预测性维护一度被作为IIoT的 “杀手级应用”被关注。现在看来，它的发展成熟还需要一段时间。但事实上，这个进展是方向确定而稳定的，并已有了一些成功的行业市场的标杆案例。
作者：Martin Keenan，安富利Abacus技术总监
原文：Is predictive maintenance the ‘killer app’ of Industrial IoT? 由数字基座提供中文翻译。
2016年，预测性维护被誉为IIoT的关键应用之一。即使在2018年，Gartner等分析师也对未来的成功做出了强有力的预测。Gartner预测，到2022年，支持物联网的预测性维护的支出将从2018年的34亿美元增加到129亿美元，通过预测性资产维护提高的运营效率将带来高达40%的大幅节省。
然而，这个市场还没有完全爆发。事实上，贝恩对600多名高科技高管的最新调查发现，2018年工业客户对预测性维护的看好程度，甚至不如2016年。根据该分析公司的说法，如何有效地从IIoT数据中获得洞察力方面是存在挑战的。但首先，实施IIOT应用系统，采集获取数据都是困难的。
根据贝恩的说法，另一个关键障碍可以总结为。”设备制造商和其他工业运营机构，需要大幅提高他们的软件能力——这不是他们传统优势。” 尽管如此，该分析公司仍预测IIoT将快速增长，到2021年市场规模将翻倍，超过2000亿美元。
预防性与预测性维护
采用预测性维护（Predictive Maintenance）的最大挑战之一是许多行业部门仍在努力实施预防性维护（Preventive Maintenance）体系。预防性维护系统可以说是预测性维护的先驱。广义的预防性维护系统有不同的形式，从简单的设备或工厂装置的 “红绿灯”健康系统（安灯系统），到更复杂的传感器连网并将数据反馈到中央仪表板（基于状态的维护）。然而，它通常依靠制造商提供的寿命周期预测、人工作业检查或直接的传感器数据来发现潜在的问题，而不是使用复杂的算法来预测维护计划。
这意味着预防性维护的好处已众所周知，进行应用也是根生蒂固的。这让许多工业企业都在等待机器学习和人工智能市场进一步成熟，等后期再应用，以缓解实施痛苦，降低成本。
食品制造商的应用
当前还是有不少可切入的机会的，比如在食品行业。其中一个例子是三菱电机的智能状态监测（Smart Condition Monitoring）系统，该系统巧妙的介于传统预防性维护与预测性IIoT之间。该系统监测单个资产的状况，同时分层次的提供出工厂整体健康的全景。本地传统维修系统的功能依然存在，仍然提供可视化的 “健康检查 “指标。但实时数据通过以太网传输到PLC，传入云端分析。教导功能可以 “学习 “机器的正常工作状态，然后在云端仪表板上查看轴承缺陷检测、不平衡、不对中、温度测量、缺少润滑油、气蚀检测、相位故障识别和共振频率检测等重要信息。
轨道行业的应用需求
当然，也有明显的迹象表明，预测性维护在许多行业非常重要，例如轨道运输业（地铁/高铁）。其中一个例子是轨旁维护，这是铁路公司的一大运营成本，也需要合格的人员在潜在的危险条件下24小时不间断地操作。然而，通过部署IIoT传感器和分析技术，轨道交通运营商可以从过去充满浪费的周期性检查（完全可以使用的设备无论状态如何都要检查和重新检查）转向预防性、基于条件的预测性维护。
例如，诺基亚创建了一个铁路资产生命周期优化应用，它将这三个要素整合在一起：不仅根据学习到的运行参数为每项资产建立维护计划模型，并结合天气状况等外部数据，还围绕组件故障的后果建立了关键的风险相关数据。
跟踪新能源
原本为采矿业设计的预测性维护技术在可再生新能源行业找到了应用，这是一个有趣的转折。澳大利亚的一家初创公司Ping Services开发了一种声学传感器，旨在用于采矿和钻井应用，能够监测钻头在其生命周期内的声学特征，然后利用机器学习提前预测故障发展。虽然减少天文数字般昂贵的钻井停工显然是一个相当有趣的领域，但该公司还与澳大利亚和美国的风电场一起开始了试点项目，用相似的思路来监测风机。
他们提供了一套系统，由太阳能供电、与卫星连接的传感器主动监听涡轮叶片的声学信号，以检测雷击或冰雹造成的点蚀或裂缝的发展。当这些问题开始出现时，可以远程监控，并有针对性地进行维护，而不需要训练有素的团队巡视风电场并进行常规测试。
预测性时代的来临
总的来说，虽然预测性维护可能需要一些时间才能成熟，但有迹象表明市场逐渐开始开放，特别是在部分细分行业中。针对更广泛的行业领域的更通用的 “即插即用 “系统也开始出现，这表明研发投资开始转化为真实需求。从这些商业案例看来，测试性时代正逐渐来临。
