预测性维护知识延伸

基于预测性维护过程中采集的设备数据，包含工艺、质量、性能、效率等指标，可以从设备层面延展到生产线层面。

预测性维护是工业大数据和人工智能结合落地的重要应用场景。有权威机构预测，2022年之前预测性维护市场都会保持高速增长，复合年均增长率（CAGR）为39%。另据GSMA智库预测，到2025年全球的工业物联网(IIoT)连接数将达到138亿，其中大中华地区的连接数约为41亿，约占全球市场的三分之一。

图4-1 预测分析图

几乎可以肯定的是，预测性维护将在未来愈发凸显其在工业物联网中的重要作用：

纵向来看，预测性维护对于节约企业生产成本、提高效益有显著作用，预计会有20%的效益增加；

横向来看，行业竞争激烈，引入预测性维护技术可以有效提高企业竞争力；

从战略角度评估，预测性维护代表着工业服务化和未来商业模式转变的历史选择。

最近，物联网分析机构IoT Analytics 也发布了《2019-2024年预测维护市场报告》。报告显示，与2017年的数据相比，专注于预测性维护市场的供应商数量增加了一倍，物联网和人工智能技术的进步为企业节省了数十亿美元的资产维护成本。

据调查在国内的大多数智慧工厂里，基本上全面采用预测性维护解决方案。生产设备里的传感器等随时处于监控设备运行状态，把实时运行数据传输到云上并进行分析，提前预知设备的异常状态，从而最小化设备停机的可能。企业可以根据设备的预测使用寿命进行设备维护，而不是按计划维护。对于工业设备来说，更高效的维护既可以增加设备寿命又可以降低维护成本，让现场技术人员更高效地工作，减少安全隐患，避免昂贵的停机时间。如微软Azure IoT平台，就不断丰富远程设备监控、预测性维护、工厂联网与可视化等功能。

预测性维护采集的数据点越多、数据的价值越大、机理模型的理解越透彻、经验积累越丰富，横向整合的能力越强，进而帮助我国企业以崭新的方式和手段，解决降本、提效的问题。