作为工业物联网和边缘计算在工业互联网中的重要应用之一，预测性维护在大约两年前就被寄予厚望。大公司和初创企业都进行了重点部署，似乎坚信预测性维护将成为工业物联网中为数不多的“杀手级”应用之一。比如，华为抓住市场痛点，选择从“电梯网”切入电梯运维领域。ABB在班加罗尔新建了节能逆变器数字化远程服务中心，可全年远程访问位于终端用户工厂的逆变器，实现预测性维护和状态监控。霍尼韦尔推出互联辅助动力装置预测性维护服务GoDirect，海南航空成为全球首家采用GoDirect的航空公司。空客选择构建自己的边缘计算和云平台能力，定制自己的预测性维护系统。鉴于市场上大量存量设备，大部分都没有采用有效的预测性维护方案，设备维护成本超过设备全生命周期成本的50%。谁不想用更好的手段来防止设备故障呢？有权威机构预测，到2022年预测性维护市场将保持高速增长，复合年增长率（CAGR）达39%。两年过去了，预测性维护的发展情况如何？近日，贝恩咨询发布了一份报告，大致阐述了一个意想不到但又在情理之中的核心观点：预测性维护的发展不如预期。任何事物的发生和演变都有其必然的原因。预测性维护是工业互联网的典型应用，分析其发展现状对整个领域都有很好的借鉴意义。因此，在本文中，您将看到：预测性维护当前状态的快照。为什么预测性维护的发展不如预期？预测性维护初创企业正在培养哪些能力？1.了解现状。工业设备的维护和修理大致可分为三种方法：恢复性维护：属于事后维护，用于弥补。预防性维护：属于事前维护，根据时间、性能等情况对设备进行定期维护，更多的是根据经验。预见性维护：属于提前维护。基于安装在设备上的各种传感器，实时监测设备的运行状态，更准确地判断故障何时发生。如果发现潜在故障，则会自动触发警报或维修订单。GE两年前发布的一份研究报告令我记忆犹新——调查结果显示，大量工业企业正走向预测性维护的“怀抱”。在内部，预测性维护用于优化生产运营，从而提高20-30%的效率。从外部来看，如果设备制造商引入预测性维护服务，就有可能扭转目前的竞争格局。从战略角度看，预测性维护是产业服务化和未来商业模式转型的历史性选择。特别是云平台、边缘计算和人工智能的发展，为利用新技术改变预测性维护市场打开了机遇之门。综上所述，各类企业自然而然地涌向了预测性维护的“沃土”。尽管预测性维护的发展仍被坚定看好，但许多企业已经意识到，预测性维护真正发挥作用还需要比预期更长的时间。2019年初，贝恩咨询对600多位欧美企业高管进行了调查。许多客户对预测性维护的期望已经从热情转变为理性。实施预测性维护解决方案比预期的要困难，从数据中提取有价值的见解远比想象的要困难。与贝恩咨询2016年和2018年的两次调查相比，实际实施和计划采用预防性维护解决方案的企业比例有所下降。尽管大家对预测性维护的未来充满信心，但与2016年相比，许多企业调整并放慢了预测性维护的步伐。对于预测性维护在计划推进过程中面临的困难和风险，大家的判断也趋于客观。除了担心安全性、投资回报分析、IT和OT整合困难之外，许多公司还重新评估了技术知识的缺乏、数据可移植性、供应商风险以及解决方案切换中的变量。从实践的角度来看，虽然提高工业互联网的安全性，加速IT与OT的融合，对投资回报进行确定性分析，一直是企业关注的问题。但是两年过去了，这些方面似乎还是没有取得预期的进展。从应用实施优先级来看，预测性维护走在阵营前列，并没有改变。然而，质量控制已经超越预测性维护，成为最受企业青睐的工业互联网应用。此外，生产现场的设备远程监控、资产跟踪等也成为热门应用。服务提供商和供应商作为客户比工业企业更愿意推广预测性维护。或许是因为预测性维护比远程监控设备具有更大的盈利潜力，所以处于供应商的热门象限。不少企业也愿意尝试与设备维护相关的增强现实或虚拟现实应用，但供应商的数量和能力明显不足。从国内情况来看，与国外有所不同，但可以作为整体借鉴。再来看看市场的整体情况。预测性维护市场，乃至整个工业互联网市场，依然受到很多企业的青睐。undefinedundefinedundefined所以预测性维护最常见的故事是飞机发动机，因为传感器足够多，监控时间也足够长。为什么设备制造商不在设备出厂前安装更多的传感器？因为在物联网概念还没有普及的时候，安装传感器不仅增加了成本，而且无缘无故增加了设备的复杂性，没有明确的应用意义。设备本身已经足够复杂，没有人愿意添加一些看似无用的传感器。没有足够的传感器。即使使用人工智能等新技术，预测也不一定准确。如果预测不准确，预测性维护就没有多大价值。加之设备模型的积累和迭代需要较长时间，因此在目前的应用中，“硬件+软件+服务”是主流的收费模式，其实现方式也是基于项目制。现在触发裂变还为时过早。许多物联网公司都在想办法解决这个问题。去年，Uptake通过并购获得了APT和ASL数据库的控制权，这是一个明显的信号。APT（AssetPerformanceTechnologies）的资产策略数据库ASL可以说是全球最全面的工业设备故障数据库。APT虽然成立于2004年，但之前积累了ASL数据库，使用20多年收集了电力、矿山、炼钢等行业近800台重要设备的信息，可以提供FMEA故障模式效果分析及维修策略建议。Uptake于2014年成立于美国芝加哥，提供工业人工智能软件开发和服务，帮助企业客户进行数字化转型。Uptake迄今为止最成功的案例是与卡特彼勒联合开发的预测性维护平台，以提高其生产和运营效率。关于Uptake这家公司，后面会提到。也有一些物联网公司正在想方设法用低成本的软硬件一体的无线传感器，从以前没有数据的地方采集数据，完成从0到1的突破。基本有四个实现这一突破的原因：无线连接的无处不在和连接成本的不断降低。有大量小型化和低成本的传感器可供使用。企业开始接受边缘计算和云平台协同的理念。使用人工智能监控计时传感器数据变得可行3.创新正在发生最后，让我们看看预测性维护初创企业的能力？许多初创企业已经意识到，真正的机会是使用预测性维护来创建新业务。现在判断哪些公司会冲出重围还为时过早。我们不妨看看一些预测性维护公司的生存状况。这里点名的主要是外国公司。(1)Uptake前面提到，Uptake是一家成立于2014年的初创公司，可以说Uptake是IIoT初创公司中的大赢家。据报道，Uptake在BerkshireHathawayEnergy的一家子公司拥有的风电场部署了其“监控平台”。在平台部署的早期，人们发现齿轮箱主轴承可能会发生故障，并可能导致其中一个涡轮塔发生故障。几个小时的停机时间将使风电场损失5,000美元，而涡轮机的完全故障将导致高达250,000美元的损失。但最近，通用电气(GE)将其告上法庭。参与GE诉讼的6名Uptake高管均为GE老部门，主要来自GEPowerGenerationGroup和GEDigitalGroup。GE的行动理由是：Uptake有预谋的挖角、窃取商业机密、不正当竞争。GE认为，这6名老将因职务关系熟悉GE的商业机密，他们还参与了Uptake的“挖角”计划：不仅从GE挖走员工，还撬走GE的客户，试图扩大对GE的伤害。据GE称，被盗客户的名单列在Uptake的官方网站上。那指的是伯克希尔哈撒韦能源部门的风电设备和卡特彼勒的机车业务。摄取自然不满。今年2月22日，Uptake以违反软件许可协议和滥用商业机密为由反诉GE。Uptake表示，GE正在滥用由Uptake收购的APT公司开发的软件协议。GE和Uptake之间的官司仍在继续。更严重的是，Uptake的经历似乎从反面证明，从大企业做起并不明智。2017年11月，卡特彼勒宣布不再投资Uptake，仅保留Uptake的客户地位。据美国商业杂志《克瑞恩芝加哥商业》报道，卡特彼勒意识到如果继续投资Uptake，将削弱其竞争力。与此同时，卡特彼勒正在逐步收回对其销售给经销商的监控软件的控制权。Caterpillar的最终用户可以使用这些软件来监控设备运行并实现预测性维护。很明显，卡特彼勒是想把预见性维护的能力带回自己的“身体”。（2）PrediktoPredikto的独特优势在于其技术平台可以处理数百种不同的工业资产数据集，并自动完成80%的分析过程，从而快速从数据中得出分析结论并提供可行的建议，让企业采取行动提前避免故障并增加资产正常运行时间。Predikto已被联合技术公司收购。undefined4、本文总结：（1）根据贝恩咨询的调查，虽然大家都相信长远的眼光，但很多公司已经调整并放慢了预测性维护的步伐。（2）预测性维护市场发展不尽如人意。潜在原因可能包括：难以计算投资回报。改变商业模式，首先要改变思维。基础不扎实，数据量不足。(3)预测性维护领域的初创公司非常活跃，其中不乏未来的行业重塑者。
