Date: 2022-2-22 15:01:13

浅析预测性维护的发展

近年来，工业互联网的发展势头迅猛，在智能制造、工业4.0等政策的推动下，5G、大数据、人工智能等新的技术是释放工业数据的要素价值的重要手段，在国家工业信息安全发展研究中心发布的《工业互联网创新发展白皮书》中，主要应用场景包括设备/及产品管理、业务与运营优化、社会化资源协作三大类。设备及产品管理场景行业的应用案例最为广泛，主要包括状态检测、故障诊断、预测性维护及远程运维。

工业互联网平台应用整体情况

在设备及产品管理中，状态监测与报警是最主要的应用场景。对绝大多数的工业企业来说，设备的正常运行是生产的前提，通过设备的状态检测能有效的避免非故障停机，从而降低设备故障带来的生产损失和维护成本。

我国工业互联网平台应用场景案例分布

然而，状态监测是被动的收集设备的运行数据，未能前瞻性的预测设备运行故障，随着“工业4.0”概念的提出，预测性维护成为该概念的重要创新点之一。更精巧的传感器、更高速的通信网络以及更强大的数据运算平台也为预测性维护的发展铺平了道路。

截止2017年底，在153家企业中，已经有超过80%的企业正积极着手处理有关预测性维护的相关问题。其受访企业类型包括输变电工程与液压动力、电气自动化与机器人、机床与制造系统、软件与数字化企业等。

对预测性维护的理解与掌握 

预测性维护市场情况

市场规模

在《2019-2024年预测维护市场报告》中，2018年全球预测维护市场规模达33亿美元，预计到2024年，其复合年增长率将超过39%，达到235亿美元。

全球预测性维护市场 

全球产业链

180+预测性维护企业市场

预测性维护公司主要分为四种：

硬件设备（28%）

状态监测：为振动或温度等机器参数测量提供传感和状态监测解决方案的公司。工业自动化：提供工业控制系统的公司，例如用于处理过程和机器数据的PLC/DCS系统。

通讯供应商（6%）：提供通信模组、网关、M2M（Machine-to-Machine）连接等实现有线/无线连接的公司。

存储与平台（25%）：提供云存储和支持预测性维护应用程序存储与平台公司。

数据分析（35%）：提供数据工程、数据科学服务和机器学习集成的公司。

9类预测性维护分析供应商

聚焦数据分析类的公司，可分为九种类型：

基础分析

数据可视化：用于创建仪表板、图表等的软件，如Tableau、Sisense

分析库：可用于构建预测性维护模型/软件的统计和数学软件包，如Tensorflow、Python

工程数据

大数据自动化：用于数据采集/输入过程自动化的服务/产品，如Infoworks、Xtracta等

数据工程:针对数据工程过程的服务/产品，如Data Engineers

通用数据科学

统计分析:用于复杂统计分析的软件，如:Statsoft, Vitria

数据挖掘:挖掘已存在的大型数据库并生成新信息的软件，如Rapidminer、Knime

机器学习:专门为机器学习应用程序开发的软件如Avora、Shogun

预测维护定制分析

预测分析:根据机器数据生成预测的服务/产品，如Falconry，Senseye

异常检测:实时检测异常的服务/产品，如Splunk、Numentra

国内预测性维护主要玩家

作为工业4.0中重要的组成部分，预测性维护也受到了众多厂商的青睐，其中，国内的预测性维护玩家主要分为以下三类：

系统集成商，如SIEMENS、ABB、Honeywell、Schneider等

该类型企业多为传统自动化控制集成商，数字化转型倡导方，具有较强的系统集成能力，提供工业4.0整体解决方案。预测性维护作为其工业4.0软件的一个模组，通过自研开发及收购第三方预测性维护企业融入整体解决方案中。其客户类型广泛、涵盖外企、国企及民营企业。

国内工业巨头或其剥离孵化的企业，如树根互连、徐工信息、卡奥斯等

该企业多为各行业的领军企业，或领军企业剥离出的技术公司。落地应用场景丰富，多基于自身实际应用场景开发预测性维护功能，并逐步推向市场。其客户基本为国内企业，或者是在中国运营的跨国企业，鲜少有国外客户。

针对细分行业痛点或设备提供解决方案的企业，如联智科技、寄云科技、中科森尼瑞等

该企业具备细分行业或设备的实践经验，充分了解其行业痛点或设备运行性能，通过提供针对性较强的预测性维护解决方案，多为细分领域的专业服务提供商。产品类型可分为硬件、软件或软硬结合等。解决方案显得更加小巧、简单。

人工智能与预测性维护

随着芯片计算能力、软件算法以及解决方案的不断进步和成熟，工业成为了人工智能重点探索的方向，在《互联网+人工智能三年行动实施方案》、《新一代人工智能发展规划》、《促进新一代人工智能产业发展三年行动计划》中，工业为人工智能重点示范领域之一，同时，我国出台了一系列文件推动人工智能与工业的融合发展，2015年国务院正式发布《中国制造2025》、2017 年10月发布《关于深化“互联网+先进制造业”发展工业互联网的指导意见》等。

工业领域相关问题分类

根据工业互联网产业联盟的分类，针对工业智能问题按照影响因素和复杂度分为四类：一是多因素复杂问题，二是多因素简单问题，三是少因素简单问题，四是少因素复杂问题。

人工智能在工业两大技术方向

其中深度学习和知识图谱是当前人工智能在工业实现的两大技术方向：深度学习侧重于解决影响因素较少，但计算度较高的复杂问题；知识图谱侧重与解决影响因素较多，但机理相对简单的问题。

工业智能应用总体视图

而预测性维护概念是从“状态监测”这一概念发展而来，根据工业智能应用总体视图显示，机器学习与深度学习的发展极大的推动了预测性维护的落地应用。设备/系统预测性维护场景中，机器学习的方法拟合设备运行复杂非线性关系，能够提升预测准确率，减少成本与故障率。其常用的方法有时序模型预测法、灰色模型预测法和神经网络预测法。

轻量级的边缘实时检测

通过搭载边缘端设备，全息信息建模从多渠道、多视角地获取设备的时空状态信息，使设备信息更为可靠。多感知融合从多层次、多空间来对设备的数据进行信息互补和优化组合，使设备信息更加全面。基于AI算法与态势感知的故障监测及预测系统，使预测性维护响应更加精准和快速。

应用领域：气动执行器、步进电机、伺服电机、传送带、光电开关、视觉检测等工业自动化检测线与生产线，根据设备状态数据，使设备实时保持最优状态，并完成实时故障监测与预测。

基于大数据的故障分析预测系统

大数据故障分析预测系统搭载了适合复杂环境中需要高鲁棒性的类脑算法，通过多尺度特征截取模型，建立基于态势感知的知识图谱，应用于故障分析预测系统中。目前企业监测系统的现状是分散且独立运行，管理人员无法及时了解生产设备的实施情况；由于企业内故障诊断专家数量稀少，不足以满足数量庞大的设备故障诊断及预测需求。传统方法是通过对关键设备定期关机来执行维护方案；通过部署了预测性维护系统，保存重要设备的历史数据，设置数据清洗规则，基于各类匹配分析算法和故障诊断规则，定期进行设备故障诊断；结合实时监控设备运行状态数据，通过大数据建模进行预测性维护，能提前发现潜在故障，降低非计划停机频率。

应用领域：机械行业、电子电力行业、钢铁行业、石化行业等。

总之，随着智能制造，工业4.0的普及，国家对工业互联网的推动等诸多因素，预测性维护未来的发展令人期待，但如何真正的让其在行业中发挥最大的价值，仍需要各方不断的探讨，令其开花结果。

信息来源：act 工业AI

作为中国少有的工业设备智能维护展示平台，SMEE 2022将于7月28-30日在上海新国际博览中心举办，展会聚焦工业智能维护产业战略、技术、设备及解决方案，致力于为制造业提供更具保障的生产解决方案。

展会细分为四大板块，分别是预维护技术、工程与服务、维修、运维等。同期，DFS数字科技与应用系列展会共同举行的集聚效应将使您的公司受益匪浅，尽享跨界商务盛宴，明年7月SMEE与您相约上海！