根据AberdeenGroup进行的一项调查，“一流”公司越来越多地利用物联网(IoT)和大数据来实施预测性维护模型，以解决和改善他们最大的运营挑战。我们发现预测性维护可以：将计划外停机时间减少至3.5%将整体设备效率提高至89%将维护成本降低13%将资产回报率提高24%任何使用机械的行业——制造、运输、楼宇自动化等，都可以受益于启用预测性维护。与任何其他维护模型相比，预测性维护的价值在于，它使维护和运营决策者能够预测资产（设备）何时需要进行干预，以免发生故障，从而影响人员、运营或生产。预测性维护通过收集和分析各种类型的数据来提供全面的资产可见性，以提供以下好处：识别关键预测因素并确定结果的可能性。通过应用可衡量的实时和历史数据来优化决策。计划、预算和安排维护维修、合理及时的更换和备件库存。我们建议以下六个步骤来实施预测性维护：1.构建预测性维护的业务案例要成功实施预测性维护，重点应放在影响运营和生产和管理风险的独特问题上，并了解业务关注点指标和什么提高是非常重要的。考虑以下问题以确定预测性维护计划的关键目标并确保成功：如何将数据驱动的决策整合到现有维护实践中？设备故障将如何影响人员、运营或生产成本？停机成本是多少？哪些关键设备会发生故障？什么时候会失败？为什么会失败？2.确定数据源并确定其优先级资产联网的增加和智能设备的使用会产生大量数据。没有必要也不建议处理所有这些数据，相反，通过关注与其具体相关的可用现有数据来开始预测单个设备的故障。3.收集选定的数据选定的数据可以位于各种位置，从网络边缘的设备到服务器机房再到企业云端，包括传感器、仪表、企业资产管理系统、监控和数据采集系统。理想的预测性维护解决方案应该足够灵活，让您能够从所有这些数据源收集信息，以学习并不断做出更好、更明智的业务决策。4.决定在哪里进行分析根据您的具体操作为高级分析奠定基础。例如，可以平衡边缘（或本地）和云分析，以减轻在云部署中传输脆弱的预测性维护数据的负担。分布式方法使您能够在边缘监控和响应本地事件，并立即对流数据采取行动，同时在云中集成其他数据源。5.结合和分析数据以获得精确的见解首先分析可用数据以确定正确机器操作的参数。这使得能够通过状态监控创建规则，以直接从机器传感器分析实时数据。借助网关等边缘计算设备，可以在尽可能靠近机器的地方执行分析，使用本地I/O从工业设备收集数据，并能够在恶劣的环境中运行。对实时数据进行分析后，加入可靠性模型、日志等历史数据和第三方数据，发现实时数据规则产生的异常的相关性、模式和趋势，从而预示潜在的故障。这些模式可用于进一步完善您的规则并实时提供可操作的见解。6.采取行动通过单一管理平台将所有资产（设备）的全面风险评估整合到您的运营中，将洞察力转化为行动。例如，当检测到潜在问题时，边缘计算设备可以触发事件，允许您向相关方发送自动警报，例如位置、估计的更换部件以及建议的纠正措施以避免灾难性事件的发生。然后，通过从替换零件中捕获磨损特征数据，您可以不断改进预测模型并从性能洞察中学习。***，探索预测性维护数据的其他用途，例如自动监控报告和零件供应商的增强评估。
