许多制造企业热衷于实施预测性维护，但很快发现这一过程充满挑战，包括数据障碍、变更管理问题和商业模式的挑战，这些问题都严重影响了他们的初衷。尽管利用人工智能预测企业资产和机器的状况具有吸引力，但实际的实施和盈利过程可能令人失望。
预测性维护面临的挑战主要有两个方面：
首先是数据基础设施的问题。很多公司在收集准确的故障数据方面遇到困难，这些数据对于开发高级算法和训练预测模型至关重要。通常这些数据是手动记录的，可能不完整、不准确，甚至根本不存在。缺乏这些数据使得训练模型预测机器故障变得非常困难。此外，许多组织在解读复杂的机器数据方面也存在困难，难以有效利用这些数据进行预测性维护。再加上传感器数据的质量问题，如数据不完整、不一致且未标准化，功能失常的传感器还会进一步混淆数据情况，降低数据的整体可靠性，使得制造商难以从中获取有意义的见解。
其次，许多组织未能有效地将预测性维护实用化，无法在车间、道路、现场实施，错过了提高员工或客户生产力的机会。他们在解决方案的早期设计阶段未能让用户充分参与，实施后对变更管理的关注不足。即使是成功实施预测性维护的公司，也常常难以在内部实现成本降低，通过向客户收取订阅服务获利。
许多企业在解释复杂机器数据方面存在困难，进而无法将其有效地用于预测性维护工作
实施预测性维护的五项策略
为了帮助公司克服这些挑战，BCG与全球多家制造公司合作，通过五个策略，帮助客户克服数据障碍，规划成功实施预测性维护的道路。
利用专家知识填补数据缺口
我们的第一项策略是充分利用行业内的丰富人类专业知识。在与一家主要的食品加工机械制造商合作的项目中，我们面临的挑战是数据非常有限。为了解决这一点，我们与研发专家、控制工程师和服务技术人员等拥有丰富实践经验的专家合作。这些专家如果掌握了正确的数据，就能够诊断和预测机器问题。
通过紧密合作，我们识别了关键数据点，并开发了模式匹配算法来检测异常。我们根据这些专家的反馈不断地审查和优化这些算法。这种由经验丰富的专业人士提供的洞见，帮助我们弥补了数据的不足，并创建了能够全天候监控机器、预测故障并向维护团队提供建议和纠正措施的机器学习模型。
使用合成数据克服数据稀缺性
我们的第二项策略是利用生成对抗网络（GAN）来解决数据稀缺的问题。这些先进的工具通过数据增强技术生成模拟现有数据属性的合成数据，从而显著扩大了用于模型训练的数据集。
这种生成式数据增强技术使公司能够在数据较少的情况下也能开发模型。我们为一家大型加工食品制造商开发了一个基于计算机视觉的分级应用，使用GAN生成了记录稀少的罕见缺陷的合成图像。这些合成数据使我们能够有效地训练算法，准确识别罕见缺陷。通过增加数据集的多样性，这种人工智能驱动的增强方式提高了我们的预测性维护模型的准确性和可靠性。
众包算法快速迭代
我们的第三项策略侧重于利用集体智慧和简单性的力量。在为一家主要建筑设备制造商实施预测性维护时，我们选择从众包许多简单算法开始，而不是一开始就构建一个复杂的模型。这种方法不仅成本效益高，还允许我们快速试验并安全地失败。
通过众包，我们启动了多个模型，每个模型采用不同的逻辑，并通过相互投票来提供保障，帮助我们确定最有效的算法。此外，我们还与运营人员密切合作，将他们的经验和见解纳入算法的改进中，确保我们的模型不仅仅是理论上的假设，而是真正根植于车间的实际情况。
利用生成式人工智能提升运营和员工生产力
在与一家历史悠久的设备制造厂商合作时，我们发现利用生成式人工智能能显著提升预测性维护的效果。我们的目标是结合预测性维护算法和我们开发的“生成式AI维护助理”，这是一个创新性的概念验证工具。
当维护助理在接收到预测性维护模型的维护警报时，它能迅速生成一个定制化的维修计划，详细说明针对厂商特定机械的问题。这种方法不仅快速确定问题和解决方案，还包括确定所需部件、检查部件可用性及估算成本，并将这些关键信息传达给技术人员。此外，维护助理还会准备即将进行的维护所需的文档，目标是将维修任务与计划的停机时间同步，将原本可能需要数天的流程缩短至几分钟。
这种预测性维护与生成式人工智能的结合不仅增强了厂商的运营效率，还彻底改变了他们的运营方式。这种简化流程显著提高了员工生产力，使维护人员能够专注于执行精心计划的维修策略，而不是浪费时间在问题识别上。
应用推广管理和智能获利策略
成功实施预测性维护计划后，内部获利往往更为容易，因为维修成本的降低、返工的减少和停机时间的最小化都会体现为收益，如产能、产量的增加。然而，这需要一个能够融入用户现有业务流程的解决方案。
让最终用户参与解决方案的前期设计通常能带来最佳效果。部署后，一个周密且实际的推广管理计划至关重要，其中包括设立“超级用户”来确保解决方案的采用和集成到日常活动中。
对于成功的预测性维护计划，许多公司会发现内部获利更容易实现
对于外部获利，尤其是对设备厂商来说，通过提高预付款价格或增加订阅计划将成本转嫁给客户通常较为困难。为此，设备厂商可以考虑提供生命周期服务套餐，以固定价格为客户提供售后支持，将可变的售后成本和停机时间风险转化为稳定的、预先确定的支付，并提供更好的运行时间和更低的风险。例如，我们在与一家领先的设备制造商合作时，通过开发和扩展数字售后业务模型成功地应用了这一策略。我们创建了不同的服务套餐，以满足客户的需求，降低购买时的成本，并通过空中更新软件和分析模型，使支出与收益时间同步。
这种巧妙的获利方式不仅为设备厂商提供了稳定的收入来源，还为其客户带来了巨大的好处，实现了真正的双赢。
展望未来
通过采用这些策略，我们帮助制造公司克服了数据稀缺性和质量问题，实施了成功的预测性维护计划，并实现了商业化和盈利。制造业的客户通过预测性维护减少了20%到40%的非计划停机时间，并将总体拥有成本降低了10%。
