近年来，人工智能与物联网如同佛教与道教一样，通过“有机融合”逐渐被彼此接受。在这样的背景下，一些企业正在经历从“物联网”到“智联网”的转型。一方面，物联网正在从“连接”走向“智能”，另一方面，人工智能正在从“云端”走向“边缘”。两者形成合力，推动“物联网”向“智联网”演进。如今，已经起步的智能互联网初创企业逐渐打下了坚实的基础，赢得了“天使客户”的认可，产生了持续的造血能力。是时候梳理一下这些公司的最新进展，看看他们做了什么，做对了什么。占领数据制高点是智能网联企业生存之本放眼智能网联企业，大多选择高度一致的进入动作，即首先为B2B企业提供设备状态监测和预测性维护服务。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，实时监控设备的运行状态。通过数据透析，发现隐患，防患于未然，自动触发报警或报修单。如此利落的动作背后，有着相当充分的理由。第一，市场规模足够大。由于市场上库存设备数量可观，80%以上的设备尚未采取有效的预测性维护计划，设备维护成本超过设备全生命周期成本的50%。根据IoTAnalytics的市场报告，2016-2022年预测性维护的复合年增长率（CAGR）为39%，到2022年整体支出将达到10.96亿美元。二是经济效益易于衡量.从B2B企业内部来看，预测性维护用于优化生产运营，将带来20-30%的效率增益；从外部来看，如果OEM设备制造商引入预测性维护服务，就有可能扭转竞争的商业模式，获得额外收入。***，从战略角度看，预测性维护正在成为引发制造服务业重大变革的“催化剂”，初创企业甚至有望借助预测性维护赶超传统巨头，新引擎角。前段时间很火的人工智能，用新的算法为我们提供了一种新的数据处理和分析方式。然而，人工智能为何在2014年之后开始疯狂生长并突破次元？AlphaGo战胜李世石这一历史性事件，恰恰让人工智能走入了大众视野，完成了从专业到大众的转变，真正将人工智能推向了水底。驱动力是各行业数据资源积累到一定程度后由量变引起的质变。抛砖引玉。自20世纪70年代互联网诞生以来，互联网、移动互联网、物联网等各种智能设备不断产生大量数据。人工智能只有积累到一定的规模和阶段，才能发挥作用。因此，如果智能互联网能够最大限度地发挥各种机器学习算法的超能力，足够数量的结构化数据是必要的基础条件。也就是说，物联网企业首先要解决数据获取的问题，继续抢占数据大战的制高点。可以说，谁掌握了底层数据，谁就掌握了物联网未来的基石。智能互联网并不是什么“新方法”。对于预测性维护，人工智能其实是解锁了此前“无米之炊”而被迫搁浅的“笨办法”。它不是创建的“新方法”。首先，在以往的故障诊断中，一些致命的故障是非常罕见的，同样的故障可能在上百台机器上反复出现。故障模式难以分析，报废后未再发生。细化故障模式。出来未必有用。其次，在设备未普遍联网的情况下，部署昂贵的传感器和监控系统进行远程故障诊断往往只有拥有重型设备和完整网络基础设施的大型企业才能负担得起。面对数量众多的中小型设备，状态监控主要靠工人巡检完成。另外，在人工成本低的情况下，一次性投入不大，但连续监测投入太大。每个人都知道如何选择。随着停机检修和人工成本的增加，大部分企业已经意识到“拐点”的到来，开始摒弃一次性投资思维，学会计算总账，即总拥有成本（总拥有成本）。维修逐渐在中小企业有了市场。最后，很多应用场景没有数据采集的传统，需要想办法采集数据，完成从0到0.1的突破。由于IT成本的降低，以及传感器和工业通信成本的降低，利用人工智能等算法对大量历史数据进行多维度分析，进行设备画像，使精准预测性维护成为可能。长期的“经济”选择。那么我们先从物联网初创企业获取数据的三种典型方式说起：包括读取机器故障数据库的数据资源，连接聚合过程数据的平台，通过虚拟或轻量级的传感器逐步积累数据。物联网企业掌握数据力量的三种典型方式1.当实时状态信号遇到机器故障数据库许多企业虽然拥有大量的历史设备和过程数据，但往往缺乏故障数据，因为这些数据很难捕获并保存。在没有故障数据的情况下，即使仍然可以进行状态监测，也无法保证预测性维护的有效性。最直观的想法就是在设备故障数据库上下功夫。如果一个企业能够掌握上千台设备的历史故障数据，当一台设备出现故障时，很有可能会在上千台设备中发生。在类似情况下，可以复用其他人处理相同故障的经验，及时解决故障问题，既释放了旧数据的价值，又创造了新的个体价值。那么世界上有这样的数据库吗？你能想到的，前人都已经想到了。比如APT（AssetPerformanceTechnologies）的资产策略数据库ASL，可以说是世界上最全面的工业设备故障数据库。虽然APT公司成立于2004年，但ASL的数据库早有积累。20多年来，收集了电力、矿山、炼钢等行业近800种重要设备的故障相关信息，可提供FMEA故障模式影响分析和维修策略建议。ASL数据库对于物联网公司的战略意义不言而喻。如果将实时的机器振动数据与故障数据库中宝贵的专家经验相结合，就可以更有效地监测、过滤和响应故障情况，从而大大提高预测性维护的智能性和执行力。具有ASL战略眼光和价值的智能网络公司Uptake，通过并购获得了APT公司和ASL数据库的控制权。Uptake目前估值为23亿美元，其客户包括卡特彼勒和伯克希尔哈撒韦公司的能源部门。2、振动信号与过程数据的结合企业数据格式千差万别。有些是高度结构化的，比如传感器数据，相对容易解析；有些是非结构化的，例如维护日志——对于相同的设备在相同的情况下，一个操作员可能会记录“压缩机泄漏一种淡棕色的液体，闻起来像臭鸡蛋”，而另一个可能会写“压缩机正在泄漏类似酱油的东西，气味像没有胃口”...训练机器学习模型来理解这些信息的含义，以及进行多维数据集成，对来自不同信号源的数据进行重要性分类，从而自动分类故障模式和维护建议，这些工作耗费了智联公司大量的时间和精力。但仅仅这样做仍然不完整。仅获取与机器振动相关的信号通常不足以进行预测性维护。虽然处理与振动相关的多变量时间序列数据并从中提取特征并不容易，但做预测性维护就更难了。振动数据需要进一步结合工艺运行数据，为设备的健康状态做准备。在电力、石油、化工、冶金等各种过程工业中，普遍集成实时数据库和过程控制系统来优化生产过程。生产过程中的实时数据在这些系统中流动，是企业最宝贵的信息财富，是整个企业信息系统的核心和基础。但一般情况下，设备振动数据和过程控制数据存储在两个独立的系统中，没有相互集成。预测性维护需要振动数据和操作数据的密切反馈和频繁整合，而且这个操作必须自动完成，以减轻中小企业在人力和资金投入上的负担。于是，一些智能物联网企业想到了与现有的实时数据库企业合作，通过数据库的对接，降低独立作战模式下进入预测性维护的门槛，比如Petasense与OSIsoft的合作。Petasense成立于2014年，是一家初创智能网络公司，监控关键旋转机器的健康状况并提供预测性维护解决方案。OSIsoft成立于1980年，是一家实时数据管理软件制造商。其PI实时数据库系统已广泛应用于流程工业。Petasense与OSIsoft联合推出的预测性维护解决方案正在硅谷电力公司使用。3、虚拟化或轻量级传感器意识到数据的重要性，一些智能物联网公司已经开始使用低成本的创新手段来收集数据，例如石油和天然气行业的虚拟多相流量计。该虚拟流量计基于云平台，由数据应用驱动，结合物理模型和机器学习，降低采购、安装和维护成本。也有一些智能物联网企业正在想方设法利用低成本的软硬件一体化无线传感器，从以前没有数据的哑设备和环境中采集数据，完成从0到0.1的突破。这一突破有四个技术背景和根本原因：无线连接的普及和连接成本的不断降低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的想法平台协作使用人工智能监控时间序列传感器数据变得可行当这些趋势结合在一起时，它们有可能成为一股突破性的力量。这些软硬件结合的无线传感器采集现场信号，并根据一定的周期，或超过阈值时，将数据上传到云端。如果情况更复杂，无线传感器可能会配备分析模块，并使用AI芯片来检测设备异常。提供相关产品的智能物联网公司很多，这里就不一一列举了。也有一些企业在传统设备上使用“可穿戴”传感器来完成功能升级和产品迭代。决定智能网络公司能走多远的不是算法，而是数据。除了以上三种模式，面对数据从何而来的问题，更多智能物联网企业给出了自己的答案。本文选择作为代表的智能网络公司，一般成立于2014年左右，也就是AlphaGo打败李世石之前。在各种潮流的潮起潮落中，如果你认为“潮起潮落应该体面，没有人应该说对不起”，那么你就必须在潮起潮落前想想自己的责任。本文总结，智能互联网企业首先需要解决数据获取的问题，继续抢占数据之争的制高点。可以说，谁掌握了底层数据，谁就掌握了智能互联网的未来。物联网初创企业获取数据的典型方式有三种：读取机器故障数据库的数据资源、对接聚合过程数据的平台、通过虚拟或轻量级传感器逐步积累数据。对于预测性维护，人工智能实际上解锁了前人用不上的“笨办法”，并不是什么“新办法”。
