设备预测性维护市场，盘点五大巨头的应用案例 

导读：

近日，IoT Analytics发布了一份综合的市场报告，该报告聚焦于2017至2022年期间预测维护市场的机会。

何为预测性维护策略？简而言之就是借助算法分析检测故障发生前的机械状态，并预测故障发生的时间。除此之外，还能够确定可延长机械使用寿命的主动性任务类型。

预测性维护作为一个新兴市场，因为维护策略从所谓的事后控制方式转移到通过分析和启用预测性维护来解决问题，无疑向我们展示了一个就发展潜力的市场。在这个市场中，IoT平台商、低成本的安全云存储厂商以及提供动态数据模型的分析供应商扮演着至关重要的角色，发挥着越来越大的作用。

研究表明，物联网的发展和先进的分析推动了整个市场采取预测性维护策略，从而带来25％-30％的效率提升。IoT Analytics发布的这份报告中指出：2016-2022年期间预测性维护的复合年均增长率（CAGR）为39％；另外，到2022年，年度技术支出将达到10.96亿美元。

报告数据基于110家从事预测维护实施的技术公司相关业务的收入所得出，这些公司跨越13个行业和7个技术领域。这110多家企业中不乏一些初创企业，它们大部分是为预测性维护提供软件解决方案的公司。整份报告从以下五个不同的部分切入：

1. 状态监控的硬件

2. 工业自动化硬件

3. 通信连接

4. 存储与平台

5. 数据分析

下图显示的是前20名实现预测性维护的公司，而本文将展示重点展示其中五大预测性维护公司的相关案例。

前20名实现预测性维护的公司（声明：由于每家公司对于预测性维护的定义有所不同，加之在市场营销方面的力度也有差异，因此排名只是相对的，高排名并不意味着该公司拥有良好的预测性维护解决方案，也无法代表公司相关业务的收入。）

IBM

在所有的公司中，IBM之所以能拔得头筹，一方面得益于公司背后庞大的团队在预测性维护方面做出的努力，另一方面则是因为该公司通过媒体进行了大量的宣传报道，从而提高了其在预测性维护市场的知名度。

IBM 的PMQ(Predictive Maintenance andQuality)大数据分析预测解决方案基于对设备性能和使用状况的实时分析，通过监测、分析和记录设备的数据，从而输出主要设备的健康管理数据，减少非计划成本，延长设备寿命，提高产品质量和收益等。

案例一

IBM和电梯公司KONE签约合作，后者在全球拥有几百万台电梯和自动扶梯。这些电梯设备上的传感器无时无刻的不在把电梯的运行数据上传到IBM的云端。

IBM Watson 可以实时分析电梯周围环境的温度、湿度；电梯或扶梯的停靠准确性、运行速度、开门关门是否有时延，停顿后是否有颠簸等等。所有这些数据都能自动传输到IBM Watson平台上进行分析和监测，这些数据体现了KONE分布全球的电梯和自动扶梯的即时运行状况。通过分析这些数据信息，能够预测电梯运行状况是否存在风险，或电梯是否需要维修保养。

实际上，IBM 也是在拿KONE 电梯和自动扶梯业务做小样本测试，如果Watson能通过处理电梯或自动扶梯的监测数据来保障设备的安全运行，那么未来在类似设备的远程监测领域，Watson的用途和商机无限。

案例二

IBM利用 Watson IoT数据分析和优化能力，帮助美国的普惠发动机公司实现预测性维护，从而防止由于发动机故障导致的飞机事故。

之前，普惠发动机公司虽然能够收集关于其发动机运行的大量数据，但缺乏整合和分析数据的能力，不能提前预测发动机潜在的故障隐患。

IBM通过PMQ的预测模型和数据集成模块将发动机的运行工况等数据进行360度的健康和风险主题分析，并将这些分析结果及时反馈给惠普，97%的空中停机预警准确率可以有效规避由于发动机故障导致的飞机事故，保障飞行安全。

SAP

SAP发力预测性维护市场已然有多年历史，并因此成为与“预测性维护”相关的关键词搜索最多的公司。借助SAP 预测性维护及服务，企业可以更深入地洞察海量实时数据，进而采用全新的方式，管理企业资产、提供现场服务。

案例

全球最大的空气压缩系统供应商之一的凯撒空压机，借助SAP 预测性维护及服务解决方案实时监控压缩空气站的情况，并在客户资产出现故障之前主动采取维护措施。

• 预测故障，快速响应维护条件，并积极采取行动；

• 利用实时故障管理，对系统故障进行识别、隔离并恢复；

• 根据最新的详细信息，按绩效派遣技术人员提供服务；

• 优化资产管理，追踪和监控资产位置，并实现远程维护场景；

• 自动订购零部件与耗材，实现收入最大化。

该解决方案更是为凯撒带来了全新的业务模式创新——客户可以按照传感器记录的实际空气压缩量来付费。该举措对凯撒，甚至其客户都是一项共赢的商业模式，拓展了凯撒公司的收入来源。

西门子

作为工业自动化的专家，西门子与SAP和IBM做预测性维护的角度不同——通常是将预测维护应用于工厂设置和工业设备的自动化系统中。因此，在坐拥海量数据的基础上，西门子已经有了建立机器学习算法的前提。例如，为了在NASA阿姆斯特朗飞行中心（冷却系统）实施预测性维护，西门子与美国的Azima DLI合作，Azima DLI致力于提供分析服务。在另一个项目中，西门子于2016年10月在德国铁路公司推出了为期12个月的预测性维护试点。

案例一

西门子正在与IBM携手合作，进一步为客户简化MindSphere的数据分析功能。双方计划将数据分析服务“IBM Watson Analytics”以及更多分析工具融入MindSphere。此举旨在使企业客户能利用可视化功能和仪表盘工具，而应用开发人员和数据分析人员能通过交互界面来利用分析技术。IBM还打算为MindSphere开发应用，比如在预测性维护领域。IBM和西门子希望在高效分析技术以及工业自动化和数字化等领域将各自的技术专长融合在一起，并以此帮助其客户迈向数字化。

案例二

西门子Healthineers在HIMSS17大会上宣布，其已推出一款针对医疗保健提供商、解决方案和服务提供商的数字平台。该平台的目标是促进数字生态系统的发展，将数字生态系统与医疗服务提供商和解决方案提供商相互联系起来，让他们在该平台上交流数据、应用和服务，实现数据提供者和专家之间的快速、简单和无缝的交互，为医疗保健作出贡献。

通过数字生态系统，西门子Healthineers将为客户提供可用于不同评估的汇总数据。例如，用于预测分析的工具可以使用户能够辨别新的相关性和趋势，以帮助改善诊断并指导治疗选择。全球知识交流是医学改善病人护理的重要途径。西门子Healthineers数字生态系统允许专家与世界各地的同行联系和沟通，医疗保健提供者可以从西门子健康医生在几乎所有临床领域的广泛专业知识中受益，其中包括医疗保健市场数据安全方面的经验。该平台计划于2017年秋季上市。

微软

微软Azure正致力于将自己发展成为工业IoT解决方案和预测性维护的首选公共云平台。根据该市场报告，越来越多的预测性维护的应用程序正在从内部部署转移到云端。到2022年，大约有70％的预测性维护设置将被云托管。除了云基础架构，微软Azure目前还有两个“预先配置的解决方案”，旨在帮助任何人轻松上手，例如提供必要的分析引擎-“预测维护”和“远程监控”。

案例一

去年，蒂森克虏伯电梯在汉诺威工业博览会上推出全球首个采用微软Azure物联网（IoT）技术的预测性电梯维保解决方案MAX。借助物联网技术的力量，MAX可以让电梯“告诉”维保人员它真正的需求，包括实时维修需求识别、部件更换以及预测性系统维护，从而使得维修人员能及时采取相应措施，大幅度提升电梯的正常运行时间。

通过MAX，电梯可以通过云平台连接起来，从而对包括运行速度、载重和门系统在内的所有功能进行精确监测。通过‘微软Azure机器学习’服务，MAX致力于改变电梯服务，提高效率并在未来实现停机时间缩短一半。

案例二

在去年的CES上，微软高管谈论了其 “互联汽车”（Connected Car）战略，该战略目的是将车辆连接到诸如 Office 365 和 Azure 之类的微软云服务上。而在今年CES现场，微软旧调重弹，再次强调了“互联汽车”的概念，不过他们给此次升级版的Connected Car 2.0取了个新名字叫Connected Vehicle，但是目标并未改变：将汽车联入微软云服务。随后，微软与雷诺-日产宣布合作，将在新一代汽车中使用微软云服务进行导航、预测性维护和远程车辆监控。Microsoft Connected Vehicle是一个“活跃、机动的平台，以云服务为基础，旨在解决合作伙伴提出的五个优先级核心任务：预测性维护、提高车载产品生产率、高级导航、消费者需求以及辅助自动驾驶”。

GE

GE的预测性维护包含了两个角度：一是建立在硬件状态监控领域之上的 GE Measurements，二是涵盖了预测性维护的软件和分析部分的GE Digital。GE的Predix平台以资产绩效管理（APM）的基础，GE称其是物联网领域第一个“杀手级应用”。此外，GE Digital正在推进数字双胞胎的概念，这是预测维护分析的重要基础。

案例

GE Transportation再制造工厂是通用集团旗下的柴油机回收、维修及再制造工厂，这个工厂是由旧工厂改造而来，主要是利用Predix平台在底层实现车间设备的数据采集和互联，然后将这些数据反馈到Predix平台进行分析，来跟踪设备状态，产线状态和信息，进而提高设备及过程的可控性，降低生产成本和风险，并提升企业的盈利能力。针对每一台内燃机中柴油机的使用工况进行有针对性的再制造，尽可能利用还可以使用的零部件。

特别值得一提的是，GE Transportation工厂已经部署图像采集和分析系统，通过对产线的每个工段进行图像抓取和匹配识别，实时对车间生产进度和状态的跟踪。

GE每天监测和分析来自1000万个传感器的5000万条数据，这些数据涉及资产价值达到万亿美元。Predix工业物联网大数据分析云平台可以帮助客户将海量数据转化为准确的决策，及时、主动地确保资产安全、帮助设备更好地运行、消耗更少的燃料、更高效地部署服务，并且最大限度地减少意外停机时间。

除了GE、西门子等传统工业企业以外，技术巨头亚马逊、思科、Google、IBM以及微软等也对工业物联网虎视眈眈，甚至一些初创企业也蠢蠢欲动。值得注意的是，下一代分析技术的许多技术创新来自于一些初创企业。报告指出，由于各种原因（例如成本，数据隐私和灵活性），许多原始设备制造商更愿意与较小的供应商进行合作。在有关预测性维护项目的大军中，C3 IoT、Uptake和SpaceTimeInsight这三家无疑最受欢迎，资金输入自然名列前茅。

总结

在现实的生产过程，故障的发生率远比我们想像的更加难以控制：产生线突然的停机，排除故障的延时，人为的操作失误，重复的设备维护导致额外成本的增加，维护设备的不及时性等。我们往往都在被动的接受故障发生，并在故障发生后进行着“不能精确计算是否为最合理”的维护。

工厂不仅是设备的集合，更是“活着的管家”，他懂你，他能告诉你目前“家里”各部门的运行状况，他还能根据过去运行数据与当下运行数据的累计进行实时监控与分析，预测未来可能出现的状况，并提前告诉你哪些设备需要维护哪些设备需要更换，这一决策基于客观的数据分析与判断，规避了人为的经验主义；同时，提前预警为你留出了充分的时间对维护做提前的准备，避免突然停机再维护的高额成本，这提高了工厂的制造效率。

更进一步，基于数据的智能工厂无处不在，会出现真正的无人工厂，机械手臂替代劳动力，工厂内所有设备的运行数据都将展现在管理者面前。不仅是了解运营状况与预测未来，还可自动触发工单分派任务与自我维护，甚至还能在不断的纠错的过程中，自我总结与学习，给出更合理的建议与执行方案。

为了适应极富挑战性的工业环境，系统工程领域、生产 IT 领域以及业务系统领域必须实现前所未有的集成以提升生产效率。