物联网催生了一系列维护物理资产的新方法。从工厂车间的机器，到建筑物能源系统的元件，再到车辆，无数套件现在都配备了连网传感器。
这些几乎可以测量任何东西，从温度、特定功能的执行次数、耗材水平到关键性能指标——然后这些数据可用于提供比以往任何时候都更主动、更智能的维护方法。反过来，组织会在问题升级之前解决小问题，在最有效的时间规划维护，并延长其最复杂和最昂贵物理资产的使用寿命。
但是，这种数据驱动的维护方法不止一种。在这篇文章中，我们来看看两种关键维护类型之间的区别——预测性和规范性。
这两种形式的维护都是主动的而不是被动的。也就是说，它们不是在发现故障后才进行维护，而是专注于预测潜在的故障。
什么是预测性维护?
预测性维护在工业和制造环境中变得越来越普遍。它侧重于确定实物资产何时真正需要维护——可能是因为性能开始略有下降，或者是因为已经执行了一定数量的任务。如上所述，这是通过支持物联网的设备来实现的，这些设备实时工作，提供有关机器状况的最新信息。
因此，预测性维护依赖于持续或定期监测这些条件，并将这些信息传输到集中分析平台。反过来，该平台会建议进行维护的最佳时间。如前所述，这意味着可以为机器和更广泛的操作安排最佳的维护时间，从而大大节约成本。
什么是规范性维护?
规范性维护通过引入额外的自动化层使预测性维护更进一步。不是简单地监测机器的状况并提供关于何时以及如何进行维护的建议，规范性维护旨在使机器本身能够就维护步骤做出自己的决定。
因此，这需要人工智能 (AI) 和机器学习 (ML) 技术，它们不断从维护建议中学习并改进。例如，一台机器可能会建议降低当前的生产力，以便将时间延长到下一次所需的维护活动。机器学习调整其操作条件以获得最佳结果，并在需要时智能地精确规划维护。随着时间推移，机器会收集更多数据，因此其建议也会有所改进。
与预测性维护一样，这需要实时数据收集，但也需要能够比较整个环境中的不同机器。由于规范性维护通过随着时间推移分析数据而得到改进，因此您为系统“提供”的数据越多越好。
在实践中，所有这些意味着规范性维护提供了比预测性维护更主动的方法。预测性维护可预测何时可能发生故障，以便您提前安排维护，而规范性维护旨在帮助您完全避免所有类型的故障。
随着物联网、人工智能和机器学习技术的速度和先进性不断提高，智能化、自动化和前瞻性维护的机会也将大大增加。
