作者：Sophia
物聯網智庫 原創
工業設(she)備(bei)的(de)(de)(de)維(wei)修(xiu)(xiu)維(wei)護通常分(fen)為三種(zhong)——事后(hou)維(wei)修(xiu)(xiu)的(de)(de)(de)“修(xiu)(xiu)復性(xing)(xing)維(wei)護”，屬于是(shi)“亡(wang)羊(yang)補牢”；基于時間、設(she)備(bei)性(xing)(xing)能、現場使用(yong)工況等綜合因素(su)對設(she)備(bei)進行定期(qi)維(wei)修(xiu)(xiu)的(de)(de)(de)“預(yu)防性(xing)(xing)維(wei)護”，更多(duo)憑人的(de)(de)(de)經驗(yan)；以及基于安裝在(zai)設(she)備(bei)上的(de)(de)(de)各種(zhong)傳(chuan)感器，實(shi)時監控設(she)備(bei)運行狀態(tai)，更準確的(de)(de)(de)判斷故障何時發生(sheng)的(de)(de)(de)“預(yu)測(ce)性(xing)(xing)維(wei)護”，是(shi)一種(zhong)先知先覺的(de)(de)(de)智慧(hui)。
過去多年間，伴隨著工業互聯網概念(nian)的(de)火熱(re)，預測性維護(hu)曾(ceng)被(bei)寄予厚望，甚至被(bei)不少業內(nei)人士譽為(wei)工(gong)業物聯網IIoT的(de)“殺手(shou)級”應(ying)用(yong)。然(ran)而(er)，最近(jin)兩(liang)三年(nian)來，預測性維護(hu)一詞在媒體端已經(jing)少了許(xu)多聲量，企(qi)業對其的(de)態度似乎也沒有以往那般熱(re)切。
那么，究(jiu)(jiu)竟(jing)是預測性維(wei)護(hu)(hu)已經失去了光環？還是市場(chang)(chang)對其的(de)認知回(hui)歸了理性？抑或是相關企(qi)業在另辟蹊徑悶聲發財？如今的(de)預測性維(wei)護(hu)(hu)市場(chang)(chang)究(jiu)(jiu)竟(jing)發展的(de)如何？
近日，知名物聯網市場調研機構IoT Analytics發布了《2023-2028 年預測性維護和資產性能市場報告》，報告對預測性維護的市場規模、市場特性、未來增長等進行了調研和預判。因此(ci)，本文將基于過去(qu)多年來(lai)IoT Analytics對(dui)該市場的長期(qi)追(zhui)蹤，以及專業人士(shi)的相(xiang)關洞察，就(jiu)報(bao)告中的核(he)心要點進行編譯和(he)解讀。
預測性維護市場增長不如預期
根據最新一版的《2023-2028 年預測性維護和資產性能市場報告》，2022年，預測性維護市場規模達到 55 億美元。過去兩年不確定的經濟狀況和其他制造業優先事項導致2021年至2022年市場增長率為 11%。隨著企業愈發關注效率、安全性和運營績效方面的投資，IoT Analytics預計到2028年，預測性維護市場將以每年17%的速度增長。而那些擁有重資產和高停(ting)機成本的行業正在推動預測性維(wei)護(hu)解(jie)決方案(an)的采用(yong)（例如石油和天(tian)然氣、化學品、采礦和金屬(shu)）。
單看(kan)這(zhe)些(xie)數據可能不夠(gou)直觀，我們可以拿(na)出往(wang)年(nian)(nian)的數據進行對比——在《2019-2024年(nian)(nian)預測(ce)性維護市場報告(gao)》中(zhong)，IoT Analytics公(gong)司估算，2018年(nian)(nian)全球預測(ce)維護市場規模達33億美(mei)元，預計到(dao)(dao)2024年(nian)(nian)，其(qi)復合年(nian)(nian)增長率將超過39%，達到(dao)(dao)235億美(mei)元。
在后續的《預測性維護市場報告2021-2026市場報告》中，IoT Analytics更新了預期，預計2021年的預測性維護市場達到69億美元，而傳感器，大數據、邊緣計算和人工智能等技術(shu)的進步以及物(wu)聯網(wang)基(ji)礎設施成本(ben)的下降會進一(yi)步推(tui)動預測性維護市(shi)場(chang)的快(kuai)速發展，使得市(shi)場(chang)將(jiang)以31％的復合年(nian)增長(chang)率(lv)（CAGR）增長(chang) ，到2026年(nian)，該市(shi)場(chang)或將(jiang)達到282億美元。
從39%到31%，雖然IoT Analytics下調了預期，但30%以上的年復合增長率還是一個激進的數字。然而，到了今年，復合年增長率的預期再度被大幅下調為17%——很顯然，整個預測性維護市場的增長不如預期。
預測性維護的重要性毋庸置疑——在許多行業中，如果不能準確預測大型設備資產的意外停機，可能會造成超過10萬美元的損失。IoT Analytics的研究表明：11 個行業的非計劃停機成本中位數約為每小時125,000 美元。由于石油和天然氣、化工或金屬等行業的設施每年都會發生幾次嚴重的計劃外停機，因此對預測性維護的投資可以通過第一次正確的預測來攤銷。
然而，現實存在的問題是：許多預測性維護解決方案的準確性低于 50%。這給部署相關解決方案的企業帶來了困擾，因為當系統警示他們派人前去維護卻發現資產完全正常運行時，就會削弱對預測性解決方案的整體信任。為此，供(gong)應商一直在(zai)努力提(ti)(ti)高預測的(de)準確(que)性(xing)，提(ti)(ti)供(gong)更(geng)多數(shu)據(ju)源和(he)更(geng)好的(de)分析方法(fa)，包括人(ren)工智能驅(qu)動的(de)分析。有(you)積極(ji)的(de)跡象表明，這(zhe)種提(ti)(ti)高預測準確(que)性(xing)的(de)決定正(zheng)在(zai)幫助最終用戶(hu)。報(bao)告(gao)調研結果顯示，95% 的(de)預測性(xing)維(wei)護采用者獲得了積極(ji)的(de)投資(zi)回報(bao)率(lv)，其中 27% 在(zai)不到一年的(de)時間(jian)里攤(tan)銷了投資(zi)成(cheng)本(ben)。
另一方面，客戶的(de)的(de)要求也越(yue)來越(yue)高——工業(ye)互(hu)聯(lian)網平臺僅僅顯示出故障預測(ce)和報(bao)警信息(xi)并不足夠，最終用戶希望工業(ye)互(hu)聯(lian)網企(qi)業(ye)在合作協議中(zhong)，保證設備的(de)正(zheng)常運(yun)行(xing)，如果發生停產損(sun)失，服(fu)務(wu)者需要承(cheng)擔一定(ding)的(de)賠償責任。這(zhe)就(jiu)意味著工業(ye)互(hu)聯(lian)網企(qi)業(ye)除了利用預測(ce)性維(wei)護，將服(fu)務(wu)環節從“被(bei)動(dong)”變(bian)為“主(zhu)動(dong)”之外，還要快(kuai)速建立提(ti)供更多運(yun)維(wei)與深度服(fu)務(wu)的(de)能(neng)力，才能(neng)真正(zheng)將數據轉變(bian)成價值。
不過總體來(lai)看，過去 12 年(nian)來(lai)，對(dui)預測性維護及相(xiang)關概念(nian)的搜(sou)索(suo)興趣一直在(zai)上升。自(zi) 2017 年(nian)IoT Analytics開始報道該主(zhu)題以來(lai)，該術語的在(zai)線搜(sou)索(suo)量(liang)增長(chang)了近三倍(bei)，并且已(yi)經超出了基于狀態的維護和資產績效管理 (APM) 相(xiang)關的搜(sou)索(suo)量(liang)。
異常檢測類維護呈上升趨勢
報告指出，隨著(zhu)市場的(de)發(fa)展，出現了(le) 3 種值得注意的(de)預測性維護類型(xing)：
間接故障預測
異常檢測
剩余使(shi)用壽命 (RUL)預測(ce)
它們之間的差異很大程度上取決于數據分析的目標、方法以及它們提供的輸出/信息的類型。RUL 是最難實現的，因為資源需求和環境因素使其難以擴展。間接故障預測是最常用的方法，但IoT Analytics的研究表明——異常檢測類別正在增加。
1.間接故障預測
間接(jie)故障預測方法(fa)通常采用基于維護要求(qiu)、操作條(tiao)件和(he)運(yun)行歷史的函數的機(ji)器(qi)健康評分(fen)方法(fa)。這(zhe)種(zhong)方法(fa)通常依賴于全面分(fen)析(xi)來(lai)產生相應分(fen)數，如果(guo)有大量(liang)數據(ju)可(ke)用，也(ye)可(ke)以使用監督式(shi)機(ji)器(qi)學習方法(fa)。
優勢
可擴展性——間接故障預(yu)測可以更容易地擴(kuo)展，因為它們依賴于設備制造商的(de)性能(neng)規范(fan)/技(ji)術指標，而這些規范(fan)或(huo)指標在(zai)同(tong)一(yi)類型的(de)機(ji)器(qi)上或(huo)多或(huo)少(shao)是相同(tong)的(de)。
成本效益——間接故(gu)障(zhang)預(yu)測可以使用現有的(de)傳感器和(he)數據，減(jian)少對(dui)額(e)外(wai)儀(yi)器的(de)需求。
局限性
故障時間窗口準確性——間接故(gu)障預測不(bu)會給出機器發生(sheng)故(gu)障的時(shi)間表。對(dui)于停機成(cheng)本高昂的組(zu)織（例(li)如重型設備行業）來說，這可能是一個(ge)問題(ti)。
依賴于歷史數據——間(jian)接(jie)故障預(yu)測的有效性依賴于準確建模(mo)所需(xu)的大(da)量歷史數(shu)據的可用性。
2.異常檢測
異(yi)常檢(jian)(jian)測(ce)是(shi)查找和(he)識別(bie)數據(ju)中的(de)(de)(de)異(yi)常情(qing)況(kuang)（即偏離通(tong)常模式或(huo)趨勢的(de)(de)(de)數據(ju)點(dian)）的(de)(de)(de)過程。間接(jie)故(gu)障預測(ce)和(he) RUL 方法使用故(gu)障數據(ju)來預測(ce)未來故(gu)障，而異(yi)常檢(jian)(jian)測(ce)則使用“正常”資產(chan)概(gai)況(kuang)來檢(jian)(jian)測(ce)與(yu)規范的(de)(de)(de)偏差。這(zhe)些偏差可能表明潛在的(de)(de)(de)問(wen)題(ti)，例如故(gu)障、錯誤、缺(que)陷，需要在造成嚴重(zhong)損壞或(huo)停機之前檢(jian)(jian)測(ce)和(he)解決。當沒有良好的(de)(de)(de)故(gu)障數據(ju)存儲庫時，這(zhe)種方法會變得更(geng)容(rong)易(yi)，并且(qie)它通(tong)常依賴(lai)于無監督式機器學(xue)習(xi)。
優勢
數據和硬件要求低——異(yi)常檢(jian)測模型無需接受故(gu)障數據訓練(lian)即可識(shi)別問題。此外，由于這些模型需要的(de)數據較少，因(yin)此它們不需要很高的(de)計算能力。
高可擴展性和模型可移植性——異常檢測模型(xing)是(shi)在正常操作數據上進(jin)行訓練的，因此(ci)它們可以輕松應用(yong)于不同的機器，而無需重新(xin)訓練或(huo)適(shi)應。
局限性
故障時間窗口準確性——與(yu)間(jian)接故(gu)障(zhang)預測一樣(yang)，異常檢測模型不會(hui)給出機器發(fa)生(sheng)故(gu)障(zhang)的(de)時間(jian)表(biao)，這對于(yu)停機成本高昂(ang)的(de)組織來(lai)說可能是一個問(wen)題。
可能存在誤報的情況——雖然市場(chang)上的(de)大多(duo)數解決方案可以(yi)區(qu)分(fen)關鍵(jian)異常(chang)和非關鍵(jian)異常(chang)，但無監(jian)督機(ji)器(qi)學習模型的(de)選擇仍然很重要，因為它會影(ying)響這種區(qu)分(fen)的(de)效(xiao)果（例如(ru)，自動編碼器(qi)和生成(cheng)對抗網絡不捕獲正常(chang)操作(zuo)的(de)復雜性(xing)）。
3.剩余使用壽命（RUL）預測
RUL 是(shi)(shi)機器(qi)需要維修或更換之前(qian)的(de)(de)預(yu)期機器(qi)壽(shou)(shou)命(ming)(ming)或剩余(yu)使用時間(jian)。而使用壽(shou)(shou)命(ming)(ming)或使用時間(jian)是(shi)(shi)根據(ju)用于測量系統(tong)壽(shou)(shou)命(ming)(ming)的(de)(de)任何量來定義的(de)(de)（例如，行(xing)駛的(de)(de)距離(li)、執行(xing)的(de)(de)重復(fu)周期或自運(yun)行(xing)開(kai)始以來的(de)(de)時間(jian)）。
這種方(fang)法依賴于(yu)從傳感器數據(ju)中提取的狀(zhuang)態指(zhi)標，也就是說，當系(xi)(xi)統(tong)以(yi)(yi)可預(yu)測(ce)的方(fang)式退化(hua)時(shi)，來(lai)自傳感器的數據(ju)與預(yu)期的退化(hua)值相匹配。狀(zhuang)態指(zhi)示(shi)器可以(yi)(yi)是任(ren)何有助于(yu)區分正常操(cao)作和故障操(cao)作的因素。這些指(zhi)標是從已知條件下獲(huo)取的系(xi)(xi)統(tong)數據(ju)中提取的，用以(yi)(yi)訓練一個模(mo)(mo)型，該模(mo)(mo)型可以(yi)(yi)根(gen)據(ju)未(wei)知條件下獲(huo)取的新(xin)數據(ju)來(lai)診斷或預(yu)測(ce)系(xi)(xi)統(tong)的狀(zhuang)況。
優勢
故障預測時間窗口——RUL 對于維(wei)護(hu)成本非常高且需要提(ti)前(qian)規(gui)劃的行業(ye)(ye)特(te)別有用，例如(ru)重型設備行業(ye)(ye)。
輸出可靠性——由于 RUL 估算(suan)依賴(lai)于高質量和詳(xiang)細的數據(ju)，因此其輸(shu)出的數據(ju)往往更加可靠(kao)。
局限性
資源需求——訓練(lian)大(da)型(xing)模型(xing)需要(yao)強大(da)的計算(suan)硬件，特(te)別是在本地進(jin)行時。
模型可移植性和可擴展性——不同(tong)的環境和使用(yong)模(mo)(mo)(mo)式(shi)(shi)可能會(hui)導致(zhi)同(tong)一(yi)類(lei)型設備不同(tong)的故(gu)障模(mo)(mo)(mo)式(shi)(shi)。這意味著需要針(zhen)對(dui)每個特(te)定情況重新訓練模(mo)(mo)(mo)型，從(cong)而降低其可擴展性(xing)(xing)和通用(yong)性(xing)(xing)。
預測維護軟件工具有6大共同特點
軟件是預(yu)測性(xing)(xing)維護技術(shu)堆(dui)棧(zhan)中最大的(de)(de)部分，到 2022 年將占預(yu)測性(xing)(xing)維護市場的(de)(de) 44%。IoT Analytics的(de)(de)報告(gao)顯(xian)示(shi)，盡管(guan)大多(duo)數成(cheng)功的(de)(de)預(yu)測維護軟件供應商(shang)專注于某個(ge)行業或某類資產，但他們的(de)(de)各種解決方案軟件套件之間(jian)有 6 個(ge)共同特征：
數據采集
分析和模型開發
預訓練模型
狀態可(ke)視化、警報和用戶反饋
第三方集成
規定性操作
特征1：數據采集
預測維護(hu)軟件中的數(shu)據采集工(gong)具負責收集、標準化和存儲(chu)有關資(zi)產健康/狀況參數(shu)的數(shu)據。它們還收集識(shi)別和預測即將(jiang)出現的問(wen)題所(suo)需的其他數(shu)據類型，例如(ru)業務(wu)和流程數(shu)據。
案例：美國預測維護軟件供應商Predictronics提供 PDX DAQ，該應用程序允許用戶在任何給定時(shi)間(jian)段內同步從(cong)多個來源收集的數(shu)據。該解決方(fang)案創建了一個數(shu)據庫，協調(diao)來自不同傳(chuan)感器的所(suo)有時(shi)間(jian)戳，Predictronics 聲稱(cheng)該數(shu)據庫可以提供分析所(suo)需的信息并生成實時(shi)、有影響力的結(jie)果。
Predictronics DAQ 儀表(biao)板使用戶(hu)能夠選擇必要的(de)數據(ju)來創建用于預測分析(xi)的(de)數據(ju)庫（來源(yuan)：Predictronics Corporation）
特征2：分析和模型開發
預測維(wei)護軟件(jian)中的分(fen)析(xi)和模(mo)型開發工具可以分(fen)析(xi)、解釋和傳達數據模(mo)式，包(bao)括分(fen)析(xi)發現（例(li)如，RCA、AD 模(mo)塊）和建(jian)模(mo)（例(li)如，特征工程以及模(mo)型選(xuan)擇和測試(shi)）。
案例：美國預測維護軟件供應商Falkonry （最近被IFS收購）在其(qi) Time Series AI 平臺中提供 Workbench，這是一種基于 ML 的低代碼解決方案，旨在幫助用戶(hu)（特(te)別是運(yun)營(ying)從業(ye)者，包括生產、設備或制(zhi)造工(gong)程師）發現復雜(za)物理系(xi)統中的早(zao)期(qi)預(yu)警或惡化(hua)階段等模式。它還旨在使用戶(hu)能夠分析大量(liang)數據(ju)并構建預(yu)測模型。
Workbench 的質量檢查屏(ping)幕顯示一段時(shi)間內的數(shu)據點，以幫助(zhu)操作員識別模(mo)式(shi)（來源：Falkonry）
特征3：預訓練模型
預訓練模型是指：通(tong)常為(wei)特(te)定(ding)行業的(de)特(te)定(ding)資(zi)產(chan)設計的(de)即(ji)用(yong)型模型。這些(xie)模型包括(kuo)特(te)定(ding)資(zi)產(chan)或故障模式的(de)功能(neng)和參考（例(li)(li)如，熱交換器(qi)的(de)污垢、風扇的(de)磨損(sun)和腐(fu)蝕、或壓縮機的(de)閥門泄漏(lou)）。這些(xie)旨在(zai)幫助最終用(yong)戶查(cha)看模型示例(li)(li)，以便他們可以在(zai)模型的(de)基礎上進行構建或開發自定(ding)義的(de)預測維護算法。
案例：美國資產管理軟件供應商AspenTech（最近被艾默生收購）提供了 Mtell，這是一款應用程序(xu)，其(qi)中包括預先(xian)訓練的行業特定(ding)(ding)資產(chan)模板，可(ke)幫助用戶(hu)選擇常見資產(chan)類別的傳感(gan)器和 AI 功能(neng)，以快速創建(jian)和部署(shu)模型PdM 應用（例如，針對(dui)特定(ding)(ding)壓(ya)縮機、渦輪機和鼓(gu)風機）。
煉油行(xing)業(ye)資產模板示例（來源：AspenTech）
特征4：狀態可視化、警報和用戶反饋
預(yu)測性維護軟件中的狀態可視化、警(jing)報和(he)(he)用(yong)戶反饋工(gong)具(ju)可自(zi)動為不同部門的角色提供資產(chan)相關數(shu)據(ju)/洞察。這(zhe)些洞察通常(chang)包括狀態儀表(biao)板和(he)(he)觸發工(gong)作指令(ling)或糾正措施、維護計劃和(he)(he)優化的自(zi)動警(jing)報。這(zhe)些工(gong)具(ju)還使用(yong)戶能夠提供有關警(jing)報準確(que)性的反饋。
案例：美國分析軟件供應商SAS Institute提供資產(chan)性能分析(xi)，其中包括狀態(tai)儀表板和(he)(he)自動警(jing)報(bao)，旨在(zai)通知運營人員和(he)(he)管理人員即(ji)將(jiang)發生的故障，以便組織有時間在(zai)小(xiao)問(wen)題變成高昂代價(jia)之前識(shi)別和(he)(he)解決問(wen)題。
SAS Asset Performance Analytics 狀態(tai)儀表板顯示有關所選資(zi)產異(yi)常(chang)事件的數據（來(lai)源：SAS Institute）
特征5：第三方集成
第(di)三(san)方集成使用戶能夠將其預(yu)測維護軟件(jian)連接到(dao)其他(ta)軟件(jian)系統(tong)和工作流(liu)程(cheng)管(guan)理工具，例如 ERP、MES、CMMS、APM和 Field Service。
案例：SKF是一家瑞典軸(zhou)承和(he)密(mi)封件制造公司，也提供(gong)狀態(tai)監測和(he)預測性(xing)維護解(jie)決方(fang)案，該解(jie)決方(fang)案可(ke)與現有(you)工廠控制系(xi)統(例(li)如(ru)MES或SCADA)和(he)其他外(wai)部儀表板(例(li)如(ru)ERP)相接(jie)。它還(huan)通(tong)過手持設(she)備上(shang)的警(jing)報以可(ke)視化的方(fang)式(shi)為現場操(cao)作人員提供(gong)見解(jie)。
SKF 提供 API 開發(fa)人(ren)(ren)員門戶，以(yi)協助開發(fa)人(ren)(ren)員進行第三方集成，并顯(xian)示集成示例（來源：SKF）
特征6：規定性操作
規定(ding)性操作(zuo)通常會建議在即(ji)將(jiang)發生故障時(shi)采(cai)取的(de)最佳操作(zuo)。這些操作(zuo)通常根據設計算法(fa)時(shi)設置的(de)標準確定(ding)優(you)先級。軟件規定(ding)的(de)操作(zuo)根據問題(ti)的(de)性質和緊急(ji)程度而有所不(bu)同。他們可(ke)能需要多(duo)個步驟或干預措施。例如(ru)，某些操作(zuo)可(ke)能涉及(ji)自動調整設備(bei)參數或通知(zhi)維(wei)護和操作(zuo)團隊必要的(de)程序，以確保設備(bei)效(xiao)率(lv)。
案例：Marathon 是來自挪威Arundo的(de)預測性維護軟件解(jie)決(jue)方案，它(ta)提(ti)供(gong)(gong)了一項名為Investigations的(de)功能，旨在根據(ju)規定的(de)公司標準提(ti)供(gong)(gong)解(jie)決(jue)設備問(wen)題的(de)工作(zuo)流程和(he)說明。
Marathon 調查界面提供了解決(jue)潛在問題的規(gui)定操作（來源：Arundo）
成功的獨立解決方案供應商專注于某個行業或特定資產
早期(qi)，預測性維(wei)護(hu)(hu)主(zhu)要是初(chu)創公(gong)司為滿(man)足特定客戶需求(qiu)而(er)開發(fa)的獨立解決(jue)(jue)方案(an)(an)。然而(er)，IoT Analytics的報(bao)告(gao)強調(diao)：復(fu)雜的預測性維(wei)護(hu)(hu)解決(jue)(jue)方案(an)(an)集成(cheng)到(dao)大型的APM 和計算機化(hua)維(wei)護(hu)(hu) (CMMS) 解決(jue)(jue)方案(an)(an)中，正在(zai)成(cheng)為顯著(zhu)趨勢。
APM 是一種(zhong)戰略(lve)性(xing)的設(she)備管(guan)理方(fang)法，旨(zhi)(zhi)在幫(bang)助(zhu)優(you)化(hua)單(dan)個(ge)資(zi)產和整個(ge)工(gong)廠或車隊(dui)的性(xing)能和維護效率。APM 旨(zhi)(zhi)在提(ti)高資(zi)產效率、可用性(xing)、可靠性(xing)、可維護性(xing)和整體生命周期價值。
各種APM供應商都(dou)在其APM產品中(zhong)引入預測性維護軟件(jian)工具。這些解決方案旨在將(jiang)不同的功能綁定(ding)到一個線程中(zhong):
了解(jie)機器(qi)何(he)時(shi)會發生故障(zhang)，并繪制故障(zhang)如何(he)影響生產或輸(shu)出
估計解決或預(yu)防問題需(xu)要花(hua)費多(duo)少費用(yong)
對(dui)問題(ti)是否值得(de)修復或預防(fang)提出建議
通過將復雜的預測性維護解決方案納入端到端資產管理流中，APM公司正試圖成為客戶數字化旅程的主要合作伙伴。IoT Analytics在報告中認為，改進APM解決方案的故障預測模塊是當前領先APM供應商的關鍵舉措之一。
示(shi)例：GE Digital的(de)企業(ye)APM解(jie)決(jue)方案(an)包括其預(yu)測性維(wei)護分析軟(ruan)件(jian)SmartSignal(來源:GE Digital)
值得關注的是，IoT Analytics的研究發現，30% 的預測性維護供應商提供獨立的、專注于某個行業或特定資產的解決方案。因為已經在某個領域積累了豐富的知識和經驗，這些供應商可以辨別其解決方案為最終用戶帶來最大利益的設備和行業類型。
案例：以色(se)列數(shu)據(ju)科學公司(si)ShiraTech Knowtion利用其設備(bei)專(zhuan)業知識(shi)提供 Predicto，這是一(yi)個專(zhuan)注(zhu)于工(gong)業維護團隊(dui)的(de)工(gong)業物聯網平臺。該(gai)(gai)平臺能(neng)夠(gou)讀取和處理來(lai)自生產工(gong)廠的(de)傳(chuan)感(gan)(gan)器(qi)數(shu)據(ju)（理想情況下是基于其自己的(de)多傳(chuan)感(gan)(gan)設備(bei)（iCOMOX））。該(gai)(gai)公司(si)開(kai)發了針對電機(ji)、泵(beng)、輸(shu)送機(ji)和管道的(de)特(te)定產品(pin)，這些(xie)針對資產定制的(de)產品(pin)使公司(si)能(neng)夠(gou)擴大(da)規模。
ShiraTech Knowtion 的 Predicto 儀表板監控一些專業資產，例如軸承（來源(yuan)：ShitaTech Knowtion）
寫在最后
基于報(bao)告核心洞(dong)察——在設計(ji)預(yu)測性維護解決(jue)(jue)方(fang)(fang)案的(de)(de)(de)過程中，供應商應該考慮如何(he)(he)調整戰略以進一步(bu)擴(kuo)張市(shi)場，如何(he)(he)提高方(fang)(fang)案的(de)(de)(de)準(zhun)確性，如何(he)(he)更加專(zhuan)注于特(te)定行業或資產(chan)；對于希望部署(shu)解決(jue)(jue)方(fang)(fang)案的(de)(de)(de)用(yong)(yong)戶而(er)言(yan)，需(xu)要考慮解決(jue)(jue)方(fang)(fang)案類(lei)型的(de)(de)(de)適用(yong)(yong)性，與現有(you)系(xi)統的(de)(de)(de)集成，供應商的(de)(de)(de)專(zhuan)業化，方(fang)(fang)案的(de)(de)(de)準(zhun)確度，以及軟件的(de)(de)(de)特(te)性和(he)功能(neng)等要素。
總而言之，預測性維護(hu)市場雖未見暴風式成長，卻也一(yi)步(bu)一(yi)腳印地向前邁進。
