预测性维护“杀手级”光环不再?行业如何“升级”迎接市场新未来

工业设备的维修维护通常分为三种——事后维修的“修复性维护”，属于是“亡羊补牢”；基于时间、设备性能、现场使用工况等综合因素对设备进行定期维修的“预防性维护”，更多凭人的经验；以及基于安装在设备上的各种传感器，实时监控设备运行状态，更准确的判断故障何时发生的“预测性维护”，是一种先知先觉的智慧。

过去多年间，伴随着工业互联网概念的火热，预测性维护曾被寄予厚望，甚至被不少业内人士誉为工业物联网IIoT的“杀手级”应用。然而，最近两三年来，预测性维护一词在媒体端已经少了许多声量，企业对其的态度似乎也没有以往那般热切。

那么，究竟是预测性维护已经失去了光环？还是市场对其的认知回归了理性？抑或是相关企业在另辟蹊径闷声发财？如今的预测性维护市场究竟发展的如何？

近日，知名物联网市场调研机构IoT Analytics发布了《2023-2028 年预测性维护和资产性能市场报告》，报告对预测性维护的市场规模、市场特性、未来增长等进行了调研和预判。因此，本文将基于过去多年来IoT Analytics对该市场的长期追踪，以及专业人士的相关洞察，就报告中的核心要点进行编译和解读。

预测性维护市场增长不如预期

根据最新一版的《2023-2028 年预测性维护和资产性能市场报告》，2022年，预测性维护市场规模达到 55 亿美元。过去两年不确定的经济状况和其他制造业优先事项导致2021年至2022年市场增长率为 11%。随着企业愈发关注效率、安全性和运营绩效方面的投资，IoT Analytics预计到2028年，预测性维护市场将以每年17%的速度增长。而那些拥有重资产和高停机成本的行业正在推动预测性维护解决方案的采用（例如石油和天然气、化学品、采矿和金属）。

单看这些数据可能不够直观，我们可以拿出往年的数据进行对比——在《2019-2024年预测性维护市场报告》中，IoT Analytics公司估算，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。

在后续的《预测性维护市场报告2021-2026市场报告》中，IoT Analytics更新了预期，预计2021年的预测性维护市场达到69亿美元，而传感器，大数据、边缘计算和人工智能等技术的进步以及物联网基础设施成本的下降会进一步推动预测性维护市场的快速发展，使得市场将以31％的复合年增长率（CAGR）增长 ，到2026年，该市场或将达到282亿美元。

从39%到31%，虽然IoT Analytics下调了预期，但30%以上的年复合增长率还是一个激进的数字。然而，到了今年，复合年增长率的预期再度被大幅下调为17%——很显然，整个预测性维护市场的增长不如预期。

预测性维护的重要性毋庸置疑——在许多行业中，如果不能准确预测大型设备资产的意外停机，可能会造成超过10万美元的损失。IoT Analytics的研究表明：11 个行业的非计划停机成本中位数约为每小时125,000 美元。由于石油和天然气、化工或金属等行业的设施每年都会发生几次严重的计划外停机，因此对预测性维护的投资可以通过第一次正确的预测来摊销。

然而，现实存在的问题是：许多预测性维护解决方案的准确性低于 50%。这给部署相关解决方案的企业带来了困扰，因为当系统警示他们派人前去维护却发现资产完全正常运行时，就会削弱对预测性解决方案的整体信任。为此，供应商一直在努力提高预测的准确性，提供更多数据源和更好的分析方法，包括人工智能驱动的分析。有积极的迹象表明，这种提高预测准确性的决定正在帮助最终用户。报告调研结果显示，95% 的预测性维护采用者获得了积极的投资回报率，其中 27% 在不到一年的时间里摊销了投资成本。

另一方面，客户的的要求也越来越高——工业互联网平台仅仅显示出故障预测和报警信息并不足够，最终用户希望工业互联网企业在合作协议中，保证设备的正常运行，如果发生停产损失，服务者需要承担一定的赔偿责任。这就意味着工业互联网企业除了利用预测性维护，将服务环节从“被动”变为“主动”之外，还要快速建立提供更多运维与深度服务的能力，才能真正将数据转变成价值。

不过总体来看，过去 12 年来，对预测性维护及相关概念的搜索兴趣一直在上升。自 2017 年IoT Analytics开始报道该主题以来，该术语的在线搜索量增长了近三倍，并且已经超出了基于状态的维护和资产绩效管理 (APM) 相关的搜索量。

异常检测类维护呈上升趋势

报告指出，随着市场的发展，出现了 3 种值得注意的预测性维护类型：

• 间接故障预测

• 异常检测

• 剩余使用寿命 (RUL)预测

它们之间的差异很大程度上取决于数据分析的目标、方法以及它们提供的输出/信息的类型。RUL 是最难实现的，因为资源需求和环境因素使其难以扩展。间接故障预测是最常用的方法，但IoT Analytics的研究表明——异常检测类别正在增加。

1.间接故障预测

间接故障预测方法通常采用基于维护要求、操作条件和运行历史的函数的机器健康评分方法。这种方法通常依赖于全面分析来产生相应分数，如果有大量数据可用，也可以使用监督式机器学习方法。

优势

• 可扩展性——间接故障预测可以更容易地扩展，因为它们依赖于设备制造商的性能规范/技术指标，而这些规范或指标在同一类型的机器上或多或少是相同的。

• 成本效益——间接故障预测可以使用现有的传感器和数据，减少对额外仪器的需求。

局限性

• 故障时间窗口准确性——间接故障预测不会给出机器发生故障的时间表。对于停机成本高昂的组织（例如重型设备行业）来说，这可能是一个问题。

• 依赖于历史数据——间接故障预测的有效性依赖于准确建模所需的大量历史数据的可用性。

2.异常检测

异常检测是查找和识别数据中的异常情况（即偏离通常模式或趋势的数据点）的过程。间接故障预测和 RUL 方法使用故障数据来预测未来故障，而异常检测则使用“正常”资产概况来检测与规范的偏差。这些偏差可能表明潜在的问题，例如故障、错误、缺陷，需要在造成严重损坏或停机之前检测和解决。当没有良好的故障数据存储库时，这种方法会变得更容易，并且它通常依赖于无监督式机器学习。

优势

• 数据和硬件要求低——异常检测模型无需接受故障数据训练即可识别问题。此外，由于这些模型需要的数据较少，因此它们不需要很高的计算能力。

• 高可扩展性和模型可移植性——异常检测模型是在正常操作数据上进行训练的，因此它们可以轻松应用于不同的机器，而无需重新训练或适应。

局限性

• 故障时间窗口准确性——与间接故障预测一样，异常检测模型不会给出机器发生故障的时间表，这对于停机成本高昂的组织来说可能是一个问题。

• 可能存在误报的情况——虽然市场上的大多数解决方案可以区分关键异常和非关键异常，但无监督机器学习模型的选择仍然很重要，因为它会影响这种区分的效果（例如，自动编码器和生成对抗网络不捕获正常操作的复杂性）。

3.剩余使用寿命（RUL）预测

RUL 是机器需要维修或更换之前的预期机器寿命或剩余使用时间。而使用寿命或使用时间是根据用于测量系统寿命的任何量来定义的（例如，行驶的距离、执行的重复周期或自运行开始以来的时间）。
这种方法依赖于从传感器数据中提取的状态指标，也就是说，当系统以可预测的方式退化时，来自传感器的数据与预期的退化值相匹配。状态指示器可以是任何有助于区分正常操作和故障操作的因素。这些指标是从已知条件下获取的系统数据中提取的，用以训练一个模型，该模型可以根据未知条件下获取的新数据来诊断或预测系统的状况。

优势

• 故障预测时间窗口——RUL 对于维护成本非常高且需要提前规划的行业特别有用，例如重型设备行业。

• 输出可靠性——由于 RUL 估算依赖于高质量和详细的数据，因此其输出的数据往往更加可靠。

局限性

• 资源需求——训练大型模型需要强大的计算硬件，特别是在本地进行时。

• 模型可移植性和可扩展性——不同的环境和使用模式可能会导致同一类型设备不同的故障模式。这意味着需要针对每个特定情况重新训练模型，从而降低其可扩展性和通用性。

预测维护软件工具有6大共同特点

软件是预测性维护技术堆栈中最大的部分，到 2022 年将占预测性维护市场的 44%。IoT Analytics的报告显示，尽管大多数成功的预测维护软件供应商专注于某个行业或某类资产，但他们的各种解决方案软件套件之间有 6 个共同特征：

• 数据采集

• 分析和模型开发

• 预训练模型

• 状态可视化、警报和用户反馈

• 第三方集成

• 规定性操作

特征1：数据采集

预测维护软件中的数据采集工具负责收集、标准化和存储有关资产健康/状况参数的数据。它们还收集识别和预测即将出现的问题所需的其他数据类型，例如业务和流程数据。

案例：美国预测维护软件供应商Predictronics提供 PDX DAQ，该应用程序允许用户在任何给定时间段内同步从多个来源收集的数据。该解决方案创建了一个数据库，协调来自不同传感器的所有时间戳，Predictronics 声称该数据库可以提供分析所需的信息并生成实时、有影响力的结果。

Predictronics DAQ 仪表板使用户能够选择必要的数据来创建用于预测分析的数据库（来源：Predictronics Corporation）

特征2：分析和模型开发

预测维护软件中的分析和模型开发工具可以分析、解释和传达数据模式，包括分析发现（例如，RCA、AD 模块）和建模（例如，特征工程以及模型选择和测试）。

案例：美国预测维护软件供应商Falkonry （最近被IFS收购）在其 Time Series AI 平台中提供 Workbench，这是一种基于 ML 的低代码解决方案，旨在帮助用户（特别是运营从业者，包括生产、设备或制造工程师）发现复杂物理系统中的早期预警或恶化阶段等模式。它还旨在使用户能够分析大量数据并构建预测模型。

Workbench 的质量检查屏幕显示一段时间内的数据点，以帮助操作员识别模式（来源：Falkonry）

特征3：预训练模型

预训练模型是指：通常为特定行业的特定资产设计的即用型模型。这些模型包括特定资产或故障模式的功能和参考（例如，热交换器的污垢、风扇的磨损和腐蚀、或压缩机的阀门泄漏）。这些旨在帮助最终用户查看模型示例，以便他们可以在模型的基础上进行构建或开发自定义的预测维护算法。

案例：美国资产管理软件供应商AspenTech（最近被艾默生收购）提供了 Mtell，这是一款应用程序，其中包括预先训练的行业特定资产模板，可帮助用户选择常见资产类别的传感器和 AI 功能，以快速创建和部署模型PdM 应用（例如，针对特定压缩机、涡轮机和鼓风机）。

炼油行业资产模板示例（来源：AspenTech）

特征4：状态可视化、警报和用户反馈

预测性维护软件中的状态可视化、警报和用户反馈工具可自动为不同部门的角色提供资产相关数据/洞察。这些洞察通常包括状态仪表板和触发工作指令或纠正措施、维护计划和优化的自动警报。这些工具还使用户能够提供有关警报准确性的反馈。

案例：美国分析软件供应商SAS Institute提供资产性能分析，其中包括状态仪表板和自动警报，旨在通知运营人员和管理人员即将发生的故障，以便组织有时间在小问题变成高昂代价之前识别和解决问题。

SAS Asset Performance Analytics 状态仪表板显示有关所选资产异常事件的数据（来源：SAS Institute）

特征5：第三方集成

第三方集成使用户能够将其预测维护软件连接到其他软件系统和工作流程管理工具，例如 ERP、MES、CMMS、APM和 Field Service。

案例：SKF是一家瑞典轴承和密封件制造公司，也提供状态监测和预测性维护解决方案，该解决方案可与现有工厂控制系统(例如MES或SCADA)和其他外部仪表板(例如ERP)相接。它还通过手持设备上的警报以可视化的方式为现场操作人员提供见解。

SKF 提供 API 开发人员门户，以协助开发人员进行第三方集成，并显示集成示例（来源：SKF）

特征6：规定性操作

规定性操作通常会建议在即将发生故障时采取的最佳操作。这些操作通常根据设计算法时设置的标准确定优先级。软件规定的操作根据问题的性质和紧急程度而有所不同。他们可能需要多个步骤或干预措施。例如，某些操作可能涉及自动调整设备参数或通知维护和操作团队必要的程序，以确保设备效率。

案例：Marathon 是来自挪威Arundo的预测性维护软件解决方案，它提供了一项名为Investigations的功能，旨在根据规定的公司标准提供解决设备问题的工作流程和说明。

Marathon 调查界面提供了解决潜在问题的规定操作（来源：Arundo）

成功的独立解决方案供应商专注于某个行业或特定资产

早期，预测性维护主要是初创公司为满足特定客户需求而开发的独立解决方案。然而，IoT Analytics的报告强调：复杂的预测性维护解决方案集成到大型的APM 和计算机化维护 (CMMS) 解决方案中，正在成为显著趋势。
APM 是一种战略性的设备管理方法，旨在帮助优化单个资产和整个工厂或车队的性能和维护效率。APM 旨在提高资产效率、可用性、可靠性、可维护性和整体生命周期价值。
各种APM供应商都在其APM产品中引入预测性维护软件工具。这些解决方案旨在将不同的功能绑定到一个线程中:

• 了解机器何时会发生故障，并绘制故障如何影响生产或输出

• 估计解决或预防问题需要花费多少费用

• 对问题是否值得修复或预防提出建议

通过将复杂的预测性维护解决方案纳入端到端资产管理流中，APM公司正试图成为客户数字化旅程的主要合作伙伴。IoT Analytics在报告中认为，改进APM解决方案的故障预测模块是当前领先APM供应商的关键举措之一。

示例：GE Digital的企业APM解决方案包括其预测性维护分析软件SmartSignal(来源:GE Digital)

值得关注的是，IoT Analytics的研究发现，30% 的预测性维护供应商提供独立的、专注于某个行业或特定资产的解决方案。因为已经在某个领域积累了丰富的知识和经验，这些供应商可以辨别其解决方案为最终用户带来最大利益的设备和行业类型。

案例：以色列数据科学公司ShiraTech Knowtion利用其设备专业知识提供 Predicto，这是一个专注于工业维护团队的工业物联网平台。该平台能够读取和处理来自生产工厂的传感器数据（理想情况下是基于其自己的多传感设备（iCOMOX））。该公司开发了针对电机、泵、输送机和管道的特定产品，这些针对资产定制的产品使公司能够扩大规模。

ShiraTech Knowtion 的 Predicto 仪表板监控一些专业资产，例如轴承（来源：ShitaTech Knowtion）

写在最后

基于报告核心洞察——在设计预测性维护解决方案的过程中，供应商应该考虑如何调整战略以进一步扩张市场，如何提高方案的准确性，如何更加专注于特定行业或资产；对于希望部署解决方案的用户而言，需要考虑解决方案类型的适用性，与现有系统的集成，供应商的专业化，方案的准确度，以及软件的特性和功能等要素。

总而言之，预测性维护市场虽未见暴风式成长，却也一步一脚印地向前迈进。