预测性维护使用传感器、网关和管理系统来预测制造、石油和天然气以及食品加工行业何时会发生设备故障。
预测性维护彻底改变了传统的基于条件的设备维护，但物联网和机器学习可以进一步提高工人的生产率和安全性。
物联网通过预测性维护的监控和维护工业设备，减少硬件故障的可能性。
在传感器可用且价格降低之前，维护团队通常完成基于条件的维护。团队将对关键设备进行物理检查，或依靠压力计等基本技术来确定情况。预测性维护早期依赖于优秀实践、行业平均值或等待设备中断以确定何时执行维护。
许多组织已经 预测性维护系统是不可或缺的一部分 他们的业务战略。预测性维护技术(如机器学习模型)的进步可能会刺激进一步的投资。
尽管COVID-19大流行导致变化，使各组织不得不减少业务和人员编制预算，但预测性维护方面的总体支出预计将随着数年的增长而增加。到 2022 年，Gartner 预测基于 IoT 的预测维护支出将从 2018 年的 34 亿美元增加至 129 亿美元。
组织需要哪些基于 IoT 的预测性维护?
IT 管理员可以部署 IoT 传感器进行预测性维护，以监控机械指标(如振动、泄漏和燃油水平)，以检测设备是否充分发挥其潜力。使用冲击脉冲监测和红外的传感器有助于及早发现火灾和有毒空气污染。
IoT 传感器连接到支持多种连接方法的网关，包括有线、Wi-Fi、蜂窝和低功耗广域网。这些网关从设备收集数据并将其发送到云管理系统，如 Microsoft Azure、IBM 云和 RackWare 混合云平台。
在云中，组织可以使用高级分析功能来检查信息的财富。这一流程提供的情报可以减少设备故障，为员工创建更安全的工作环境。 计算机化维护管理系统 软件(有时称为企业资产管理软件)也可以使用此数据为企业提供集中式工作请求、自动资产跟踪和报告。
工程师仍必须探索预测性维护公式，尤其是在机器学习领域。AI 技术更进一步地推进预测性维护，并基于分析见解，规定在问题发生之前解决问题的潜在操作。
例如，计算机软件初创公司 Augury 筹集了资金，以扩大其用于无线传感器的预测性维护产品，这些传感器可记录电机、压缩机和泵的振动、温度和磁力指标。组织可以使用这些传感器将数据上传到云软件，这 报告机器的健康状况.
基于物联网的预测性维护适用于各种行业
许多组织已经使用或考虑跨大型和小型工作现场实施预测性维护硬件和软件。受益于预测性维护兴起的行业包括石油和天然气行业、食品和饮料行业、制造公司、IT 服务和能源行业。
IoT 是随着预测性维护的出现而成长起来的，这是一种监控和维护工业设备的方法，用于降低硬件故障的可能性。
石油和天然气公司一直走在使用预测性维护的组织的前沿。例如，壳牌石油使用来自C3.ai和 Microsoft Azure 云软件的技术来预测压缩机和阀门何时需要维护。硬件和软件都可以监控引导钻头穿过页岩矿床的设备。
化工厂在一些地方，如 如诺克斯维尔， 田纳西州， 或埃森， 德国，安装传感器以缩短维修时间。在这些工厂中，用于维护的工具通常创建隔离和未连接的数据孤岛。借助基于 IoT 的预测性维护，持续向云传输数据可使工作人员更准确地识别工作条件和错误。
食品加工业是预测性维护的又一主要采用者。组织使用传感器，例如检测机械内部高温的红外摄像机;声学监测，以根化设备内的液体、气体或真空泄漏;和振动或油分析，以确保设备的可靠性，这是食品制造的必要条件。
