物联网已经启用了许多维护物理资产的新方法。从工厂车间的机器到建筑能源系统的组件，再到车辆，无数套件现在都配备了连接的传感器。这些几乎可以测量任何东西，从温度、执行特定功能的次数、耗材水平到关键性能指标——然后可以使用这些数据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，在最有效的时候计划维护，并延长最复杂和最昂贵的有形资产的使用寿命。但是，这种数据驱动的维护有不止一种方法。在本文中，我们将探讨两种主要维护类型（预测性和规范性）之间的区别。这两种形式的维护都是主动的而不是被动的。也就是说，他们不是在发现故障后进行维护，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。它侧重于确定物理资产何时真正需要维护——可能是因为性能开始轻微下降，或者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实现的，这些设备实时工作以提供有关机器状况的最新信息。因此，预测性维护依赖于对这些条件的持续或定期监控，并将这些信息传输到集中分析平台。反过来，该平台会建议执行维护的最佳时间。如前所述，这意味着可以为机器和更广泛的操作安排最佳维护时间，从而显着节省成本。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。规范性维护不是简单地监控机器的状况并提供有关何时以及如何执行维护的建议，而是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)技术不断学习并从维护建议中改进。例如，一台机器可能会建议降低其当前的生产率，以延长下一次所需维护活动的时间。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计划维护。随着机器随着时间的推移收集更多数据，它的建议也会改进。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。由于随着时间的推移分析数据可以改进规范性维护，因此“输入”系统的数据越多越好。在实践中，所有这些都意味着规范性维护提供了比预测性维护更主动的方法。预测性维护预测何时可能发生故障，因此您可以提前安排维护，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复杂性不断提高，智能、自动化和预测性维护的机会也将不断增加。
