作者：Sophia
物聯網智庫 原創
工(gong)(gong)業設備(bei)的(de)維(wei)(wei)(wei)修維(wei)(wei)(wei)護通常(chang)分為三(san)種——事后維(wei)(wei)(wei)修的(de)“修復性(xing)(xing)維(wei)(wei)(wei)護”，屬于(yu)是(shi)(shi)“亡(wang)羊補牢(lao)”；基于(yu)時(shi)間、設備(bei)性(xing)(xing)能、現場(chang)使用(yong)工(gong)(gong)況等綜合因素對設備(bei)進行定期維(wei)(wei)(wei)修的(de)“預防性(xing)(xing)維(wei)(wei)(wei)護”，更(geng)多憑(ping)人的(de)經驗；以及基于(yu)安裝在設備(bei)上的(de)各(ge)種傳感(gan)器，實時(shi)監控設備(bei)運(yun)行狀態(tai)，更(geng)準確的(de)判(pan)斷故障何(he)時(shi)發生的(de)“預測性(xing)(xing)維(wei)(wei)(wei)護”，是(shi)(shi)一種先知先覺(jue)的(de)智慧(hui)。
過去多年間，伴隨著工業互聯網概(gai)念的(de)火熱，預測性維護(hu)曾被寄予厚望(wang)，甚至被不少業(ye)內人士譽為工業(ye)物聯網(wang)IIoT的(de)“殺手級”應用。然而，最近兩三年來(lai)，預測性維護(hu)一詞在媒體端已(yi)經少了許(xu)多聲量(liang)，企業(ye)對其的(de)態度似乎(hu)也沒(mei)有以往(wang)那般(ban)熱切。
那么，究竟(jing)是預測(ce)性維(wei)護(hu)(hu)已經失去(qu)了光(guang)環？還是市場對(dui)其的認知回(hui)歸了理(li)性？抑或是相關企業(ye)在另辟蹊(xi)徑悶(men)聲發(fa)財？如今(jin)的預測(ce)性維(wei)護(hu)(hu)市場究竟(jing)發(fa)展的如何？
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，本文將基于過去多年(nian)來IoT Analytics對該市場的長期追(zhui)蹤，以(yi)及(ji)專(zhuan)業(ye)人士的相關洞(dong)察(cha)，就報告(gao)中的核心要點進(jin)行(xing)編譯和解讀。
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(nei)些擁有重資產(chan)和(he)(he)高(gao)停機成本的行業正在推動預測(ce)性維(wei)護解決方案的采用(yong)（例如(ru)石油和(he)(he)天然氣、化學品、采礦(kuang)和(he)(he)金屬(shu)）。
單(dan)看這些數(shu)據可(ke)能不夠直觀，我們可(ke)以(yi)拿(na)出往年的數(shu)據進行對比——在《2019-2024年預測性維護(hu)市場(chang)(chang)報告》中，IoT Analytics公司估算，2018年全球預測維護(hu)市場(chang)(chang)規模達33億(yi)美元，預計到2024年，其(qi)復合(he)年增長率將超過39%，達到235億(yi)美元。
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的(de)(de)進步(bu)以(yi)及物聯網基礎設施成本的(de)(de)下降會進一步(bu)推動預測(ce)性維護市場(chang)的(de)(de)快速發展，使(shi)得市場(chang)將以(yi)31％的(de)(de)復合年增長率（CAGR）增長 ，到2026年，該市場(chang)或將達到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(wei)此，供應商一(yi)直在努力提(ti)高預測的準(zhun)確(que)性，提(ti)供更(geng)多數據(ju)源和更(geng)好的分(fen)析(xi)方法，包(bao)括人(ren)工智(zhi)能驅動的分(fen)析(xi)。有積(ji)極(ji)的跡象表明，這種(zhong)提(ti)高預測準(zhun)確(que)性的決定(ding)正在幫助最終用戶(hu)。報(bao)告調研結(jie)果顯示，95% 的預測性維(wei)護采用者獲得了積(ji)極(ji)的投(tou)資回(hui)報(bao)率，其中 27% 在不到一(yi)年的時間里攤銷了投(tou)資成本。
另一方面(mian)，客戶的的要求也(ye)越來越高——工(gong)業互聯網(wang)(wang)平(ping)臺僅僅顯示出故障預測和報警(jing)信(xin)息并不足夠(gou)，最終(zhong)用(yong)戶希望工(gong)業互聯網(wang)(wang)企(qi)(qi)業在合作協(xie)議中(zhong)，保證設備的正常運行，如果發(fa)生停(ting)產損失(shi)，服務(wu)者需(xu)要承擔一定的賠償責任。這就意味著工(gong)業互聯網(wang)(wang)企(qi)(qi)業除了利用(yong)預測性維(wei)(wei)護(hu)，將服務(wu)環節(jie)從“被(bei)動”變(bian)(bian)為“主動”之外，還要快(kuai)速建立(li)提供更(geng)多(duo)運維(wei)(wei)與深(shen)度(du)服務(wu)的能力，才能真正將數據轉(zhuan)變(bian)(bian)成(cheng)價(jia)值。
不過總體來(lai)(lai)看，過去(qu) 12 年來(lai)(lai)，對預測性維護及(ji)相(xiang)關概念的搜(sou)索(suo)(suo)興趣一直在上升。自 2017 年IoT Analytics開(kai)始報(bao)道該主題(ti)以來(lai)(lai)，該術語的在線(xian)搜(sou)索(suo)(suo)量增長了(le)近三倍，并(bing)且已經超(chao)出了(le)基于狀態的維護和(he)資產績效管(guan)理 (APM) 相(xiang)關的搜(sou)索(suo)(suo)量。
異常檢測類維護呈上升趨勢
報(bao)告指出，隨著市場的(de)發展，出現了 3 種(zhong)值得(de)注意的(de)預測性維護類型：
間接故障預測
異常檢測
剩余使(shi)用壽命 (RUL)預測
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(zhang)預測方(fang)法通(tong)常(chang)(chang)采用(yong)基(ji)于維護要求(qiu)、操作條(tiao)件和運行歷史(shi)的函數(shu)(shu)的機(ji)器健康(kang)評分方(fang)法。這種方(fang)法通(tong)常(chang)(chang)依賴(lai)于全面分析來(lai)產生(sheng)相應分數(shu)(shu)，如果有大量(liang)數(shu)(shu)據可用(yong)，也(ye)可以(yi)使用(yong)監督(du)式機(ji)器學習方(fang)法。
優勢
可擴展性——間接故障預測(ce)可以更容易(yi)地擴展，因為它(ta)們依賴(lai)于設備制造商(shang)的(de)(de)性(xing)能規(gui)范/技術(shu)指(zhi)標(biao)，而這些(xie)規(gui)范或(huo)指(zhi)標(biao)在同一類型的(de)(de)機器上或(huo)多(duo)或(huo)少(shao)是相同的(de)(de)。
成本效益——間接故障(zhang)預(yu)測可以使(shi)用現有的(de)(de)傳感器和數據，減少對(dui)額外儀器的(de)(de)需求(qiu)。
局限性
故障時間窗口準確性——間接故障預測(ce)不會給出機(ji)器發生故障的(de)時間表(biao)。對(dui)于(yu)停機(ji)成本高昂的(de)組織（例如重型設備行業(ye)）來說，這可能是一個問題(ti)。
依賴于歷史數據——間接(jie)故障預測的(de)有效性(xing)依賴于(yu)準(zhun)確(que)建模所需的(de)大(da)量歷史(shi)數據的(de)可用性(xing)。
2.異常檢測
異常(chang)(chang)檢測是查找和(he)識別(bie)數(shu)(shu)據中的(de)(de)異常(chang)(chang)情況(kuang)（即偏離通常(chang)(chang)模(mo)式(shi)或趨勢的(de)(de)數(shu)(shu)據點）的(de)(de)過程。間接故(gu)障(zhang)預測和(he) RUL 方(fang)法使(shi)用(yong)(yong)故(gu)障(zhang)數(shu)(shu)據來(lai)預測未來(lai)故(gu)障(zhang)，而異常(chang)(chang)檢測則(ze)使(shi)用(yong)(yong)“正(zheng)常(chang)(chang)”資產概況(kuang)來(lai)檢測與規范的(de)(de)偏差。這(zhe)些偏差可能表明潛在的(de)(de)問題，例如故(gu)障(zhang)、錯誤、缺(que)陷，需(xu)要在造(zao)成(cheng)嚴重(zhong)損壞或停機之(zhi)前檢測和(he)解(jie)決。當沒有良好(hao)的(de)(de)故(gu)障(zhang)數(shu)(shu)據存儲庫時，這(zhe)種(zhong)方(fang)法會變得(de)更(geng)容易，并且它(ta)通常(chang)(chang)依賴于(yu)無(wu)監督式(shi)機器學習。
優勢
數據和硬件要求低——異常檢測模(mo)型(xing)(xing)無需(xu)接(jie)受故(gu)障數(shu)據訓練即可識別問題。此外(wai)，由于(yu)這些模(mo)型(xing)(xing)需(xu)要的數(shu)據較少，因此它們不需(xu)要很高的計算能力(li)。
高可擴展性和模型可移植性——異常檢測(ce)模型是在正常操作數(shu)據上進行訓練的(de)，因(yin)此(ci)它們可以輕松應用于(yu)不同的(de)機器(qi)，而無需重新訓練或適應。
局限性
故障時間窗口準確性——與間接故障(zhang)預(yu)測(ce)一樣(yang)，異常檢測(ce)模型(xing)不會給出(chu)機(ji)器(qi)發生(sheng)故障(zhang)的時間表，這對于(yu)停機(ji)成本(ben)高昂的組織來(lai)說可能是一個問(wen)題。
可能存在誤報的情況——雖然市場上(shang)的大(da)多(duo)數解決(jue)方案(an)可(ke)以(yi)區分(fen)關鍵(jian)異(yi)常(chang)(chang)和非關鍵(jian)異(yi)常(chang)(chang)，但無監督機器學習模(mo)型的選(xuan)擇仍然很重(zhong)要(yao)，因為它會影(ying)響這種區分(fen)的效果（例如，自(zi)動編碼器和生(sheng)成對抗(kang)網絡不捕獲正(zheng)常(chang)(chang)操作的復雜性(xing)）。
3.剩余使用壽命（RUL）預測
RUL 是機(ji)器需要(yao)維(wei)修(xiu)或更換之(zhi)前(qian)的預期機(ji)器壽(shou)命(ming)或剩余使用(yong)時(shi)(shi)(shi)間(jian)。而使用(yong)壽(shou)命(ming)或使用(yong)時(shi)(shi)(shi)間(jian)是根據用(yong)于測量系統壽(shou)命(ming)的任何量來(lai)定(ding)義的（例如，行(xing)駛的距離、執行(xing)的重復周(zhou)期或自運行(xing)開始以來(lai)的時(shi)(shi)(shi)間(jian)）。
這種方法依(yi)賴于(yu)從(cong)傳感器(qi)數(shu)據(ju)中(zhong)提(ti)取的(de)(de)狀態指標，也就是(shi)說，當系(xi)統(tong)以(yi)可預(yu)測(ce)的(de)(de)方式退化(hua)時，來(lai)自傳感器(qi)的(de)(de)數(shu)據(ju)與預(yu)期的(de)(de)退化(hua)值相匹(pi)配。狀態指示器(qi)可以(yi)是(shi)任何有助于(yu)區分正常操(cao)(cao)作和故障操(cao)(cao)作的(de)(de)因(yin)素。這些指標是(shi)從(cong)已知條(tiao)件(jian)下(xia)獲取的(de)(de)系(xi)統(tong)數(shu)據(ju)中(zhong)提(ti)取的(de)(de)，用以(yi)訓練一個模(mo)型，該模(mo)型可以(yi)根(gen)據(ju)未知條(tiao)件(jian)下(xia)獲取的(de)(de)新數(shu)據(ju)來(lai)診斷或預(yu)測(ce)系(xi)統(tong)的(de)(de)狀況。
優勢
故障預測時間窗口——RUL 對于維(wei)護成本非常高且需要(yao)提前規劃的行(xing)業特別有用，例(li)如重型設備行(xing)業。
輸出可靠性——由于(yu) RUL 估算依賴于(yu)高(gao)質量和詳細的(de)數(shu)據，因(yin)此其輸出(chu)的(de)數(shu)據往往更加可靠。
局限性
資源需求——訓(xun)練大型模型需(xu)要強大的計算(suan)硬件，特別是在本地進行時。
模型可移植性和可擴展性——不同(tong)的(de)環(huan)境和使用模式(shi)可能會導致同(tong)一類(lei)型設備不同(tong)的(de)故障(zhang)模式(shi)。這意味著需要針對(dui)每個(ge)特定情況重新(xin)訓練模型，從而降低其(qi)可擴(kuo)展性和通用性。
預測維護軟件工具有6大共同特點
軟件(jian)是預測(ce)(ce)性(xing)維(wei)護技(ji)術堆棧(zhan)中最大的部分，到 2022 年將占預測(ce)(ce)性(xing)維(wei)護市場的 44%。IoT Analytics的報(bao)告顯示，盡管大多數成功的預測(ce)(ce)維(wei)護軟件(jian)供應商專注于(yu)某個(ge)行業或某類資產，但(dan)他(ta)們的各種(zhong)解決(jue)方案軟件(jian)套件(jian)之間有(you) 6 個(ge)共同特征：
數據采集
分析和模型開發
預訓練模型
狀態可視化(hua)、警報和用戶反(fan)饋
第三方集成
規定性操作
特征1：數據采集
預測維(wei)護軟件中(zhong)的(de)數(shu)(shu)(shu)(shu)據采集(ji)工具負責(ze)收集(ji)、標(biao)準化(hua)和(he)存儲有關資產健康/狀況參數(shu)(shu)(shu)(shu)的(de)數(shu)(shu)(shu)(shu)據。它們(men)還收集(ji)識別和(he)預測即將(jiang)出現的(de)問(wen)題所需的(de)其他數(shu)(shu)(shu)(shu)據類型(xing)，例如業務和(he)流程(cheng)數(shu)(shu)(shu)(shu)據。
案例：美國預測維護軟件供應商Predictronics提(ti)供(gong) PDX DAQ，該應用程序允許用戶在任何給定(ding)時(shi)間(jian)(jian)段內同步(bu)從(cong)多(duo)個(ge)來(lai)源(yuan)收集的(de)數據(ju)。該解決方案創建了一個(ge)數據(ju)庫(ku)，協調來(lai)自不同傳(chuan)感器(qi)的(de)所有(you)時(shi)間(jian)(jian)戳，Predictronics 聲稱該數據(ju)庫(ku)可以提(ti)供(gong)分析(xi)所需(xu)的(de)信息并生成實時(shi)、有(you)影響力的(de)結果。
Predictronics DAQ 儀表板使用戶能夠選(xuan)擇必要的(de)數據來創建用于預測分析的(de)數據庫（來源(yuan)：Predictronics Corporation）
特征2：分析和模型開發
預(yu)測維護(hu)軟件中的分析和模型開(kai)發工具可以分析、解釋和傳達(da)數(shu)據模式，包括分析發現（例如，RCA、AD 模塊(kuai)）和建模（例如，特征工程以及模型選擇和測試）。
案例：美國預測維護軟件供應商Falkonry （最近被IFS收購）在(zai)其 Time Series AI 平臺中提供(gong) Workbench，這是(shi)一種(zhong)基于 ML 的低代(dai)碼解(jie)決方案，旨在(zai)幫助用戶（特(te)別是(shi)運營從業者，包括生產(chan)、設備或制(zhi)造工程師）發現復(fu)雜物理系統中的早期預警或惡(e)化階段(duan)等模(mo)式。它(ta)還旨在(zai)使用戶能夠分析大量數據并構建預測模(mo)型(xing)。
Workbench 的(de)質量檢查屏幕顯(xian)示一(yi)段(duan)時間內(nei)的(de)數據點，以幫助操(cao)作(zuo)員(yuan)識(shi)別模式(shi)（來源(yuan)：Falkonry）
特征3：預訓練模型
預訓練模型(xing)是指：通常為特(te)定行業(ye)的(de)(de)特(te)定資產設計的(de)(de)即用型(xing)模型(xing)。這些(xie)模型(xing)包括特(te)定資產或故障模式(shi)的(de)(de)功能(neng)和參考（例如，熱交換器(qi)的(de)(de)污垢、風扇(shan)的(de)(de)磨損和腐蝕、或壓縮機的(de)(de)閥門(men)泄漏）。這些(xie)旨(zhi)在(zai)幫助最終用戶查看模型(xing)示(shi)例，以便他們(men)可(ke)以在(zai)模型(xing)的(de)(de)基礎上進行構建(jian)或開發自定義(yi)的(de)(de)預測維(wei)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(gong)了 Mtell，這是一款應用(yong)(yong)程序，其(qi)中包(bao)括(kuo)預先訓(xun)練的行業特(te)定資(zi)產(chan)模(mo)板，可幫助用(yong)(yong)戶選擇常見資(zi)產(chan)類(lei)別的傳感器(qi)和 AI 功能，以(yi)快速創(chuang)建(jian)和部署模(mo)型PdM 應用(yong)(yong)（例如，針對特(te)定壓縮機(ji)、渦輪機(ji)和鼓風機(ji)）。
煉油(you)行業資(zi)產模板示(shi)例（來源：AspenTech）
特征4：狀態可視化、警報和用戶反饋
預測(ce)性維護軟(ruan)件中的狀(zhuang)態可視化、警(jing)(jing)(jing)報和用(yong)戶反饋工(gong)(gong)具可自(zi)動(dong)為不同部門的角色(se)提供(gong)資產相關(guan)數據/洞察。這些洞察通(tong)常(chang)包括狀(zhuang)態儀表板(ban)和觸發工(gong)(gong)作指令或糾(jiu)正措(cuo)施、維護計劃和優化的自(zi)動(dong)警(jing)(jing)(jing)報。這些工(gong)(gong)具還使用(yong)戶能(neng)夠提供(gong)有關(guan)警(jing)(jing)(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(zi)產性能分析，其中包括狀態儀表板和自(zi)動警(jing)報，旨在通知運營人員和管理人員即將發生的故障，以便(bian)組(zu)織有(you)時間在小問(wen)題變(bian)成高昂代價之(zhi)前(qian)識別和解決問(wen)題。
SAS Asset Performance Analytics 狀態儀(yi)表板(ban)顯(xian)示有(you)關(guan)所選資產異常事(shi)件的數據（來源：SAS Institute）
特征5：第三方集成
第三(san)方集(ji)成使用戶能夠將其(qi)預測維護軟件(jian)連接到(dao)其(qi)他(ta)軟件(jian)系統(tong)和工作流(liu)程管理工具，例(li)如(ru) ERP、MES、CMMS、APM和 Field Service。
案例：SKF是一家瑞典軸承和(he)密封件制造(zao)公司(si)，也提供(gong)狀態監測(ce)和(he)預測(ce)性維護解(jie)決方(fang)案，該解(jie)決方(fang)案可與現有工(gong)廠控制系統(例(li)如MES或SCADA)和(he)其他外部(bu)儀表板(例(li)如ERP)相(xiang)接(jie)。它還通(tong)過手(shou)持設備(bei)上的警(jing)報以可視化的方(fang)式為(wei)現場(chang)操作(zuo)人員(yuan)提供(gong)見(jian)解(jie)。
SKF 提供 API 開發人(ren)(ren)員(yuan)門(men)戶，以協助開發人(ren)(ren)員(yuan)進行第三(san)方(fang)集(ji)成，并顯示集(ji)成示例（來源(yuan)：SKF）
特征6：規定性操作
規定性操(cao)作通(tong)(tong)常會(hui)建議(yi)在即將發生故障時采取的最(zui)佳操(cao)作。這些(xie)操(cao)作通(tong)(tong)常根據設(she)計算(suan)法時設(she)置的標準(zhun)確定優先級。軟件規定的操(cao)作根據問題的性質和緊(jin)急程(cheng)(cheng)度而有所(suo)不同。他(ta)們可能(neng)需要多個(ge)步驟或(huo)干(gan)預措施。例如，某些(xie)操(cao)作可能(neng)涉及自動調整設(she)備參數或(huo)通(tong)(tong)知維護和操(cao)作團隊必要的程(cheng)(cheng)序，以確保設(she)備效率(lv)。
案例：Marathon 是來自挪威Arundo的預測性維(wei)護軟件(jian)解(jie)決方案，它提(ti)供(gong)了(le)一項名(ming)為Investigations的功能，旨在(zai)根(gen)據規定的公司(si)標準提(ti)供(gong)解(jie)決設備問題(ti)的工作流程和(he)說明。
Marathon 調查界面提供了解決(jue)潛在問題的規定操(cao)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(zao)期(qi)，預測性維(wei)護主要是初創公司為(wei)滿足(zu)特定(ding)客(ke)戶需求而開(kai)發的獨立解(jie)決方案(an)。然而，IoT Analytics的報告(gao)強調：復雜的預測性維(wei)護解(jie)決方案(an)集成(cheng)到大型的APM 和(he)計算機化維(wei)護 (CMMS) 解(jie)決方案(an)中，正(zheng)在(zai)成(cheng)為(wei)顯(xian)著趨勢。
APM 是(shi)一種戰略性(xing)的設備管理(li)方法，旨(zhi)在幫(bang)助優化單個資(zi)(zi)產(chan)和整個工廠或(huo)車(che)隊的性(xing)能(neng)和維(wei)護效率(lv)。APM 旨(zhi)在提高資(zi)(zi)產(chan)效率(lv)、可(ke)(ke)用性(xing)、可(ke)(ke)靠性(xing)、可(ke)(ke)維(wei)護性(xing)和整體生命(ming)周期價值。
各種APM供(gong)應商都在(zai)其APM產(chan)品中引(yin)入預測性維護軟(ruan)件工具。這些解決方案旨(zhi)在(zai)將不同的功能綁定到一個線程中:
了解機器何(he)時會發(fa)生(sheng)故障，并(bing)繪制故障如何(he)影響生(sheng)產(chan)或輸(shu)出
估計解決或(huo)預防問題(ti)需要花費(fei)多少費(fei)用
對問題是否值得修復或預防提出建(jian)議(yi)
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。
示例：GE Digital的企業APM解(jie)決方案包(bao)括其預(yu)測性維(wei)護分析(xi)軟件SmartSignal(來源(yuan):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(yi)色列數據(ju)科學公(gong)(gong)司ShiraTech Knowtion利(li)用其(qi)設備專(zhuan)業(ye)(ye)(ye)知(zhi)識提供 Predicto，這(zhe)是一個專(zhuan)注于工(gong)(gong)業(ye)(ye)(ye)維護團(tuan)隊的(de)(de)工(gong)(gong)業(ye)(ye)(ye)物(wu)聯網(wang)平臺(tai)。該(gai)平臺(tai)能(neng)夠(gou)讀取(qu)和(he)處理來自(zi)生產(chan)工(gong)(gong)廠的(de)(de)傳感器數據(ju)（理想情況下是基于其(qi)自(zi)己的(de)(de)多傳感設備（iCOMOX））。該(gai)公(gong)(gong)司開發(fa)了針對電機、泵、輸送(song)機和(he)管道的(de)(de)特定(ding)產(chan)品(pin)，這(zhe)些針對資產(chan)定(ding)制的(de)(de)產(chan)品(pin)使(shi)公(gong)(gong)司能(neng)夠(gou)擴大規模。
ShiraTech Knowtion 的(de) Predicto 儀表(biao)板監控一些專業(ye)資產，例如軸承（來源：ShitaTech Knowtion）
寫在最后
基于(yu)報(bao)告核(he)心洞(dong)察(cha)——在設(she)計預測性維護解(jie)決(jue)方(fang)(fang)案(an)的過程中，供應(ying)商應(ying)該考(kao)慮如何調整(zheng)戰略以進一步擴張市(shi)場，如何提高方(fang)(fang)案(an)的準確(que)性，如何更加專(zhuan)注于(yu)特定(ding)行業或資產(chan)；對于(yu)希望部署(shu)解(jie)決(jue)方(fang)(fang)案(an)的用戶而言，需要(yao)(yao)考(kao)慮解(jie)決(jue)方(fang)(fang)案(an)類型的適用性，與現(xian)有系統的集成，供應(ying)商的專(zhuan)業化，方(fang)(fang)案(an)的準確(que)度，以及軟(ruan)件的特性和功(gong)能(neng)等要(yao)(yao)素(su)。
總而言之，預測性維護市(shi)場(chang)雖未見(jian)暴風式成(cheng)長，卻也(ye)一步一腳印地向前邁進。
