尽管物联网传感器的影响是多方面的，但对于现代公司来说，可能没有什么比预测性维护工具更重要的了。根据德勤(Deloitte)的一份报告，预测企业资产的故障可以将设备正常运行时间增加20%，将生产效率提高25%，并将故障减少70%。
除此之外，该研究还发现，预测性维护可以将维护成本降低 25%。这可以成为许多行业的救命稻草，这引发了一个问题，什么是预测性维护，它是如何工作的？
什么是预测性维护？
预测性维护的最终目标是通过成功预测资产何时发生故障，并仅在需要时进行维护，从而避免代价高昂的停机时间。为此，需要对环境传感器和其他物联网监测装置收集到的数据进行彻底审查和分析，以创建关键任务型设备性能的可操作见解和使用模式。
就其本质而言，预测性维护改进了被动式模式，在这些被动式模式中，计划外停机是不可避免的。2015 年 Carbonite 的一项研究估计，小型企业的停机成本可能高达每分钟 427 美元，而大中型公司的成本飙升至每分钟 9,000 美元以上。
采用基于时间的维护计划的组织可能能够避免计划外停机，但低效资产维护的成本也可能迅速增加。主要风险是过于频繁地维护资产，导致不必要的支出，用于更换仍然可以使用的资产零件或设备。监测这些相同的资产，并以更高效的计划进行维护，可以比定期维护节省高达12%的费用。
它是如何工作的？
其核心是，所有预测性维护都是从监测设备的特定条件开始的。这些条件通常基于历史性能数据或设备规格，旨在为资产的最佳性能环境创建一个范围。这就建立了一个监测机制来比较每项资产的当前状况。这些状况通过物联网传感器进行观察，并对数据进行监测，以发现任何可能导致潜在故障的异常行为。
预测性维护中使用的传感器种类繁多，其中最常见的是：温度传感器、湿度传感器、运动传感器、声音传感器、光波传感器、电流传感器等。
当然，像安全摄像头这样更简单的物联网解决方案也是预测性维护的重要组成部分。能够从远程位置观察资产的任何明显变化，这对于跨地理区域(如输油管道或电力线)用例中的维护工作尤其宝贵。
人工智能和物联网解决方案
当然，故障并不完全发生在工作时间，因此依靠人眼来监测数百个潜在的预测性维护数据流通常不是最有效的，因此，开发人员采用人工智能来分析资产性能的异常变化。
人工智能通常基于历史数据构建的统计模型来从物联网传感器中提取数据，并根据被概述为潜在退化迹象的参数来运行数据，并在满足这些条件时创建通知。为此，人工智能创建了数学模型，将温度和活动等因素编码为简单的数值点。
RapidMiner 的数据科学家 Scott Genzer说：“这实际上只不过是我们几十年来一直在做的老式数学模型，不同之处在于，我们现在有计算能力来[处理]大量数据，以找出模式。”
最后
随着概念的成熟，预计预测性维护将变得更加普遍。Markets and Markets最近的一份报告预测，到2026年，预测性维护市场的估值可能达到159亿美元。
这一概念已迅速成为工业 4.0 的一个基本要素，从汽车行业到建筑工地，再到油田，它无所不在。然而，MarketsandMarkets报告指出，政府和国防工业是预测性维护最大的应用领域。
