工业预测性维护是“工业4.0”提出的关键创新点之一。基于连续的测量和分析，预测性维护能够预测诸如机器零件剩余使用寿命等机关指标。关键的运行参数数据可以辅助决策，判断机器的运行状态、优化机器的维护时机。
预测性维护是从“状态监测”这一概念发展而来。“状态监测”收集被监测零件状态的实时信息；然而，状态监测未能前瞻性地预测机器运转中断和磨损消耗。因此，预测性维护的出现是一大转折点：更加精巧的传感器、更加高效的通信网络、能够处理大规模数据的强大运算平台，通过随机算法将数据与机器出现问题时的数据模式进行比对。由此，我们可以识别、模拟并解读机器运行参数的规律。正是这些规律帮助我们更加精准地预测机器的使用寿命，并且通过整合系统的所有操作数据，优化服务的方方面面——既能使客户受益，又能够帮助供应商改进产品。
拥有精确预测的能力后，产品生产和服务的整个过程以及相关决策都能变得更为主动、有针对性，并且有数据支撑。预测性维护使得供应商能够成为客户更好的增值伙伴。
预测性维护技术将改变客户的设备维护、生产策略，同时对机械工程类公司服务业务的商业模式带来巨大影响。其中，传感器、网络互联以及计算能力将挑战传统专业服务领域的知识和经验积累；拥有数字化领域知识背景的企业将进军制造业的服务市场。德国工程行业必须在预测性维护解决方案的定义、执行与传播过程中占据领导地位，以应对所面临的严峻挑战。因此，德国机械工程行业协会和商品交易会运营机构德国博览会集团将“预测性维护”定为今年汉诺威工业展览会的主题之一。虽然在机械和厂房相关工程的各个环节中已经出现了大量方法和初始方案，但是关于预测性维护的讨论意见仍众说纷纭。
为了使讨论更加客观，并确定预测性维护所处的发展阶段，罗兰贝格与德国机械工程行业协会、德国博览会集团共同开展了一项大规模的企业调研，旨在清晰描述预测性维护方案的现状，以及德国工程行业对预测性维护实际应用情况。该项调查针对以下行业的相关公司：输电工程/液压传动、电气自动化/机器人技术、离散制造技术、软件工程及数字化技术。本研究对该项调查的关键发现进行总结。
预测性维护在德国工程行业中实际应用情况
预测性维护是德国工程领域的关键议题之一：毫无疑问，德国工程行业现已普遍接受并理解预测性维护这一重要的行业趋势。有81%的受访公司已经着手深入解决这个问题。
展望未来，许多公司仍难评估预测性维护作为成功要素的作用：近40%的公司认为预测性维护是帮助稳固并提升服务收入的关键所在和成功要素，对于未来业务的发展尤为重要。
不同行业中存在普遍共识：尽管各细分产业对预测性维护的具体产品和应用方式的理解上存在微小的差异，但我们的研究并未发现显著的分歧。总体而言，在不同行业中，各公司的看法、发展状况和面临的挑战大体相似。
仅有少数公司提供了具体的预测性维护产品/服务：在工程领域，预测性维护实际可用“产品”的成熟度差异巨大。尽管近40%的受访公司已在提供相关技术和服务，但大部分公司仍然在产品研究阶段，或尚未开始任何相关工作。
受访对象认为，预测性维护对客户带来的主要价值在于业绩提升：79%的受访对象表示，得益于更好的机器可用性、更长的服务寿命以及更稳定的工作等，客户从预测性维护中获得的主要益处是生产方面的优异表现。相较而言，仅有不到五分之一的受访公司将预测性维护看作削减维护成本的手段。
大多数受访对象期望预测性维护能推动业务增长：尽管关于预测性维护对财务方面的整体影响仍讨论激烈，但受访对象对于增长预期的乐观态度大于对负面效应的担心。从商业预期来看，80%的受访对象预计预测性维护将会刺激其服务业务的增长。相较而言，20%的公司更加关注风险，担心其现有的服务业务将可能受少量负面影响。
迫切需要和客户需求取得一致：迄今为止，预测性维护的发展动力主要来自于机械工程人员从技术角度希望改良产品的愿望。近90%的受访对象承认在对客户以及终端客户真实需求的理解上仍然存在不足。因此，即使供应商承诺预测性维护的益处，仍然不确定客户是否能够认同这些收益能增加显著且可量化的价值。
系统性战略和产品开发仍有不足：超过50%的受访公司仍然没有系统化方法——缺乏明确的商业模式、业务目标和相应的开发预算。这也说明目前发展方式主要受技术驱动，未让客户共同参与。
业内普遍认为已基本掌握了支撑预测的主要技术：受访对象认为，预测性维护所需的技术已大体就位。不过，在部分领域仍存在挑战，包括机遇分析和识别机器运转模式及状态数据微调预测性维护，从部件和机器层面发展到生产与系统(网络化生产)层面进行预测和决策支持。
许多企业尚未明确在价值链上的定位：预测性维护最复杂部分之一是将机器运行数据适当转化为对整个生态系统的认知以及客户实际收益。约65%的受访者表示其尚未明确自身定位。在一定程度上，这可能是由于企业(尤其是中小企业)缺乏数字化专业知识与技术导致的。几乎所有市场参与者都很难判断客户的“生态系统”和配套平台未来会如何发展。但企业必须进行自我调整应对这些变化，清晰认识预测性维护的逻辑和价值。由于预测性维护所涉及的数字化要素将不断增加，有69%的受访对象认为与专业的外部伙伴合作(尤其在软件和数据分析领域)“尤为重要”；40%的调查对象甚至未明确排除与直接竞争对手合作的可能性。
仍未明确预测性维护的盈利模式：有90%的受访对象提到了如何通过提供预测性维护服务盈利的问题，这显然是企业尝试建立商业模式时候面临的普遍困扰。原因之一是长久以来，制造业的客户不愿为数字化服务买单。受访企业现在更多考虑基于成本的定价模式，而非基于业绩表现“更数字化”的模式。
不过，也有许多企业已经清醒地认识到，这项新的服务需要新的思维方式。例如，需要对接客户的层级就有所不同。目标对象不应该再是车间工厂；与此相反，为了体现预测性维护方案对公司整体目标以及对关键业绩指标(KPI)的贡献，必须同客户的最高管理层直接开展合作与对话。
在某些领域中，要真正实现预测性维护的价值需要独立的、便于数字化的组织架构，整合的产品/服务战略。然而，当前大多数的受访对象仍是在原有的框架下提供预测性维护服务，同时在服务内容方面(如KPI、定价、销售、管控及垂直整合)的进展也非常有限。
预测性维护市场的胜负尚未有定论：谁能主导未来预测性维护服务的市场，是一个充满争议的话题。如今，所在领域的专业知识仍是硬件供应商的核心竞争力和优势。但这一优势未来能否延续，目前还不得而知。有大量受访对象认为来自其他行业的技术与平台提供商可能成为他们的潜在威胁。这些竞争者或许不具备行业应用知识，但他们能够在IT基础架构及大数据技术方面充分发挥自身优势。大多数受访对象认为预测性维护的未来主要机会将出现在软件方面。
预测性维护将在2020年之前取得突破
关于预测性维护市场渗透的速度，各方观点大相径庭；其中，对于传感设备和连接技术的更新程度存在不确定性，对新安装设备是否必须要接入到现有设备体系中存疑。用户愿意以多快的速度、在多大程度上、在哪些内部及外部存储设备上允许对数据访问也尚未明确。但即便如此，仍有近50%的受访对象认为，在2020年前预测性维护能够取得突破。这项调查结果再次表明了预测性维护数字化方面的特质，即周期短、颠覆性强。
作为工业数字化领域一个潜在爆发点，预测性维护对德国工程行业的重要性毋庸置疑。因此，大多数公司已经将其提上议事日程。虽然在此领域内，技术驱动的创新理念正逐渐受到机械及零部件制造商的重视，但是在许多情况下，其他主要的成功因素(例如对用户需求的精准理解、商业模式与需求的妥善结合)尚未得到应有的系统性思考。为了能够在预测性维护市场占据领导地位并获得商业成功，除了建立必要的大数据系统并提高大数据分析能力外，企业还需注意以下几个方面：
不同创新流程的“市场拉动”：必须要从客户利益的角度出发，通过与客户建立更为密切的协作，借鉴数字化领域的研发方式（例如设计思维与共同创新）来制定预测性维护方案。此外，还需要大幅加快研发速度并融入迭代式开发的理念(快速失败才能快速学习)。
不同的市场策略的“数字化模式”：在利用创新的、基于软件的定价模式和销售理念向客户传达产品价值的同时，企业还必须为客户提供具体可量化案例，需要与过往不同的、管理更广泛利益相关方的理念与方法。同时，企业必须认真思考客户如何看待他们在价值链(以B2C模式为基础)上的定位与重要性，如何使客户接受预测性维护的费用。
不同合作形式的“网络化方法”：在系统性构建核心能力的同时，企业必须专注于建设自身优势、提高附加值。此外，企业还应以更开放的心态积极加强与合作方的紧密联系，从而完善提供预测性维护服务所需的技能、技术和基础架构。如有必要，企业甚至需要与竞争对手合作，或者与其他生产环节和第三方行业中的公司进行合作。
同其他行业一样，数字化也是机械工程领域中的一个必然趋势。即使不考虑数字化带来的商业机遇，也没有任何一家公司能够承担起拒绝数字化变革所带来的损失。在预测性维护这一议题上，管理层同样需要通过制定清晰的战略和系统性的商业模式来积极把握机遇。
预测性维护并不是解决企业在产品、市场覆盖、服务水平等方面问题的万灵药。服务业务需要作为公司整体战略的一环而进行不断分析与完善。如果企业希望在服务业务中获得可持续的成功——不仅优化内部产品和效率且与客户建立长期的信任合作关系，成为一个对客户有价值的合作伙伴，那么企业就必需以客户为中心，明确在预测性维护服务方面的自身需求以及潜力，这一点势在必行。