虽然物联网传感器的影响是多方面的，但对于现代公司来说，也许没有什么比预测性维护工具更重要了。根据德勤的一份报告，预测企业资产的故障可以将设备正常运行时间增加20%，将生产率提高25%，并将故障减少70%。除其他外，该研究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星，这就引出了一个问题，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会发生故障并仅在需要时执行维护来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控设备收集的数据进行彻底审查和分析，以便对关键任务设备的性能和使用模式产生可操作的见解。就其本质而言，预测性维护改进了不可避免的计划外停机的反应模型。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，大中型企业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会迅速增加。主要风险是过于频繁地维护资产，导致不必要的支出来更换仍然可用的资产部件或设备。监控这些相同的资产并按照更高效的计划进行维护可以比计划维护节省高达12%。它是如何工作的？所有预测性维护的核心都是从监控设备的具体状况开始。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。这建立了一个监控机制来比较每个资产的当前状况。这些条件由IoT传感器观察，并监控数据以发现可能导致潜在故障的任何异常行为。预测性维护中使用的传感器有多种类型，其中最常见的有：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，更简单的物联网解决方案如安全摄像头也有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对于跨越地理区域（例如输油管道或电力线）的用例中的维护工作特别有价值。AI和IoT解决方案当然，故障不会恰好发生在工作时间内，因此依靠人眼监控数百个潜在的预测性维护数据流往往不是最有效的，因此开发人员正在采用AI来分析资产异常变化表现。人工智能通常根据基于历史数据构建的统计模型从物联网传感器中提取数据，根据概述为潜在退化迹象的参数运行数据，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字点。RapidMiner的数据科学家ScottGenzer说：“这实际上只是我们几十年来一直在做的老式数学，不同之处在于我们现在拥有[process]大量数据以寻找模式的计算能力。”最后，随着概念的成熟，预测性维护预计会变得更加普遍。MarketsandMarkets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的基本要素，从汽车行业到建筑工地再到油田，它无处不在。.然而，MarketsandMarkets报告指出，政府和国防工业是预测性维护的最大应用领域。
