具有数据分析功能的联网传感器支持基于状态的维护，预测设备何时可能发生故障。依赖大型、昂贵设备的公司负有维护资产完整性和安全性的基本责任，这不仅是为了保护员工和客户，也是为了降低运营成本。这种责任在所有工业部门中都很普遍。公用事业维护大型发电厂以及广泛的输电和配电线路。基础设施运营商负责确保道路、桥梁、隧道、水路、下水道和供水等大型分散资产的安全性和可操作性。运输和配送公司必须持续维护和维修分散在各地的火车、公共汽车和卡车车队。飞机公司和航空公司必须可靠地确保他们的飞机每次飞行都是100%安全的。制造和加工厂需要确保机器处于最佳工作状态，以防止意外的机器故障和关闭整个生产线。重要设备的这种停机可能会对企业及其供应链造成代价高昂的中断。解决这个复杂问题的最具成本效益的解决方案是采用预测性维护系统。预测性维护(PdM)是一种在运行期间监控高价值设备的状况和性能以了解其健康状况、预测故障时间并采用寿命延长机制、计划和执行维护以减轻即将发生故障的影响的方法，从而减少意外失败的可能性。自1990年代以来，该行业一直在考虑进行预测性维护，但是，要实现全部收益还存在一些障碍。部分困难在于需要为设备配备能够观察感兴趣事件的传感器。此外，还需要收集、存储和分析来自分散资产（例如大型车队）的传感器数据。解决分析问题的一种方法是为每个工业企业开发数学模型和算法库。然后可以将这些模型应用到每个特定设备的标准化架构中。通过工业物联网(IIoT)中通信和传感器部署的最新进展，工业物联网(IIoT)中的分析艺术使影响深远的工业设备的预测性维护变得更加可行。经过精心设计和训练以识别设备故障的基于物理的模型和机器学习系统的强大组合还可以做出准确的预测，以预测特定设备何时会发生故障。通过这种方式，工业公司不再需要通过昂贵的定期检查程序或维护计划，这实际上是不必要的。相比之下，预测性维护系统可以在逻辑上优先考虑任何必要的维护，以防止故障，从而节省宝贵的时间、金钱和资源。此过程的第一步涉及异常检测，其中网络边缘的智能传感器检测到某些事情看起来不对劲——目前还不知道问题出在哪里。下一步是对任何标记的设备执行诊断以确定问题的根本原因。最后，预测算法可以准确估计设备何时会发生故障。名为MOXI的工业物联网系统分析技术平台使工程师、操作员和维护专业人员能够远程监控和主动管理意外的系统故障和维护问题。MOXI专为制造业、电网、铁路、桥梁和其他重型基础设施等领域的大型工业资产而设计。IIoT套件结合了嵌入式传感、复杂的系统模型和人工智能技术，以高精度、可忽略的误报率和接近于零的漏检率来预测不利的系统条件。部署预测性维护以提高铁路效率在一个案例中，PARC正在与东日本铁路公司（也称为JR-East）进行试点项目。由于基础设施老化和定期维护预算缩减，JREast一直面临成本上升的问题。PARC与野村综合研究所(NRI)合作，采访了JREast的工程师、研发团队和维护技术人员，以充分了解问题并确定应如何使用预测性维护技术。PARC随后创建了仪表板模型，收集了JR-East的反馈，并开始了算法和软件开发的快速迭代。该团队通过应用先进的机器学习和基于模型的系统分析方法开发了自定义故障检测和诊断试验软件。还为JR-East工程师开发了一个仪表板，以可视化和更好地理解所获得的数据。（来源IOTHomeNetwork）最初的试点工作主要集中在火车车门和铁轨的维护上，目标是随着时间的推移逐步扩大该计划，以包括铁路、车站、桥梁和隧道等其他资产。铁路和列车车门故障检测的初步测试显示出非常高的真阳性率和非常低的误报/漏报率。该仪表板使JR-East技术人员能够在问题升级为资产故障/停机之前发现并解决即将发生的问题。目前正在进行进一步测试以验证调查结果并导致全面部署。JREast试点项目只是预测性维护的众多示例之一。通过应用基于AI的预测模型，工业公司可以对其设备的状况、安全性和性能产生可操作的见解，以保持设备平稳和最佳运行，同时最大限度地减少停机时间。
