作者：Sophia
物聯網智庫 原創
工業設備的維修維護通常分為三種——事后維修的“修復性維護”，屬于是“亡羊補牢”；基于時間、設備性能、現場使用工況等綜合因素對設備進行定期維修的“預防性維護”，更多憑人的經驗；以及基于安裝在設備上的各種傳感器，實時監控設備運行狀態，更準確的判斷故障何時發生的“預測性維護”，是一種先知先覺的智慧。
過去多年間，伴隨著工業互聯網概念的火熱，預測性維護曾被寄予厚望，甚至被不少業內人士譽為工業物聯網IIoT的“殺手級”應用。然而，最近兩三年來，預測性維護一詞在媒體端已經少了許多聲量，企業對其的態度似乎也沒有以往那般熱切。
那么，究竟是預測性維護已經失去了光環？還是市場對其的認知回歸了理性？抑或是相關企業在另辟蹊徑悶聲發財？如今的預測性維護市場究竟發展的如何？
近日，知名物聯網市場調研機構IoT Analytics發布了《2023-2028 年預測性維護和資產性能市場報告》，報告對預測性維護的市場規模、市場特性、未來增長等進行了調研和預判。因此，本文將基于過去多年來IoT Analytics對該市場的長期追蹤，以及專業人士的相關洞察，就報告中的核心要點進行編譯和解讀。
預測性維護市場增長不如預期
根據最新一版的《2023-2028 年預測性維護和資產性能市場報告》，2022年，預測性維護市場規模達到 55 億美元。過去兩年不確定的經濟狀況和其他制造業優先事項導致2021年至2022年市場增長率為 11%。隨著企業愈發關注效率、安全性和運營績效方面的投資，IoT Analytics預計到2028年，預測性維護市場將以每年17%的速度增長。而那些擁有重資產和高停機成本的行業正在推動預測性維護解決方案的采用（例如石油和天然氣、化學品、采礦和金屬）。
單看這些數據可能不夠直觀，我們可以拿出往年的數據進行對比——在《2019-2024年預測性維護市場報告》中，IoT Analytics公司估算，2018年全球預測維護市場規模達33億美元，預計到2024年，其復合年增長率將超過39%，達到235億美元。
在后續的《預測性維護市場報告2021-2026市場報告》中，IoT Analytics更新了預期，預計2021年的預測性維護市場達到69億美元，而傳感器，大數據、邊緣計算和人工智能等技術的進步以及物聯網基礎設施成本的下降會進一步推動預測性維護市場的快速發展，使得市場將以31％的復合年增長率（CAGR）增長 ，到2026年，該市場或將達到282億美元。
從39%到31%，雖然IoT Analytics下調了預期，但30%以上的年復合增長率還是一個激進的數字。然而，到了今年，復合年增長率的預期再度被大幅下調為17%——很顯然，整個預測性維護市場的增長不如預期。
預測性維護的重要性毋庸置疑——在許多行業中，如果不能準確預測大型設備資產的意外停機，可能會造成超過10萬美元的損失。IoT Analytics的研究表明：11 個行業的非計劃停機成本中位數約為每小時125,000 美元。由于石油和天然氣、化工或金屬等行業的設施每年都會發生幾次嚴重的計劃外停機，因此對預測性維護的投資可以通過第一次正確的預測來攤銷。
然而，現實存在的問題是：許多預測性維護解決方案的準確性低于 50%。這給部署相關解決方案的企業帶來了困擾，因為當系統警示他們派人前去維護卻發現資產完全正常運行時，就會削弱對預測性解決方案的整體信任。為此，供應商一直在努力提高預測的準確性，提供更多數據源和更好的分析方法，包括人工智能驅動的分析。有積極的跡象表明，這種提高預測準確性的決定正在幫助最終用戶。報告調研結果顯示，95% 的預測性維護采用者獲得了積極的投資回報率，其中 27% 在不到一年的時間里攤銷了投資成本。
另一方面，客戶的的要求也越來越高——工業互聯網平臺僅僅顯示出故障預測和報警信息并不足夠，最終用戶希望工業互聯網企業在合作協議中，保證設備的正常運行，如果發生停產損失，服務者需要承擔一定的賠償責任。這就意味著工業互聯網企業除了利用預測性維護，將服務環節從“被動”變為“主動”之外，還要快速建立提供更多運維與深度服務的能力，才能真正將數據轉變成價值。
不過總體來看，過去 12 年來，對預測性維護及相關概念的搜索興趣一直在上升。自 2017 年IoT Analytics開始報道該主題以來，該術語的在線搜索量增長了近三倍，并且已經超出了基于狀態的維護和資產績效管理 (APM) 相關的搜索量。
異常檢測類維護呈上升趨勢
報告指出，隨著市場的發展，出現了 3 種值得注意的預測性維護類型：
間接故障預測
異常檢測
剩余使用壽命 (RUL)預測
它們之間的差異很大程度上取決于數據分析的目標、方法以及它們提供的輸出/信息的類型。RUL 是最難實現的，因為資源需求和環境因素使其難以擴展。間接故障預測是最常用的方法，但IoT Analytics的研究表明——異常檢測類別正在增加。
1.間接故障預測
間接故障預測方法通常采用基于維護要求、操作條件和運行歷史的函數的機器健康評分方法。這種方法通常依賴于全面分析來產生相應分數，如果有大量數據可用，也可以使用監督式機器學習方法。
優勢
可擴展性——間接故障預測可以更容易地擴展，因為它們依賴于設備制造商的性能規范/技術指標，而這些規范或指標在同一類型的機器上或多或少是相同的。
成本效益——間接故障預測可以使用現有的傳感器和數據，減少對額外儀器的需求。
局限性
故障時間窗口準確性——間接故障預測不會給出機器發生故障的時間表。對于停機成本高昂的組織（例如重型設備行業）來說，這可能是一個問題。
依賴于歷史數據——間接故障預測的有效性依賴于準確建模所需的大量歷史數據的可用性。
2.異常檢測
異常檢測是查找和識別數據中的異常情況（即偏離通常模式或趨勢的數據點）的過程。間接故障預測和 RUL 方法使用故障數據來預測未來故障，而異常檢測則使用“正?！辟Y產概況來檢測與規范的偏差。這些偏差可能表明潛在的問題，例如故障、錯誤、缺陷，需要在造成嚴重損壞或停機之前檢測和解決。當沒有良好的故障數據存儲庫時，這種方法會變得更容易，并且它通常依賴于無監督式機器學習。
優勢
數據和硬件要求低——異常檢測模型無需接受故障數據訓練即可識別問題。此外，由于這些模型需要的數據較少，因此它們不需要很高的計算能力。
高可擴展性和模型可移植性——異常檢測模型是在正常操作數據上進行訓練的，因此它們可以輕松應用于不同的機器，而無需重新訓練或適應。
局限性
故障時間窗口準確性——與間接故障預測一樣，異常檢測模型不會給出機器發生故障的時間表，這對于停機成本高昂的組織來說可能是一個問題。
可能存在誤報的情況——雖然市場上的大多數解決方案可以區分關鍵異常和非關鍵異常，但無監督機器學習模型的選擇仍然很重要，因為它會影響這種區分的效果（例如，自動編碼器和生成對抗網絡不捕獲正常操作的復雜性）。
3.剩余使用壽命（RUL）預測
RUL 是機器需要維修或更換之前的預期機器壽命或剩余使用時間。而使用壽命或使用時間是根據用于測量系統壽命的任何量來定義的（例如，行駛的距離、執行的重復周期或自運行開始以來的時間）。
這種方法依賴于從傳感器數據中提取的狀態指標，也就是說，當系統以可預測的方式退化時，來自傳感器的數據與預期的退化值相匹配。狀態指示器可以是任何有助于區分正常操作和故障操作的因素。這些指標是從已知條件下獲取的系統數據中提取的，用以訓練一個模型，該模型可以根據未知條件下獲取的新數據來診斷或預測系統的狀況。
優勢
故障預測時間窗口——RUL 對于維護成本非常高且需要提前規劃的行業特別有用，例如重型設備行業。
輸出可靠性——由于 RUL 估算依賴于高質量和詳細的數據，因此其輸出的數據往往更加可靠。
局限性
資源需求——訓練大型模型需要強大的計算硬件，特別是在本地進行時。
模型可移植性和可擴展性——不同的環境和使用模式可能會導致同一類型設備不同的故障模式。這意味著需要針對每個特定情況重新訓練模型，從而降低其可擴展性和通用性。
預測維護軟件工具有6大共同特點
軟件是預測性維護技術堆棧中最大的部分，到 2022 年將占預測性維護市場的 44%。IoT Analytics的報告顯示，盡管大多數成功的預測維護軟件供應商專注于某個行業或某類資產，但他們的各種解決方案軟件套件之間有 6 個共同特征：
數據采集
分析和模型開發
預訓練模型
狀態可視化、警報和用戶反饋
第三方集成
規定性操作
特征1：數據采集
預測維護軟件中的數據采集工具負責收集、標準化和存儲有關資產健康/狀況參數的數據。它們還收集識別和預測即將出現的問題所需的其他數據類型，例如業務和流程數據。
案例：美國預測維護軟件供應商Predictronics提供 PDX DAQ，該應用程序允許用戶在任何給定時間段內同步從多個來源收集的數據。該解決方案創建了一個數據庫，協調來自不同傳感器的所有時間戳，Predictronics 聲稱該數據庫可以提供分析所需的信息并生成實時、有影響力的結果。
Predictronics DAQ 儀表板使用戶能夠選擇必要的數據來創建用于預測分析的數據庫（來源：Predictronics Corporation）
特征2：分析和模型開發
預測維護軟件中的分析和模型開發工具可以分析、解釋和傳達數據模式，包括分析發現（例如，RCA、AD 模塊）和建模（例如，特征工程以及模型選擇和測試）。
案例：美國預測維護軟件供應商Falkonry （最近被IFS收購）在其 Time Series AI 平臺中提供 Workbench，這是一種基于 ML 的低代碼解決方案，旨在幫助用戶（特別是運營從業者，包括生產、設備或制造工程師）發現復雜物理系統中的早期預警或惡化階段等模式。它還旨在使用戶能夠分析大量數據并構建預測模型。
Workbench 的質量檢查屏幕顯示一段時間內的數據點，以幫助操作員識別模式（來源：Falkonry）
特征3：預訓練模型
預訓練模型是指：通常為特定行業的特定資產設計的即用型模型。這些模型包括特定資產或故障模式的功能和參考（例如，熱交換器的污垢、風扇的磨損和腐蝕、或壓縮機的閥門泄漏）。這些旨在幫助最終用戶查看模型示例，以便他們可以在模型的基礎上進行構建或開發自定義的預測維護算法。
案例：美國資產管理軟件供應商AspenTech（最近被艾默生收購）提供了 Mtell，這是一款應用程序，其中包括預先訓練的行業特定資產模板，可幫助用戶選擇常見資產類別的傳感器和 AI 功能，以快速創建和部署模型PdM 應用（例如，針對特定壓縮機、渦輪機和鼓風機）。
煉油行業資產模板示例（來源：AspenTech）
特征4：狀態可視化、警報和用戶反饋
預測性維護軟件中的狀態可視化、警報和用戶反饋工具可自動為不同部門的角色提供資產相關數據/洞察。這些洞察通常包括狀態儀表板和觸發工作指令或糾正措施、維護計劃和優化的自動警報。這些工具還使用戶能夠提供有關警報準確性的反饋。
案例：美國分析軟件供應商SAS Institute提供資產性能分析，其中包括狀態儀表板和自動警報，旨在通知運營人員和管理人員即將發生的故障，以便組織有時間在小問題變成高昂代價之前識別和解決問題。
SAS Asset Performance Analytics 狀態儀表板顯示有關所選資產異常事件的數據（來源：SAS Institute）
特征5：第三方集成
第三方集成使用戶能夠將其預測維護軟件連接到其他軟件系統和工作流程管理工具，例如 ERP、MES、CMMS、APM和 Field Service。
案例：SKF是一家瑞典軸承和密封件制造公司，也提供狀態監測和預測性維護解決方案，該解決方案可與現有工廠控制系統(例如MES或SCADA)和其他外部儀表板(例如ERP)相接。它還通過手持設備上的警報以可視化的方式為現場操作人員提供見解。
SKF 提供 API 開發人員門戶，以協助開發人員進行第三方集成，并顯示集成示例（來源：SKF）
特征6：規定性操作
規定性操作通常會建議在即將發生故障時采取的最佳操作。這些操作通常根據設計算法時設置的標準確定優先級。軟件規定的操作根據問題的性質和緊急程度而有所不同。他們可能需要多個步驟或干預措施。例如，某些操作可能涉及自動調整設備參數或通知維護和操作團隊必要的程序，以確保設備效率。
案例：Marathon 是來自挪威Arundo的預測性維護軟件解決方案，它提供了一項名為Investigations的功能，旨在根據規定的公司標準提供解決設備問題的工作流程和說明。
Marathon 調查界面提供了解決潛在問題的規定操作（來源：Arundo）
成功的獨立解決方案供應商專注于某個行業或特定資產
早期，預測性維護主要是初創公司為滿足特定客戶需求而開發的獨立解決方案。然而，IoT Analytics的報告強調：復雜的預測性維護解決方案集成到大型的APM 和計算機化維護 (CMMS) 解決方案中，正在成為顯著趨勢。
APM 是一種戰略性的設備管理方法，旨在幫助優化單個資產和整個工廠或車隊的性能和維護效率。APM 旨在提高資產效率、可用性、可靠性、可維護性和整體生命周期價值。
各種APM供應商都在其APM產品中引入預測性維護軟件工具。這些解決方案旨在將不同的功能綁定到一個線程中:
了解機器何時會發生故障，并繪制故障如何影響生產或輸出
估計解決或預防問題需要花費多少費用
對問題是否值得修復或預防提出建議
通過將復雜的預測性維護解決方案納入端到端資產管理流中，APM公司正試圖成為客戶數字化旅程的主要合作伙伴。IoT Analytics在報告中認為，改進APM解決方案的故障預測模塊是當前領先APM供應商的關鍵舉措之一。
示例：GE Digital的企業APM解決方案包括其預測性維護分析軟件SmartSignal(來源:GE Digital)
值得關注的是，IoT Analytics的研究發現，30% 的預測性維護供應商提供獨立的、專注于某個行業或特定資產的解決方案。因為已經在某個領域積累了豐富的知識和經驗，這些供應商可以辨別其解決方案為最終用戶帶來最大利益的設備和行業類型。
案例：以色列數據科學公司ShiraTech Knowtion利用其設備專業知識提供 Predicto，這是一個專注于工業維護團隊的工業物聯網平臺。該平臺能夠讀取和處理來自生產工廠的傳感器數據（理想情況下是基于其自己的多傳感設備（iCOMOX））。該公司開發了針對電機、泵、輸送機和管道的特定產品，這些針對資產定制的產品使公司能夠擴大規模。
ShiraTech Knowtion 的 Predicto 儀表板監控一些專業資產，例如軸承（來源：ShitaTech Knowtion）
寫在最后
基于報告核心洞察——在設計預測性維護解決方案的過程中，供應商應該考慮如何調整戰略以進一步擴張市場，如何提高方案的準確性，如何更加專注于特定行業或資產；對于希望部署解決方案的用戶而言，需要考慮解決方案類型的適用性，與現有系統的集成，供應商的專業化，方案的準確度，以及軟件的特性和功能等要素。
總而言之，預測性維護市場雖未見暴風式成長，卻也一步一腳印地向前邁進。
