预测性维护——未来工厂之光
物联网已经不再是一个新鲜的事物，各行各业都有物联网的影子，譬如说智慧安防产业中的生物识别、智慧交通领域中的共享单车、新零售层次的无人便利店等等。这些行业都是大众能够亲身体验到的物联网项目，那么其它行业呢，物联网在其它大众无法直接体验的领域又是怎么样的一个状况呢?类似于这样的领域有很多，小编今天想从工业领域出发，切入未来工厂这一小点进行分析阐述。
1. 工业物联网的发展现状
工业物联网是物联网产业链中的重要一环。据GSMA智库预测，到2025年全球的工业物联网(IIoT)连接数将达到138亿，其中大中华地区的连接数约为41亿，约占全球市场的三分之一。同时，根据中国工业和信息化部的数据，中国工业物联网市场收入的年增长率约为 25%，并且将在 2018 年达到近 3000 亿元人民币(折合 470 亿美元)，物联网以及工业物联网正迎来高速发展时期。
从德国的“工业4.0”到中国的“中国制造2025”，再到美国的“工业互联网”，这些战略的提出和施行都意味着各个国家对工业物联网高度重视，均希冀在工业物联网领域占据巨头地位。
随着物联网技术的创新与发展，工程制造设备变得更加高效与智能，但设备本身维护工作却仍面临巨大挑战。维护不善会使工厂的生产率降低5-20%，而计划之外的生产中断会使一些大型制造商每年损失500亿美元。
传统维护模式中的故障后维护与定期维护将影响生产效率与产品质量，并大幅提高制造商的成本。随着物联网、大数据、云计算、机器学习与传感器等技术的成熟，预测性维护技术应运而生。
2. 预测性维护
预测性维护的市场前景
所谓预测性维护，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。
鉴于预测性维护将事后控制方式进化成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具备发展潜力的市场。根据IoT Analytics发出的报告:2016-2022年预测性维护的复合年均增长率CAGR为39%，到2022年总体支出将达到10.96亿美元。
预测性维护在不久的未来将愈加凸显工业物联网中少数的“杀手级”应用的优势：
1)从内部来看，预测性维护用于优化生产操作，将会带来20-30%的效率增益。
2)从外部来看，设备制造商如果引入预测性维护服务，则有可能“一劳永逸”地扭转当前竞争业态。
3)从战略角度评估，预测性维护代表着工业服务化和未来商业模式转变的历史选择。
预测性维护的关键
要预测出一套设备出故障的可能性，除了从设备数据中整理出关键的指标，还要结合更多的历史经验进行分析，最终形成一个与设备对应预测性维护模型。预测性维护的复杂性在于这套基于机器学习的生产系统模型必需随着时间而改变。
以汽车的维护为例，随着汽车零件的老化，它们对压力的反应与新的时候不同。因此，维护方案应随着时间的推移进行调整，以考虑不断变化的故障率，这些时间表可以使用机器学习输出新的模型。
设备在全生命周期的不同阶段有着不同的表现，设备故障有一个“浴缸曲线”的说法，把设备寿命划分为三个主要阶段：早期故障率阶段、稳定状态阶段和损耗阶段。
浴缸曲线
通常机器在使用寿命开始时，会经常出现故障。但随着时间的推移会进入稳定期，维护过程会逐渐消失，故障更为罕见。而到了后期机器故障会率会飙升，最终报废。因此，机器学习需识别出设备处于哪个生命阶段，并不断调整预测模型。
3. 预测性维护应用案例
对汽车业而言，认知型预见性维护的重要性越来越高，即使是细微的优势也能为车企节省数百万美元。
汽车制造商可以在生产流程中部署多个接触点。在最初的制造流程中，认知型预测性维护可识别产品缺陷(in-line defects)，在产品进入市场前，就能解决存在的问题。
预测性维护不仅能监控车辆生产，还能在确保生产线平稳运行的情况下，使用生产线机器打造零件。在制造工厂内配置了大量的工业级物联网及传感器后，可了解机器的运行及健康状况。
当车辆出厂后，预测性维护依然发挥其作用。预测性维护建模可根据互联车辆、检修记录、已更换零部件的测试数据等多个数据渠道进行判定。此外，天气条件、路况、驾驶员注意力及生物识别感应器(biometric sensors)等数据可被用于识别并解决故障，避免设备关停，或快速开展维护流程并规划零部件库存及现场人员配置。
汽车预测性维护的整个流程意味着工厂需要始终采用精准的数字化模拟其所有机器的运行情况，需将机器学习引入制造流程，以便分析机器的健康状态并进行上报，从而实现提前维护，避免后期出现故障。
结语：通过实施预测性维护，制造商可以提高安全性，增加生产时间并延长设备寿命。随着人工智能和机器学习算法的不断进步、自动化设备的普及应用，预测性维护带来的经济价值将是巨大的，制造商没有理由不选择预测性维护方案!（本文来源：物联网空间站 作者：大喵）