并融入迭代式开发的理念(快速失败才能快速学习)。
不同的市场策略的“数字化模式”：在利用创新的、基于软件的定价模式和销售理念向客户传达产品价值的同时，企业还必须为客户提供具体可量化案例，需要与过往不同的、管理更广泛利益相关方的理念与方法。同时，企业必须认真思考客户如何看待他们在价值链(以B2C模式为基础)上的定位与重要性，如何使客户接受预测性维护的费用。
不同合作形式的“网络化方法”：在系统性构建核心能力的同时，企业必须专注于建设自身优势、提高附加值。此外，企业还应以更开放的心态积极加强与合作方的紧密联系，从而完善提供预测性维护服务所需的技能、技术和基础架构。如有必要，企业甚至需要与竞争对手合作，或者与其他生产环节和第三方行业中的公司进行合作。
同其他行业一样，数字化也是机械工程领域中的一个必然趋势。即使不考虑数字化带来的商业机遇，也没有任何一家公司能够承担起拒绝数字化变革所带来的损失。在预测性维护这一议题上，管理层同样需要通过制定清晰的战略和系统性的商业模式来积极把握机遇。
预测性维护并不是解决企业在产品、市场覆盖、服务水平等方面问题的万灵药。服务业务需要作为公司整体战略的一环而进行不断分析与完善。如果企业希望在服务业务中获得可持续的成功——不仅优化内部产品和效率且与客户建立长期的信任合作关系，成为一个对客户有价值的合作伙伴，那么企业就必需以客户为中心，明确在预测性维护服务方面的自身需求以及潜力，这一点势在必行。
（来源：中国工业评论）
大数据在预测性维修中的应用
大量来自于发动机和其他一些关键部件的监控数据，使得预测性维修具备了可行性。越来越多的数据的收集和分析工具正在被开发或者投入运用。大数据在航空维修业的应用仍处于初始阶段，为了有效地处理这些来自飞机的数据，还要有思维及工作方式的转变。
普惠加拿大公司鼓励更多的客户加入其滑油分析技术的验证。
利用传感器数据进行发动机的状态监控已有较长的一段时间了。现在，这一技术正快速地应用到飞机的其他部件。随着应用范围的扩大，数据分析的方式也在化繁为简。目前，航空维修业对于大数据的应用还处于起步阶段，人们的思维方式和工作方式应做相应的转变。
滑油分析与状态监控相结合
普惠加拿大公司的基于飞机联通性的FAST解决方案，是用无线方式采集和传送飞行过程中的飞机和发动机数据。FAST将分析数百个与性能相关的数据，如速度、温度、压力，以提供接近实时的发动机健康、使用和性能趋势的监控。
现在，普惠加拿大公司正针对PT6A发动机开展“滑油分析技术”研究。这项技术的开发并不是要取代发动机的传感器监控，而是要将滑油分析与传感器监控结合在一起，作为对发动机状态监控的有效补充。滑油分析技术主要关注的是滑油中的微粒，分析这些微粒的来源、大小和形状，可以对润滑部件（如轴承和齿轮等）的健康状况进行监控。
将传感器监控与滑油分析技术结合起来的目的，也是为了提前做好维修计划，避免航班的延误或取消。
普惠公司已于2016年春季开展了滑油分析技术的验证。到2017年年初，共计有380个客户为普惠公司提供3500台发动机的滑油样本。普惠公司将依据所采集到的滑油样本，开展为期18～24个月的验证试验。截至目前，监测的结果与预测的趋势基本一致。滑油分析技术的研究目前正处于收尾阶段，普惠加拿大公司鼓励更多的客户参与到该项技术的验证中来。
更高效地获取数据
随着技术的发展，有越来越多的传感器被安装到飞机上。如何采集、分析和下载这些数据，则需要费一些功夫，对一些相对较老的机型更是如此。
现在，有不少制造商都在此领域开展工作，提出相应的解决方案。例如，霍尼韦尔公司的JetWave高速通信系统，除了为客舱提供高速Wi-Fi，也可以将飞机运行数据实时传送到地面，提高飞行效率和安全。而联合技术航空系统（UTAS）公司的飞机接口装置（AID），也可以收集和利用来自飞机的各种数据。AID在波音717、MD-11､737NG、747-400、767、777和空客的A320等飞机上的应用已获得适航认证，而在A330、A340的应用也将会在今年上半年取证。该装置已安装在300余架飞机上，还有数百架飞机等待安装。
根据诊断结果进行预测性维修会改变原先的工作计划。
起初，UTAS设计AID的目的是向电子飞行包（EFB）传输数据，所以配有Wi-Fi天线。现在该装置作为预测飞机健康的数据中心，通过对收集到的数据进行分析，可以帮助航空公司减少航班延误或取消。
AID除了给飞行员实时提供航电数据及上传气象数据，还可用2.4GHz的带宽或者以太网收集来自于飞机外场可更换件（LRU）的数据，并进行视情诊断。无论是在飞行过程中或是在地面，AID可以通过多种方法将数据传送给飞行员或者工程技术人员，诊断数据或结果也可以下载至地面设备。
AID不仅增强了新型飞机上的中央维修计算机的功能，也可以用移动电话、Wi-Fi和卫星网络等方式从较老的飞机下载数据。AID的结构小巧，不需要进行主动冷却。
除了AID，UTAS还在开发新的系统，用于飞机内部的传感器、作动器和数据处理网点之间的无线通信。其中的一个目标是可以收集更多的数据进行故障诊断。用无线方式传递数据可以不用打开飞机机舱面板，适宜在老龄飞机上安装。
UTAS正针对现有的2.4GHz带宽和刚获批准的4.2GHz带宽开发无线系统。2.4GHz系统的飞行测试工作将于2017年展开，而4.2GHz系统的相关条例正在制定中，将于2019年定稿。相较于开放的2.4GHz带宽，新的4.2GHz带宽是专用的，可靠性更高。
有效地进行预测性维修
现在，关于预测性维修的探讨非常热烈。那么除了复杂的算法之外，应当怎么做才能使之更为有效呢？
第一，能方便地获取数据，不给工程技术人员增加负担。为了在采集数据时不增加额外的工作负担，技术人员宜用移动设备以电子化的方式输入数据，应尽可能多地利用无线射频识别电子标签（RFID）和条码。无论是航线维护或是基地维修，工程技术人员都能方便地利用移动设备查询预测维修的结果、工卡、维修手册等。
第二，充分信任预测结果。在数字化时代的机械师必须充分信任诊断的结论，而不是凭经验做出判断。
第三，对诊断系统进行闭环管理。所有的维修行为和核心步骤都必须被跟踪：技术人员、客舱乘务员或者驾驶员的报告；工作指令；航材；执行结果等。
第四，维修计划更为智能化。在制订维修计划时，需要利用数据确定何时进行计划外的部件拆换。而在飞机仍在飞行的过程中做出这些决定，需要确保维修人员和航材准时到位。
第五，供应链管理应为诊断提供支持。整个供应链必须像技术人员或者工程师那样，对预测性维修建议做出敏捷响应，确保在合适的时间、地点，有合适的人和备件进行飞机维修。
（成磊，编译自AW&ST MRO Inside, 国际航空）
工业大数据下的故障预测和预测性维护
在当今竞争激烈的商业环境中，企业正面临着前所未有的挑战，即如何利用大数据，快速而精确地决策以提高生产力。工业4.0带动制造业从智能工厂转型到未来的智慧工厂。在目前的制造业里面，大数据可以把大规模预防性质的维修、生产转化成精准预测性质的维护，从而达到零排放、零宕机、零维护、零库存等绿色产业的要求。
预测性维护
设备意外停机会给企业带来重大的损失，保持设备持续正常的运行，对于提高设备利用率，减少开销是非常重要的。简单地说，在今天的工业生产活动中，等到设备故障再去采取行动，这样带来的损失是负担不起的。
为了保持竞争力，企业正尝试利用多渠道收集的工业大数据，来提高设备的性能。一个重要方法就是分析这些数据，利用历史模式来预测未来的结果。目前最流行的一种方法被称为预测性维护，即预测设备在未来可能会发生的故障，从而可以在故障发生前就采取维护行为。这种方法可以检测出高风险状态的设备，从而更高效的部署有限的后勤维护资源。
随着工业4.0下产业的升级转型，工业数据的收集、处理技术越来越成熟，这也使得预测性维护受到了前所未有的关注。总体来说，预测性维护需要解决以下问题：
回答了这些问题，带来的商业价值包括：
预测性维护的解决方案一般会提供：
商业案例
航空业
商业问题和数据来源
航空公司面临的一个主要的商业问题是机械故障引起的航班延误会带来巨额的损失。如果机械故障不能被及时排除，甚至要取消航班。航班延误会带来大量调度、运营的问题，客户的满意度和商业声誉也会受到极大的损害。所以航空公司特别关心能否提前预测这些机械故障，减少航班延误和取消。
这个案例里的预测性维护的任务，是通过分析相关数据如飞机维护历史和飞行路线，预测航班的延误或取消概率。飞行路线数据包括了起飞降落的日期、时间、机场等。飞机维护数据包括地勤记录的一系列故障和维护代码。
商业价值
利用已有的历史数据，可以建立一个多分类的预测模型，预测24小时内可能导致航班延误或取消的机械故障类型。在这之后，航空公司可以采取必要的主动维护行动，在飞机正常服务阶段就排除潜在风险，避免航班延误或取消。
商业问题和数据来源
飞机引擎是非常精密昂贵的，在航空工业中更换引擎部件是最常见的维护任务。航线维护任务要求对引擎部件备货的可用性、运输、规划有严谨的管理。通过对部件可靠性的智能预测，可以有效减少资金投入。可靠性预测的数据主要来源于安装在引擎各部位的传感器采集的电子信号，这些信号综合在一起可以有效表达引擎的运行状态。
商业价值
一个多分类的预测模型，可以预测未来一个月内，引擎因为每个部件的原因而导致故障的概率。航空公司可以特别关注那些概率大的部件，从而降低维修开销，提高部件备货效率，减少库存浪费，提高供应链流程规划的质量。
交通和物流业
商业问题和数据来源
典型的车辆维护包括纠正性和预防性维护。纠正性维护是指车辆出现影响驾驶的严重的功能性故障后，将车辆运送到维修车间的维护行为。大部分车辆也会采取预防性维护，比如定期保养，会按照计划表的时间安排，采取预定的维护措施，但是不会检查车辆子系统的当前状态。这两种维护机制都不能够保证规避车辆系统故障。
在这个案例里，可以通过车辆轮动系统里安装的传感器，收集驾驶模式的历史数据和车辆的其它实时状态数据，来预测制动系统的故障。这里面最重要的是传感器收集的加速、制动模式、驾驶距离、速度等数据，结合其它静态信息如车辆特征，可以建立一组预测器来生成预测模型。另外一组必要的信息是历史故障数据，这可以从维修部门的零件购买数据库里生成。
商业价值
预测性方法的商业价值是显而易见的。一个预测性维护系统可以用来更好的规划零件购买计划。预测模型是基于代表车辆当前状态和驾驶记录的传感器数据的，因此可以降低在下一次定期维护前，发生意外故障的风险。
同样，模型也可以减少不必要的预防性维护行为。这个系统也可以主动通知驾驶人员，某些部件需要在未来几周内被更换。同时通知这些部件的供应商，供应商就可以提前为这辆车准备一个个性化的维护方案。
商业问题和数据来源
地铁运营中最常见的延误和问题原因是车门故障。预测一辆车是否会产生车门故障，或者预测距离下一次车门故障还有多少天，是特别重要的任务。这可以优化车门检修的时机，减少列车故障时间。完成这项预测主要由三个数据来源：列车事件历史信息，车辆维护数据（如维护类型、派工类型、优先级代码等），故障记录数据。
商业价值
可以建立两种预测模型，一种是用二分类模型预测第二天车辆故障的概率，另一种是用回归模型预测距离下一次故障的天数。同上面的案例类似，这样的预测系统可以极大的提高地铁服务质量，提高客户的满意度，完善日常车辆维护制度。
浅谈预测性维护在智能工厂的全面生产力维护活动中的运用
浅谈预测性维护在智能工厂
的全面生产力维护活动中的运用
随着中国制造业企业加速进军智能制造，越来越多的企业提出了在智能工厂背景条件下的智能化的全面生产力维护（TPM）活动的需求，特别是实现预测性维护（PM）的需求。STAUFEN公司为了满足企业客户的这种需求，联合其他合作伙伴，探索出了一套行之有效的方法论，可以帮助企业客户实现高效和可靠的预测性维护（PM）。
概念简述
a) 什么是全面生产力维护活动（Total Productive Maintenance，简称TPM）
传统观点认为，“全面生产力维护活动是一个生产管理方法，它包含了一个公司经营的所有方面。它的目的在于创造持续进行整个生产系统效率（OEE）最大化的文化和环境；它采用具有实际操作性的手法在整个生产系统的全寿命周期内实现预防各种损耗的0事故，0不良，0故障体系；它既包括生产，也包括研发，销售，管理等其他部门；它强调组织内所有人的参与，包括高层和基层；通过重叠架构的小集团活动来实现0损耗目标”。1）
传统观点中TPM活动由8大支柱支撑。
而STAUFEN认为，TPM是精益生产哲学的一部分，它的应用可以带来稳定而没有干扰的流程；并且，在团队合作，5S，持续改进等的基础上，TPM活动由3大支柱支撑，其他支柱可以被其他的精益生产工具所涵盖。因此，Staufen的TPM是一个既从全局考虑又专注于生产的方法论（如下图）。
b) 什么是预测性维护活动（Predictive Maintenance，简称PM）
预测性维护活动是计划性维护活动（Planned Maintenance）的一种，它的目的有两个：一是预测失效和质量缺陷，即根据测量设备退化状态，预测功能中断和功能下降的故障；另一个是预测可用剩余时间，即根据测量退化状态，估计设备/单元/装置/部件的剩余使用寿命。
STAUFEN对于导入预测性维护的方法论
我们结合精益生产的理论和客户企业的实践探索，总结出了导入预测性维护的一套系统的方法论。我们认为，实现预测性维护需要企业在TPM活动中实现一定程度的能力提高，满足两个前提条件：一是管理良好的自主维护和重点改善，从而使强制退化已经被排除，仅存在自然退化；二是设备诊断技术很好地被维护技术人员掌握，并被很好使用，从而使散发故障得到减少。在此前提下，企业导入预测性维护能够起到减少故障同时充分利用设备等的剩余使用寿命降低维护费用的作用。
为了导入预测性维护，企业要在下列的3个方面进行强化和构建工作。
a) 导入预测性维护需要强化传统TPM的管理基础
对于需要导入预测性维护的企业来说，传统TPM的管理基础必须得到强化。如果自主维护没有得到贯彻，操作员工不能独立正确完成简单的清洁点检和润滑工作，那么微缺陷将不易得到及时发现纠正，不利于排除强制劣化；如果定期维护（基于时间或者使用次数的维护）没有得到贯彻，则不利于排除散发故障；没有完善的推进TPM活动所需要的培训，教育和组织机构，则不利于提高员工TPM相关技能，也不利于激励组织内所有人的参与。
为了客观评价企业TPM维护的基础，我们构建了维护的四级成熟度模型。通过评估企业所处的成熟度阶段，帮助企业明确下一阶段TPM维护活动的目标。
在明确企业的TPM维护成熟度的基础上，对于希望导入预测性维护的企业，我们构建了导入智能化预测性维护的四大步骤。通过智能化预测性维护的可行性研究；强化TPM管理体系试点实施；智能化预测性维护系统的详细设计；智能化预测性维护系统的实施这四个步骤来帮助企业导入预测性维护。
各个阶段所需要的时间跨度，各阶段的主要任务如下图所示。
b) 导入预测性维护需要构建大数据采集分析的算法体系
预测性维护所需要的大数据采集分析的算法体系，根本在于如何选择进行预防性维护的合适时机。当设备的确接近停机的边缘时，继续不作为，则会产生停机的损失，因此，此时是进行维护的好时机；相反，当设备仍然处于良好状态，此时进行维护（如传统的定期维护所做的那样），会产生不必要的机会成本（维护费用以及定期维护的停机损失等）。此时，不实施维护选择继续监控才是正确的选择。而这一点恰恰是传统的定期维护所不能实现的。
因此，算法核心在于计算维护收益是否大于维护成本。维护成本为各项已知的维护费用和机会成本，维护收益主要由故障发生时的损失和故障发生的概率所决定。
通过人工神经网络的深度学习算法，通过下列的步骤，最终实现对于维护工作的收益和成本的实时计算，从而辅助决策什么时候需要进行维护工作。
c) 导入预测性维护需要构建从数据采集到辅助决策的软硬件系统
当预测性维护所需要的算法体系构建完成后，将根据算法体系所定义的影响因子X，设计出硬件设备来采集对应的特征信号并进行通信，然后集成到企业软件系统中进行分析，报告和辅助决策。从而实现整个系统的目标：保证设备无故障，工作可靠；保证设备发挥最大效益；保证设备有故障时及时诊断、正确维护。
在软硬件体系构建的过程中，可以通过增量主成分分析来删除非关键因素，从而优化传感器设置数量，降低系统投资总额。
预测性维护在智能工厂TPM中的展望
我国在〈中国制造2025〉战略的中明确的战略任务和重点中，包括了“推进制造过程智能化……状态信息实时监测和自适应控制”2），也给基于信息实时监测和自适应控制的预测性维护提供了巨大的发展机遇。现在STAUFEN公司的许多客户已经开始和我们合作开展这方面的探索和运用。相信在不久的将来STAUFEN公司将能够给大家分享在中国制造业企业导入预测性维护的最新案例。
来源：Staufen诗道芬咨询
基于工业云的预测性维护解决方案
预测性维护是装备行业数字化转型的基石
没有订单、生产线闲置以及有订单但生产设备却出现故障，恐怕是工厂最不愿看到的现象了。生产设备一旦发生故障，整条生产线可能就此瘫痪，不仅影响生产进度还影响企业形象。然而对于设备故障问题，我们一般采用故障后维护和预防性维护两种方式。故障后维护即在故障出现后及时来解决，这样的方式处于计划外维护，高额紧急维护成本不说，还可能有重大经济损失，甚至还有生命危险。而对于预防性维护，需要周期性安排人员进行保养维护，一定程度上能有所预防，但是突发故障风险却并不能完全杜绝。
据统计，2016年民用飞机维护费用高达660亿美金，汽车则高达4400亿美金，平均工业设备维护成本已占据命周期成本的50%以上，主要以事后维护和计划性的预防维护为主，可靠性并不高。
那是否有这样一个预测性维护的机制呢？在故障发生前就已完成维护工作，从而大幅降低维护成本和故障率，保障人民的生命和财产安全呢？
在物联网时代，这样的预测性维护机制是能够实现的。 随着IoT、大数据等技术的成熟，预测性维护应运而生，它不仅可以对设备实时监测，进行大数据分析，提前感知设备故障，而且可以远程服务和提前排查故障隐患，使得维护变得更加智能，运营更加可靠，成本也更低。是行业数字化转型的基石。
那么如何实现上面的商业价值的呢？
首先，采用工业互联云平台把各种工业设备状态数据进行采集、分析和存储转发，这个云平台要处理海量的设备联网数据。基于工业互联云平台可以开发预测性维护的重要应用，如资产性能管理管理APM(Assets Performance Management)，现场服务管理FSM(FieldService Management)，APM实现设备的模型分析并给出预测性建议，FSM关注现场人员、库存、流程的协作管理。Ge的Predix就是很好的工业互联网的云平台。
华为梯联网：电梯的预测性维护
随着城市化进程的推进，越来越多的人口将向城市迁移。据世界卫生组织(World HealthOrganization)预测，到2050年，全球十分之七的人口将居住在城市中。大城市离不开高楼大厦，而电梯无疑将在楼宇中扮演更重要的角色。有数据统计显示，截止2015年，全球电梯保有量超过1500万部，其中中国电梯数量超过400万部，未来还将持续增长。在电梯数量不断增长的的同时，电梯的可靠性和安全性更加重要，业内厂商均在这一领域进行探索。
电梯行业的收入主要分两块，其中电梯销售占40%，维保服务占60%。过去几十年来电梯生产厂商普遍以销售电梯为主，在维保市场上的份额仅占12%。近年来，随着电梯销售收入开始放缓，生产厂商希望转变经营方式，从单一“制造”型向“制造+服务”并举型转变。 那么，服务性行业是个劳动密集型行业，电梯生产厂商该如何打造自己的独特竞争力，以比较低的成本提供高质量的维护服务呢。梯联网为电梯生产厂商带来了一个很好的机遇。以某电梯公司为例，他们在生产过程中为每部电梯上安装了700多个传感器，监测电梯各方面的运行指标，并通过一个敏捷网关将数据汇聚后上传到管理平台。通过电梯物联网提供的预防性维护能力，一方面可以提前对电梯健康度进行评估，为现场巡检提供指导,缩短例行维护和故障定位的时间；另一方面，也延长了易损部件的更换周期，例如电梯门导靴就是一种易损件，在传统运维模式下它的使用周期为6个月左右，通过预测性维护，如开关门噪声监测，磨损检测等，可以及时发现润滑油不足或异物遮挡等情况，方便维保人员及时进行针对性维护，使用周期可延长到8～10个月。 这样，通过这两项改变，可以使维护成本降低近40%。 同时，由于做到实时监测及数据分析，还可以精准预测电梯故障，及时排除安全隐患，这是传统维保服务所无法做到的，可以大大提升服务的竞争力。
在此背景下，结合物联网技术，华为创新性提出电梯物联网解决方案（以下简称梯联网），该方案将电梯的运行数据实时采集并回传，后台数据中心利用大数据的分析并与外部系统综合决策，实现远程管理及预测性维护，降低维护成本及电梯故障率，保障乘客安全。
整个方案有五个模块组成，包含电梯终端传感，物联网关、敏捷控制器，IoT平台和电梯运营的应用系统。
这就是华为全新推出的电梯物联网解决方案（简称梯联网），立志于通过5大神器将电梯厂家成百上千万的电梯统一联接和管理起来。
（1）终端传感：主要为采集电梯的运营数据，如开门次数，按钮次数等等；（2）IoT网关：它是连接电梯传感网络和广域网络的桥梁。IoT网关通过RS232, RS485等工业串口连接电梯的传感终端，实现数据汇聚接入，并使用LTE/3G等网络进行回传。另外，华为IoT网关内置虚拟机和容器，可灵活安装电梯行业APP，实现网络边缘分布式计算，数据可进行本地预处理，提高实时性和安全性。
（3）IoT平台和应用系统：IoT平台提供电梯数据管理和大数据分析，并将分析结果开放给上层APP使用，如健康度分析、隐患分析等运维系统。
（4）四重安全保障，支持OS级、芯片级、管道级、平台级来消除安全攻击，为梯联网业务保驾护航。
效果：可降低运维成本50%。自动化的电梯运营管理，降低人工巡检次数，管理效率提升。业务中断时间降低90%。从被动等待到主动上报，从人员现场排除到在线提前分析，故障排除更及时。前瞻性维护提升安全性，降低故障率。智能的电梯平台及网络服务，构建部署智能应用，提前对电梯健康度评估并及时保养，将安全隐患消除于萌芽，延长电梯寿命和保障乘客安全。开放架构，便于电梯厂商提供广告媒体及数据增值业务，为电梯厂商提供了一种新的商业模式创新。
华为联合GE提供工业预测性维护方案
在全球最大的工业展会——汉诺威工业博览会上，华为携手领先的工业互联网软件公司GE数字集团联合发布基于工业云的工业预测性维护解决方案。新方案将融合华为领先物联网方案EC-IoT及GE的工业互联云平台Predix，充分发挥华为数字化转型经验与领先的ICT技术和GE工业领域的深厚积累，实现强强结合。快速实现工业设备到云端应用的端到端的互联，设备状态的实时监测，数据分析与洞察以及维护的智能决策。在数字工业时代，该方案会帮助制造商减少维护成本，预防计划外设备停机，同时驱动产品和服务的创新。
高精度振动监测实现CNC的预测性维护
CNC加工机如果能被赋予智能，内建一套全天候运转的振动监测机制，即可随时诊断机器健康状态，实现预防性检测，从而提升企业利润率。
现今智能手机已从之前的塑料后盖，转变为轻薄的金属机身，尽管利落的外型能够吸引消费者，但手机壳零件供货商的生产制造过程却更为艰难，因为机壳的切削加工需要相当高的精度，哪怕仅是微小偏差，都可能造成工件报废现象，连带造成利润的损失。
为了提升CNC加工良率，手机壳加工厂商往往被迫频繁更换刀具，以确保CNC机台维持正常生产节拍，但此举导致耗材成本上扬，同样影响利润。除此之外，手机壳加工厂商极为重视稼动率，生怕因为CNC切削机骤然失效，引发产能下滑、交期延误等负面连锁反应，损害客户满意度与商誉，因而配置人力实施定期巡检，并委托外包商提供二线维修支持，然而这些方式都属于被动措施，很难在出现异状的第一时间有效处理。
手机机壳是CNC机台应用的其中一个案例。CNC切割被广泛应用在各种加工制造中，各种供货商均面临类似的利润保卫战。
凌华科技量测与自动化产品事业处经理徐常益认为，不论是想要提升加工精度，或是拉高稼动率，斧底抽薪之计便是在切削制程中执行监控，尤其需要进行振动监控，主要是因为，一旦机器由于失衡、共振或不对齐等种种缘故，使振动值上升到合理范围之外，便容易影响机器运行，进而导致故障停机。
CNC加工机如果能被赋予智能，内建一套全天候运转的振动监测机制，即可随时诊断机器健康状态，无需像过去只能等待最终成品产出、事后判断异常原因，而是通过事前的预防性检测，实时探知加工机开始出现不寻常状态，迅速采取对应的处理措施，包括优化调整加工参数（例如变更主轴转速），或更换刀具等等，立即解决小偏差，避免酿成日后大祸害。
不可讳言，CNC加工机的切削振动监控，并非此刻才诞生的新议题，以往就有一些以简单方便为要求的PLC解决方案，标榜只要一接上CNC机台，便能快速产生效用；因此难免有人好奇，既然有PLC协助做切削振动监控，为何还需要采用PC-based监测方案？
正所谓魔鬼藏在细节，有些细微的振动信号、或者高频信号，某种程度都反应了一些事实，可能是连接机构开始出现不平衡，旋转主轴轴承滚珠破裂进而影响传动动力，或紧固件产生松脱现象，都意味着CNC加工机开始“生病”，并且随着机台特性的不同，病征也不尽一致；这些细微且多变的征兆，凭借具有低采样率、支持有限带宽范围、算法固定等特质的PLC解决方案，反而不易采集，如果CNC监控解决方案能捕捉微小变化，帮助用户迅速掌握可能导致精度降低或产能滑落的关键因子，就可以及早应变。
有鉴于此，凌华推出一项名为MCM-100切削振动监控方案，它标榜能在高精度、高采样率的状态下，针对旋转机械与设备，进行24小时不间断的数据采集与振动测量，并将数据采集、振动分析演算、计算、上网等功能多合一，协助CNC加工机的使用者顺利解决传统切削制程所面临的各种挑战，用最轻松无负担的方式赋予CNC加工机智能化。
凭借高精度监测，达到预防维护最佳效果
徐常益解释，一般而言，CNC加工机最想建立的监测情境有3种，一是“Spindle Vibration Detection”，指的是监测主轴在切削时的振动情况，做法是直接测量时域(Time Domain)信号的RMS值，如果逾越临界值，即降低转速或停止运转；二是“Bearing Quality Diagnostic”，指的是诊断轴承健康状况，在CNC不执行切削、仅高速空转的状态下进行；三是“Spindle Collision Detection”，用以探测主轴碰撞情形，当振动波型符合某些预设条件，即分析已产生碰撞，立即紧急停止主轴移动。
上述第一与第二种情境，都与振动信号的精度、带宽范围息息相关，PLC解决方案所能采集的信息很少，难以协助用户建立应变策略；反观MCM-100不仅具备24位高分辨率（一般落在12或16位范围），并可凭借高达128KS/s采样率（一般仅支持20KS/s甚至更低）内捕捉高频信号，为用户提供更多的振动分析素材。
CNC加工机设备商的新商机
另一方面，切削振动监控方案也可以为CNC加工机设备商创造出新的商机。随着CNC加工机设备供货商接触大量振动信息，一旦结合大数据分析，对于信号变化与机台故障之间的关联性，有更为透彻的理解，CNC加工机设备商可善用不断累积的知识资产，催生加值服务，甚至顺势调整商业模式，从卖断设备变成卖机台运转时数，建立长远的稳定收益。
PC-based切削振动监控方案的领导厂商凌华科技表示，振动监控方案已经进入落地阶段，陆续为各家知名CNC工具机厂商所采用，其需求在2017年攀升幅度尤其显著，足见无论CNC加工厂商或CNC工具机厂商对于CNC切削振动监控方案的需求，确实越来越殷切。
本文来自于《控制工程中文版》（CONTROL ENGINEERING China ）2018年6月刊《应用案例》栏目，原标题为：切削振动监控方案让CNC加工机更智能
暴涨的预测性维护市场，盘点五大巨头的应用案例
近日，IoT Analytics发布了一份综合的市场报告，该报告聚焦于2017至2022年期间预测维护市场的机会
何为预测性维护策略？简而言之就是借助算法分析检测故障发生前的机械状态，并预测故障发生的时间。除此之外，还能够确定可延长机械使用寿命的主动性任务类型。
预测性维护作为一个新兴市场，因为维护策略从所谓的事后控制方式转移到通过分析和启用预测性维护来解决问题，无疑向我们展示了一个就发展潜力的市场。在这个市场中，IoT平台商、低成本的安全云存储厂商以及提供动态数据模型的分析供应商扮演着至关重要的角色，发挥着越来越大的作用。
研究表明，物联网的发展和先进的分析推动了整个市场采取预测性维护策略，从而带来25％-30％的效率提升。IoT Analytics发布的这份报告中指出：2016-2022年期间预测性维护的复合年均增长率（CAGR）为39％；另外，到2022年，年度技术支出将达到10.96亿美元。
报告数据基于110家从事预测维护实施的技术公司相关业务的收入所得出，这些公司跨越13个行业和7个技术领域。这110多家企业中不乏一些初创企业，它们大部分是为预测性维护提供软件解决方案的公司。整份报告从以下五个不同的部分切入：
状态监控的硬件
工业自动化硬件
通信连接
存储与平台
数据分析
下图显示的是前20名实现预测性维护的公司，而本文将展示重点展示其中五大预测性维护公司的相关案例。
前20名实现预测性维护的公司（声明：由于每家公司对于预测性维护的定义有所不同，加之在市场营销方面的力度也有差异，因此排名只是相对的，高排名并不意味着该公司拥有良好的预测性维护解决方案，也无法代表公司相关业务的收入。）
IBM
在所有的公司中，IBM之所以能拔得头筹，一方面得益于公司背后庞大的团队在预测性维护方面做出的努力，另一方面则是因为该公司通过媒体进行了大量的宣传报道，从而提高了其在预测性维护市场的知名度。
IBM 的PMQ(Predictive Maintenance andQuality)大数据分析预测解决方案基于对设备性能和使用状况的实时分析，通过监测、分析和记录设备的数据，从而输出主要设备的健康管理数据，减少非计划成本，延长设备寿命，提高产品质量和收益等。
案例一
IBM和电梯公司KONE签约合作，后者在全球拥有几百万台电梯和自动扶梯。这些电梯设备上的传感器无时无刻的不在把电梯的运行数据上传到IBM的云端。
IBM Watson 可以实时分析电梯周围环境的温度、湿度；电梯或扶梯的停靠准确性、运行速度、开门关门是否有时延，停顿后是否有颠簸等等。所有这些数据都能自动传输到IBM Watson平台上进行分析和监测，这些数据体现了KONE分布全球的电梯和自动扶梯的即时运行状况。通过分析这些数据信息，能够预测电梯运行状况是否存在风险，或电梯是否需要维修保养。
实际上，IBM 也是在拿KONE 电梯和自动扶梯业务做小样本测试，如果Watson能通过处理电梯或自动扶梯的监测数据来保障设备的安全运行，那么未来在类似设备的远程监测领域，Watson的用途和商机无限。
案例二
IBM利用 Watson IoT数据分析和优化能力，帮助美国的普惠发动机公司实现预测性维护，从而防止由于发动机故障导致的飞机事故。
之前，普惠发动机公司虽然能够收集关于其发动机运行的大量数据，但缺乏整合和分析数据的能力，不能提前预测发动机潜在的故障隐患。
IBM通过PMQ的预测模型和数据集成模块将发动机的运行工况等数据进行360度的健康和风险主题分析，并将这些分析结果及时反馈给惠普，97%的空中停机预警准确率可以有效规避由于发动机故障导致的飞机事故，保障飞行安全。
SAP
SAP发力预测性维护市场已然有多年历史，并因此成为与“预测性维护”相关的关键词搜索最多的公司。借助SAP 预测性维护及服务，企业可以更深入地洞察海量实时数据，进而采用全新的方式，管理企业资产、提供现场服务。
案例
全球最大的空气压缩系统供应商之一的凯撒空压机，借助SAP 预测性维护及服务解决方案实时监控压缩空气站的情况，并在客户资产出现故障之前主动采取维护措施。
• 预测故障，快速响应维护条件，并积极采取行动；
• 利用实时故障管理，对系统故障进行识别、隔离并恢复；
• 根据最新的详细信息，按绩效派遣技术人员提供服务；
• 优化资产管理，追踪和监控资产位置，并实现远程维护场景；
• 自动订购零部件与耗材，实现收入最大化。
该解决方案更是为凯撒带来了全新的业务模式创新——客户可以按照传感器记录的实际空气压缩量来付费。该举措对凯撒，甚至其客户都是一项共赢的商业模式，拓展了凯撒公司的收入来源。
西门子
作为工业自动化的专家，西门子与SAP和IBM做预测性维护的角度不同——通常是将预测维护应用于工厂设置和工业设备的自动化系统中。因此，在坐拥海量数据的基础上，西门子已经有了建立机器学习算法的前提。例如，为了在NASA阿姆斯特朗飞行中心（冷却系统）实施预测性维护，西门子与美国的Azima DLI合作，Azima DLI致力于提供分析服务。在另一个项目中，西门子于2016年10月在德国铁路公司推出了为期12个月的预测性维护试点。
案例一
西门子正在与IBM携手合作，进一步为客户简化MindSphere的数据分析功能。双方计划将数据分析服务“IBM Watson Analytics”以及更多分析工具融入MindSphere。此举旨在使企业客户能利用可视化功能和仪表盘工具，而应用开发人员和数据分析人员能通过交互界面来利用分析技术。IBM还打算为MindSphere开发应用，比如在预测性维护领域。IBM和西门子希望在高效分析技术以及工业自动化和数字化等领域将各自的技术专长融合在一起，并以此帮助其客户迈向数字化。
案例二
西门子Healthineers在HIMSS17大会上宣布，其已推出一款针对医疗保健提供商、解决方案和服务提供商的数字平台。该平台的目标是促进数字生态系统的发展，将数字生态系统与医疗服务提供商和解决方案提供商相互联系起来，让他们在该平台上交流数据、应用和服务，实现数据提供者和专家之间的快速、简单和无缝的交互，为医疗保健作出贡献。
通过数字生态系统，西门子Healthineers将为客户提供可用于不同评估的汇总数据。例如，用于预测分析的工具可以使用户能够辨别新的相关性和趋势，以帮助改善诊断并指导治疗选择。全球知识交流是医学改善病人护理的重要途径。西门子Healthineers数字生态系统允许专家与世界各地的同行联系和沟通，医疗保健提供者可以从西门子健康医生在几乎所有临床领域的广泛专业知识中受益，其中包括医疗保健市场数据安全方面的经验。该平台计划于2017年秋季上市。
微软
微软Azure正致力于将自己发展成为工业IoT解决方案和预测性维护的首选公共云平台。根据该市场报告，越来越多的预测性维护的应用程序正在从内部部署转移到云端。到2022年，大约有70％的预测性维护设置将被云托管。除了云基础架构，微软Azure目前还有两个“预先配置的解决方案”，旨在帮助任何人轻松上手，例如提供必要的分析引擎-“预测维护”和“远程监控”。
案例一
去年，蒂森克虏伯电梯在汉诺威工业博览会上推出全球首个采用微软Azure物联网（IoT）技术的预测性电梯维保解决方案MAX。借助物联网技术的力量，MAX可以让电梯“告诉”维保人员它真正的需求，包括实时维修需求识别、部件更换以及预测性系统维护，从而使得维修人员能及时采取相应措施，大幅度提升电梯的正常运行时间。
通过MAX，电梯可以通过云平台连接起来，从而对包括运行速度、载重和门系统在内的所有功能进行精确监测。通过‘微软Azure机器学习’服务，MAX致力于改变电梯服务，提高效率并在未来实现停机时间缩短一半。
案例二
在去年的CES上，微软高管谈论了其 “互联汽车”（Connected Car）战略，该战略目的是将车辆连接到诸如 Office 365 和 Azure 之类的微软云服务上。而在今年CES现场，微软旧调重弹，再次强调了“互联汽车”的概念，不过他们给此次升级版的Connected Car 2.0取了个新名字叫Connected Vehicle，但是目标并未改变：将汽车联入微软云服务。随后，微软与雷诺-日产宣布合作，将在新一代汽车中使用微软云服务进行导航、预测性维护和远程车辆监控。Microsoft Connected Vehicle是一个“活跃、机动的平台，以云服务为基础，旨在解决合作伙伴提出的五个优先级核心任务：预测性维护、提高车载产品生产率、高级导航、消费者需求以及辅助自动驾驶”。
GE
GE的预测性维护包含了两个角度：一是建立在硬件状态监控领域之上的 GE Measurements，二是涵盖了预测性维护的软件和分析部分的GE Digital。GE的Predix平台以资产绩效管理（APM）的基础，GE称其是物联网领域第一个“杀手级应用”。此外，GE Digital正在推进数字双胞胎的概念，这是预测维护分析的重要基础。
案例
GE Transportation再制造工厂是通用集团旗下的柴油机回收、维修及再制造工厂，这个工厂是由旧工厂改造而来，主要是利用Predix平台在底层实现车间设备的数据采集和互联，然后将这些数据反馈到Predix平台进行分析，来跟踪设备状态，产线状态和信息，进而提高设备及过程的可控性，降低生产成本和风险，并提升企业的盈利能力。针对每一台内燃机中柴油机的使用工况进行有针对性的再制造，尽可能利用还可以使用的零部件。
特别值得一提的是，GE Transportation工厂已经部署图像采集和分析系统，通过对产线的每个工段进行图像抓取和匹配识别，实时对车间生产进度和状态的跟踪。
GE每天监测和分析来自1000万个传感器的5000万条数据，这些数据涉及资产价值达到万亿美元。Predix工业物联网大数据分析云平台可以帮助客户将海量数据转化为准确的决策，及时、主动地确保资产安全、帮助设备更好地运行、消耗更少的燃料、更高效地部署服务，并且最大限度地减少意外停机时间。
除了GE、西门子等传统工业企业以外，技术巨头亚马逊、思科、Google、IBM以及微软等也对工业物联网虎视眈眈，甚至一些初创企业也蠢蠢欲动。值得注意的是，下一代分析技术的许多技术创新来自于一些初创企业。报告指出，由于各种原因（例如成本，数据隐私和灵活性），许多原始设备制造商更愿意与较小的供应商进行合作。在有关预测性维护项目的大军中，C3 IoT、Uptake和SpaceTimeInsight这三家无疑最受欢迎，资金输入自然名列前茅。
总结
在现实的生产过程，故障的发生率远比我们想像的更加难以控制：产生线突然的停机，排除故障的延时，人为的操作失误，重复的设备维护导致额外成本的增加，维护设备的不及时性等。我们往往都在被动的接受故障发生，并在故障发生后进行着“不能精确计算是否为最合理”的维护。
工厂不仅是设备的集合，更是“活着的管家”，他懂你，他能告诉你目前“家里”各部门的运行状况，他还能根据过去运行数据与当下运行数据的累计进行实时监控与分析，预测未来可能出现的状况，并提前告诉你哪些设备需要维护哪些设备需要更换，这一决策基于客观的数据分析与判断，规避了人为的经验主义；同时，提前预警为你留出了充分的时间对维护做提前的准备，避免突然停机再维护的高额成本，这提高了工厂的制造效率。
更进一步，基于数据的智能工厂无处不在，会出现真正的无人工厂，机械手臂替代劳动力，工厂内所有设备的运行数据都将展现在管理者面前。不仅是了解运营状况与预测未来，还可自动触发工单分派任务与自我维护，甚至还能在不断的纠错的过程中，自我总结与学习，给出更合理的建议与执行方案。
为了适应极富挑战性的工业环境，系统工程领域、生产 IT 领域以及业务系统领域必须实现前所未有的集成以提升生产效率。
这一伟大变革不是在遥远的未来，现在就已经开始了，你，准备好了吗？
来源：IoT Analytics 编译整理：iot101君 物联网智库 整理发布 转载请注明来源和出处
如何利用物联网实现智能制造？
思科预测性维护解决方案！能准确估算设备和零部件的剩余寿命以及进行故障预测，使命是改善和解决用户在制造生产核心环节上业务痛点。
我的使命，我的出道理由
要说出道理由，当然是与我的使命有关！
设备和零部件的故障、损耗是引起生产线停工、甚至导致严重故障的常见问题，制造业传统的做法是预防性维护(PM-Preventive Maintenance)，也就是对设备零部件定期检验和检修。
这种方式虽然在一定程度上可以提前排除故障，但如果维护频率过高或过低，很容易造成过度维护或缺乏维护；而且停工进行检测、维护更是要不得，按分钟计算损耗的制造业，稍有半点差池就会极大影响生产效率、增加生产成本……
所以，业界需！要！我！
提升故障预测的准确度是我的基本技能，让预测性维护变得更通用、可持续、可扩展是我的附加技能，有效提升产能和降低成本、节约能源是我的终极目标。
不同凡响，Pick 我的理由
我融合了思科及其合作伙伴的优秀技术，有如下优点：
效果好：举例来说切割刀具寿命预测，定期运维的准确率低于 50%，而我的准确率高于95%；
见效快：平台中立、接口开放，便于和客户现有系统及未来应用整合，三个月左右就可以完成部署；
保安全：作为全球最大的网络安全供应商，思科完备的安全解决方案可以保证企业核心生产系统安全。
三位一体，我的自信来源
要说我的自信来源，当然离不开基于边缘计算、雾计算、云计算三位一体的系统架构，它让我拥有通用可扩展性：
1、边缘计算——负责收集和传递零部件传感器数据，对接思科数据总线 - Cisco Kinetic EFM；
2、雾计算 ——汇集数据，有效存储数据，实现对数据的分析和预测，用图表结构友好的展现数据；
3、云计算 ——永久存储历史数据，利用云平台训练机器学习和深度学习模型。
为了达到准确预测的目的，我还会通过这些关键技术来实现剩余寿命（RUL-Remained Useful Life）估算和故障预测：
特征工程技术：通过非监督式自我学习算法获取有效片段，提取设备、零部件的相关特征；
数据建模：基于数据建立机器、深度学习相关模型；
实时预测：通过 Cisco 雾计算系统启动在线服务进行剩余寿命估算。
准确又细致，我的工作方式
要想做到精度极高的预测性维护，我需要收集生产线上大量的历史/实时数据，并做出细致地分析、建模，我完成一次预测需要经历以下这些过程：
确保严谨，开工前定义指标
为了确保方案实施的严谨性，通常在预测开始之前，我会针对剩余寿命（RUL）和故障预测（failure prediction）两类典型场景进行可实施性指标和可评测性的指标估算：
剩余寿命估算：利用平均估算得分来评估；
故障预测：这是一个二分类问题，基于二分类问题的误差矩阵，利用准确率和漏检率来评估预测准确性，事实上，我能达到的准确率高于 85%，而漏检率低于 5%。
来源：思科公众号
用于设计并测试状态监测和预测性维护算法的新工具箱
新的 MATLAB 产品 Predictive Maintenance Toolbox，帮助工程师设计并测试状态监测和预测性维护算法。Predictive Maintenance Toolbox 为算法工程师提供了一系列功能和参考范例，用来组织数据、设计状态指标、监测机器运行状况和预估剩余使用寿命 (RUL)，从而避免设备故障。
借助 Predictive Maintenance Toolbox，工程师能分析和标注从存储于本地或云端的文件中导入的传感器数据。他们还能标注从 Simulink 模型生成的仿真故障数据以表征设备故障。利用在频谱分析和时序分析等技术所构建的信号处理和动态建模方法，工程师能够预处理数据并提取可用来监测机器状态的特征。
使用生存分析、相似性分析和基于趋势的模型来预测 RUL，可帮助工程师预估机器发生故障的时间。该工具箱包括发动机、变速箱、电池和其他机器的参考范例，可以复用以开发自定义的预测性维护和状态监测算法。
Predictive Maintenance Toolbox 能帮助训练预测模型来预估剩余使用寿命 (RUL) 并提供与预测相关联的置信区间。
现在，工程师开发和验证必要的算法，通过监测传感器数据，以预测设备何时可能发生故障，或检测任何潜在的异常现象。这些算法可以通过访问存储在本地文件系统、云存储系统（如 Amazon S3 和 Windows Azure Blob 存储）或 Hadoop 分布式文件系统上的历史数据，得以开发。另一个数据源是来自包含故障动态的设备物理模型的仿真数据。工程师可以从此数据中提取和选择最合适的特征，然后借助交互式应用程序，用这些特征训练机器学习模型，以预测或检测设备故障。
“预测性维护是工业物联网的一个重要应用。它对于减少不必要的维护成本和消除计划外停机十分关键。那些通常没有机器学习或信号处理背景的工程师会发现，设计预测性维护的算法特别具有挑战性。” MathWorks 公司技术市场经理 Paul Pilotte 说，“现在，通过使用 Predictive Maintenance Toolbox 学习如何设计和测试这些算法作为起点，这些团队能够快速上手并提高。”
基于预测性维修的工业互联网投资战略
一.工业互联网基本定义
工业互联网是工业系统与高级计算、分析、感应技术以及互联网连接融合的结果。它通过智能机器 间的连接并最终将人机连接，结合软件和大数据分析，重构工业生态、激发生产力，让世界更美好、更快速、更安全、更清洁且更经济。
二.中国工业互联网实现路径
从工业互联网的定义来讲，最终是通过激发生产力，还原到现实工厂中来，其转型升级是为了实现持续盈利。
一般规模制造业，因盈利能力和规模较大，一般会选择路径一，通过自动化、智能化装备提升、设备互联、工厂互联、生态互联，来实现产业生态升级。
而对于绝大多数的中小制造业，因设备本身的自动化、智能化程度较低，且制造业低迷，对于花钱的事，中小制造业被工业互联网拒之门外。
因规模制造企业，一般会建立自有生态系统，建议投资者或创业者，将焦点注重在中小制造业的工业互联网方向。
三.创业团队建立与考察
团队专注于预测性维修工业互联网。
以帮助用户解决制约瓶颈为价值体现，有清晰的价值模型。
团队组成由战略分析学者、互联网人和技术力量组成。
产品体系须和现有的产别区分，有差异化的技术和竞争策略。
创业公司有顾问角色参与，以确保方向的正确性。
创业公司有核心的技术内容，具有难以被超越的特征。
创业公司有良好的愿景，具有生态的视角，有容乃大。
核心团队对产品研发和迭代有自主的决策权。
不宜多轮融资，以稳定的发展作为前提，不宜过快，重点放在核心价值打磨上来。
四.投资策略建议
工业互联网所联接的是工业服务资源，因工业体系的特殊性，需要较长时间的影响，适宜长期培育，但其所产生的价值周期也会非常长，宜细水长流，注意点包括：
投资最好来自于对工业互联网方向关注的资本，不能有赚快钱的激进思维。比如来自于阿里巴巴、百度、腾讯及其他工业服务资本的作为投资主体为佳；
不能过早退出策略，建议的持续周期应在其产生良好收益的五年以上，原因在于其推广较消费互联网缓慢，其效果比较稳定；
观察商业计划时，最佳的投资阶段或许在创意之初，原因是工业互联网需要解决入口问题，等候其成熟模式，也许会错过最佳投资的窗口期，(中心调研和分析认为，工业互联网投资的窗口期应在2-3年之内)。
五.投资与创业选题
系统的自由度决定了管理的复杂程度，未来工业会通过数据智能和装备智能约束其自由度，预测性维修是美国工业互联网的立足点，原因在越自由度受约束的产业中，预测性维修的准确性和实施效率，会直接影响系统的运行可靠，是其核心的关键。中国的工业互联网最后成功的标志，也将是预测性维修应用的普及和所发挥作用对企业转型升级的促进作用中体现。
六.投资与创业方向分析
因大中型企业一般会自建生态，国营企业因转型原因，又很难在短时间内产生本质的需求，故工业创业方向宜选择在数量级较多的中小民营企业为主体。原因：其一是本身技术能力的缺乏、依赖社会化服务地程度较高；其二是因经营环境，急需寻求转型升级的动力；其三是资金短缺，对产出的期望表现远远大于投入。针对市场上存在的创业方向，按照重要性大致分为五类，已提供创业者或投资者作为参照：
1. SaaS级应用＋工业互联网平台生态
之所以是SaaS级应用，是因为大多数中小型制造业经营状况决定的，在低成本引用数字智能的同时，与用户建立起的应用退出机制，有利于促进产品的良好迭代，也同时有利于规模化，形成大数据分析应用的基础，有利于构建工业互联网生态系统，使其社会化工业服务产生更多的价值发挥空间。（最好能与企业社交级应用绑定，如蓝信、钉钉、企业微信等，以便快速兼容用户已有的信息系统，减少其孤岛现象。）
投资要点：考察创业团队是否拥有经得起推敲，完整的数据价值模型，是否能为用户带来价值，这是评价用户体验和评价工业服务的关键。
投资特点：初始投资额度较大，后续价值才能体现更快速。
投资推荐：★★★★★
2. 预测性维修应用方向
预测性维修是企业发挥应用价值的重点，鉴于目前国内的预测性维修应用程度较低，其应用完整度应包括SaaS级应用，识别和评价预测性水平工具，基于数据采集的远程诊断服务，开展有效的预测性维修的培训业务，在线学习系统、诊断分析工具和方法应用等诸多方面。
投资要点：考察团队本身是否在业内具有良好业绩、口碑和技术水准，是否有互联网开放思维，是否具有较好的维修解决方案和服务上匹配。
投资特点：适宜向平台应用方向投资，但其涉及应用深度，不宜尽早考虑退出机制。
投资推荐：★★★★
3. 数字化解决服务方向
数字化深度应用有利于解决用户深层次约束，但对用户本身管理水平和投入资金也会比较高，从工业互联网应用来说意义较为明显。
投资要点：考察团队是否向SaaS化发展或互补，以便于大数据应用分析，同时也需要评价其数据价值体系。
投资特点：适宜向具有一定规模的用户推进，前期投资额度不大，价值明显。
投资推荐：★★★
4. 智能装备、可靠性&维修性研发应用投资方向
装备智能化、装备的可靠性和维修性是支撑未来智能制造的方向，是未来形成能与美国工业互联网匹配的中国工业互联网应用基础。应用包括：先进或关键设备的研发单位，向装备和备件制造业提供在可靠性维修设计、制造和服务提供咨询、评价的机构。
投资要点：考察团队研发能力和知识产权能力。
投资特点：投资规模大，对核心技术和能力要求较高，兑现周期长，但其产生的价值是颠覆性的。
投资推荐：★★★
5. 纯平台或简易化应用的投资方向
因比较容易看到效果，往往容易吸引投资者，一般创业团队具有工业服务和工业品服务的背景和良好积累。
投资要点：考察其是否具有更好的商业规划，简单的消费互联网模式复制，很难支撑其长期发展。
投资特点：考虑退出机制，不宜长期持有。
投资推荐：★
七、结论
工业互联网与消费互联网在投资战略上是明显不同的：一个在于快速形成成熟商业模式，风口稍纵即逝，可以有快速的退出机制。一个在于其支撑工业制造的发展，更偏向战略性投资，见效周期长，但回报也是持续产生的。未来的工业互联网应用成熟度，决定整个国家制造能力水平的提升，对于促进经济转型、中国制造2025和一带一路战略具有强有力地支撑作用。
工业互联网
产业智能官 AI-CPS
加入知识星球“产业智能研究院”，践行先进产业OT（工艺+自动化+机器人+新能源+精益）技术和新一代信息IT技术（云计算+大数据+物联网+区块链+人工智能）深度融合，在场景中构建：状态感知-实时分析-自主决策-精准执行-学习提升的机器智能和认知系统；实现产业转型升级、DT驱动业务、价值创新创造的产业互联生态链。
版权声明：产业智能官（ID：AI-CPS）推荐的文章，除非确实无法确认，我们都会注明作者和来源。涉权烦请联系协商解决。联系、投稿邮箱：erp_vip@hotmail.com
登录查看更多
相关内容
Arxiv
3+阅读 · 2018年11月27日
Arxiv
3+阅读 · 2018年10月9日
Arxiv
7+阅读 · 2018年2月3日
相关VIP内容
相关资讯
相关论文
Arxiv
3+阅读 · 2018年11月27日
Arxiv
3+阅读 · 2018年10月9日
Arxiv
7+阅读 · 2018年2月3日
微信扫码咨询专知VIP会员