盡管物聯網傳感器的影響是多方面的，但對于現代公司來說，可能沒有什么比預測性維護工具更重要的了。根據德勤（Deloitte）的一份報告，預測企業資產的故障可以將設備正常運行時間增加20%，將生產效率提高25%，并將故障減少70%。
除此之外，該研究還發現，預測性維護可以將維護成本降低 25%。這可以成為許多行業的救命稻草，這引發了一個問題，什么是預測性維護，它是如何工作的？
什么是預測性維護？
預測性維護的最終目標是通過成功預測資產何時發生故障，并僅在需要時進行維護，從而避免代價高昂的停機時間。為此，需要對環境傳感器和其他物聯網監測裝置收集到的數據進行徹底審查和分析，以創建關鍵任務型設備性能的可操作見解和使用模式。
就其本質而言，預測性維護改進了被動式模式，在這些被動式模式中，計劃外停機是不可避免的。2015 年 Carbonite 的一項研究估計，小型企業的停機成本可能高達每分鐘 427 美元，而大中型公司的成本飆升至每分鐘 9,000 美元以上。
采用基于時間的維護計劃的組織可能能夠避免計劃外停機，但低效資產維護的成本也可能迅速增加。主要風險是過于頻繁地維護資產，導致不必要的支出，用于更換仍然可以使用的資產零件或設備。監測這些相同的資產，并以更高效的計劃進行維護，可以比定期維護節省高達12%的費用。
它是如何工作的？
其核心是，所有預測性維護都是從監測設備的特定條件開始的。這些條件通?；跉v史性能數據或設備規格，旨在為資產的最佳性能環境創建一個范圍。這就建立了一個監測機制來比較每項資產的當前狀況。這些狀況通過物聯網傳感器進行觀察，并對數據進行監測，以發現任何可能導致潛在故障的異常行為。
預測性維護中使用的傳感器種類繁多，其中最常見的是：溫度傳感器、濕度傳感器、運動傳感器、聲音傳感器、光波傳感器、電流傳感器等。
當然，像安全攝像頭這樣更簡單的物聯網解決方案也是預測性維護的重要組成部分。能夠從遠程位置觀察資產的任何明顯變化，這對于跨地理區域（如輸油管道或電力線）用例中的維護工作尤其寶貴。
人工智能和物聯網解決方案
當然，故障并不完全發生在工作時間，因此依靠人眼來監測數百個潛在的預測性維護數據流通常不是最有效的，因此，開發人員采用人工智能來分析資產性能的異常變化。
人工智能通常基于歷史數據構建的統計模型來從物聯網傳感器中提取數據，并根據被概述為潛在退化跡象的參數來運行數據，并在滿足這些條件時創建通知。為此，人工智能創建了數學模型，將溫度和活動等因素編碼為簡單的數值點。
RapidMiner 的數據科學家 Scott Genzer說：“這實際上只不過是我們幾十年來一直在做的老式數學模型，不同之處在于，我們現在有計算能力來[處理]大量數據，以找出模式。”
最后
隨著概念的成熟，預計預測性維護將變得更加普遍。Markets and Markets最近的一份報告預測，到2026年，預測性維護市場的估值可能達到159億美元。
這一概念已迅速成為工業 4.0 的一個基本要素，從汽車行業到建筑工地，再到油田，它無所不在。然而，MarketsandMarkets報告指出，政府和國防工業是預測性維護最大的應用領域。
