前段时间看到一则新闻，这么写的：在德国举行的汉诺威工业博览会上，华为和GE数字集团联合发布了工业预测性维护解决方案。牵手的两方，一边是华为的边缘计算EC-IoT(Edge Computing IoT)方案，一边是GE的工业物联网(Industrial IoT)云平台Predix，新闻中称它们将无缝融合，实现工业设备运行状态的实时监测，提供预测性维护的智能决策。
理想丰满，现实骨感。在现阶段，这显然是一次“自嗨型”合作的典范。前者在工业领域的“信息层”上空盘旋，尚未敲开“设备层”边缘计算的大门;后者虽说推出IIoT云平台已有时日，但扎根不深，涉足工业核心领域的中国本土的渗透率低得可怜。双方联手，怎么看都像是貌合神离的“联姻夫妻”，看似优势互补，却又无从下手。面向整个工业领域提供预测性维护的底气从何而来?好在两大巨头选择从电梯运维这个公认的早期采用者群体切入，也算是另辟蹊径，抓住了明显的市场痛点。
如果将时间这把衡量的标尺再拉长一些，这次合作，虽说对于双方来说有时机未到，急于求成之嫌，不过却为后来者指明了方向，边缘计算+IoT云平台，的确是撬动预测性维护市场的利器。
华为和GE的合作，有些像电影“黄飞鸿”中的鬼脚七，武功虽高但姿势不佳，后期难免吃力。还好，就在这几天，空客和ABB等企业，接连示范了开展预测性维护军备的正确。
预测性维护的漫漫长路，先得从头开始把基础扎牢。
“带病”上路的汽车，给交通带来安全威胁;“带病”工作的生产设备，给工厂带来巨额损失。比如Intel在大连的生产线，每天创造1.5亿人民币的价值，哪怕停机维修1小时，带来的损失巨大都难以承受。因此，防止设备“带病工作”，就显得尤为重要。先来看看工业设备维护维修的几种手段：
● 修复性维修：属于事后维护，顾名思义，亡羊补牢，是为下策。
● 预防性维修：属于事先维护，基于时间、性能等条件对设备进行定期维修，更多还是凭经验。未雨绸缪，是为上策。
● 预测性维修：属于事先维护，基于安装在设备上的各种传感器，实时监控设备运行状态，如果发现故障隐患，自动触发报警或修理命令。未卜先知，是为上上策。
目前市场中的存量设备数目可观，80%以上的设备还没采用有效的预测性维护方案，而设备维护产生的费用超过设备总体生命周期成本的50%。根据IoT Analytics在2017年的最新市场报告，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。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。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。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。
以上几点综合考虑，各类公司纷纷抢滩预测性维护这方“沃土”，理所当然。
预测性维修的概念虽说由来已久，但一直缺乏行之有效的大范围实施手段。而边缘计算+IoT云平台这剂“药方”，可以将人工智能、物联网、增强现实等多种技术融合在一起，真正撬动预测性维修这块市场蛋糕，拓展新的商机。
边缘计算+IoT云平台，巨头间的协作
华为和GE的这次牵手，拉开了边缘计算与IoT云平台巨头之间协作，进军预测性维护的序曲。接下来就变成了连线题，边缘计算侧和IoT云平台侧的巨头们将产生哪些混搭呢?
边缘计算
ABB
ABB处于设备生命周期支持的前沿，为用户提供种类齐全的仪器生命周期服务，带来可测量和可持续的设备性能改善，ABB还一直把维护服务用作预测性维护计划的一部分。
罗克韦尔自动化
罗克韦尔自动化推出了全新的诊断可靠性服务。借助这项服务，制造商和工业生产商可简化任务关键型集成设备生产线的维护策略。
Honeywell
Honeywell推出互联辅助动力装置(APU)预测性维护服务GoDirect。基于这项服务，航空公司能够在机械故障发生之前发现和预判，提高机队的可用性。海南航空成为全球首家采用GoDirect的航空公司。
Intel
Intel广泛布局物联网，将更强计算力带到边缘智能，并在数十年前就为预测性维护打下了基础。Intel已经在自身的Fab工厂中也已经实施了预测性维护系统，使得冷却水的耗电量减少了40%。
丹纳赫
丹纳赫通过预测性维修计划和状态监测计划检测故障发生前的机械状态，并预测故障发生时间。除此以外，丹纳赫还能够确定可延长机械使用寿命的主动性任务类型。
IoT云平台
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。
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云平台。微软Azure目前有两个预先配置的解决方案，提供必要的预测性维护和远程监控分析引擎。
IBM
PMQ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，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。
SAP
SAP发力预测性维护市场有多年历史，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。
PTC
PTC倡导的数字双胞胎，以数字化方式为物理对象创建的虚拟模型，实时工作数据作为工况载荷进行仿真分析，预测产品和设备未来的性能，可帮助企业分析并预测设备潜在故障点，实施预测性维护。
当然，也有些企业横跨边缘计算和云平台两个领域。
西门子
比如，西门子就将预测性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。
博世
在100 多年的发展历史当中，博世一直是以工业及制造著称，而现在博世正在积极的向着互联化和服务化的方向转变。博世在设备中加入感知设备，能够使其收集到数据。之后数据将会被传到博世物联网云平台(Bosch IoT Cloud)，通过软件的运算和优化，最终形成相应的服务。
博世在全球250多个工厂里都配备了全方位的智能技术。AR增强现实技术使工人能够实时获得辅助，完成设备的维护任务，减少停机时间。预测性维护与传感器的应用相结合，主动预测故障并发出警示。
以ABB为例，她为工业机器人提供全年7x24小时的嵌入式远程服务。当工业机器人的状态发生变动或出现故障时，远程服务将自动报警，客户随时随地都可以通过智能手机或平板电脑获得报警信息，并采取相应行动。更重要的，ABB的智能单元也同时对工业机器人实施连续监测，降低保养成本，提高设备可用率，延长使用寿命。
除了对工业机器人的远程支持之外，今年5月，ABB在班加罗尔设立了新的针对节能变频器解决方案的数字化远程服务中心，全年无休远程的访问位于最终用户工厂内的变频器，实现预测性维护和状态监测。
ABB还将现有方案进行整合，形成Ability数字化方案，包括资产密集型行业的绩效管理解决方案，过程工业的控制系统，机器人、电机和机械的远程监控服务等。
当然，对于上面的连线题，ABB也给出了自己的解答。
ABBAbility先后与微软和IBM达成战略合作，ABB Ability的下一代数字化解决方案和服务将在微软Azure云平台上面开发和构建，并与IBMWatson物联网认知计算技术联手，首先在工厂及智能电网两个领域合作，提供实时认知分析功能。例如从ABB占有优势的电力行业入手，通过提取历史和天气数据，帮助电力客户优化运营并维护智能电网。
自己量体裁衣，定制预测性维护系统
除了边缘计算与IoT云平台触发的围绕预测性维护展开战略合作之外，还有一些巨鳄，自身就有预测性维护的强烈需求，于是自建边缘计算和云平台能力，量身定做自用的预测性维护系统，并且孵化相关创业企业，积极进行工业服务化的转型。
以空客为例，该公司计划在2018年推出新的预测性维护系统，这套系统将融合两种不同的解决方案。
一种方案以飞机为中心，称为预报和风险管理方法(PRM)。在这种方案中，飞机不再是冰冷硕大的金属集合体，而是一个飞行的带有生命体征的“生物”，通过从飞机上遍布的传感器中收集的数据，进行飞行及燃油分析、导航服务、飞机检修、航空公司运营管理，以及规划和恢复等服务。通过使用第一种方案，空客在12个月内节省了55万美元。
另一种方案则以数据为中心，空客与easyJet合作，从各种外部来源获取信息，将其存储在空客的云平台中，然后通过算法实现乘机客户的体验提升。easyJet是个新成立的网际航空公司，只接受顾客通过网络订购机票的服务。这套方案将通过最终客户的反馈，评估和验证正确的维护决策。
通过两套方案的结合，空客预计将在2018年降低5-10%的维护维修成本。
此外空客还启动了BizLab项目，这是立足于航空航天领域的全球加速器，位于班加罗尔(印度)、图卢兹(法国)和汉堡(德国)，旨在促进初创公司和空客自己内部的创新项目密切合作，加快将创新思想转化为有价值的业务。BizLab的设立确保了空客的不同部门不仅能够看到来自创业者的颠覆性想法，并且能够保障这些想法在极具挑战性的航空航天领域，找到正确的发展道路。
国内的工程机械企业，比如三一重工，也在采用相似的方式，将自家的资产追踪和维护维修系统进一步提炼，不仅促进自身转型升级，还孵化相关企业对外提供创新型的工业服务。
人工智能初创企业也已纷纷入局
预测性维护的巨大市场也吸引着初创企业的关注，通过边缘与云端的协同，人工智能和机器学习算法可以为设备的运维管理者提供更有针对性的维护维修建议，借助人工智能逆天的生长速度，初创公司甚至有望在预测性维护这个全新的赛道弯道超车工业巨头们。
比如，人工智能企业SparkCognition正在帮助风电运营商实现预测性维修。由于风力发电行业的利润空间越来越薄，风机必须以最大的容量运行，任何停机时间都将大大影响收益。
为了满足市场需求，SparkCognition将风电企业可以采集但却未被使用的数据进行分析，通过AI算法，SparkCognition可以预判最终的故障模式，并将预测结果反馈给相关专家、管理层和运营人员，以便及时采取行动避免故障的发生。
对于单个风力发电机上的单个组件，SparkCognition保守的估算了使用AI带来的年度成本节约：
● 停机耗损：$1,000
● 运营维修：$2,500
● 总节省：$3,500
而且根据预测，随着被监测组件数量的提升，以及机器学习的持续改进，节约的成本还将显着上升。
InnovativeBinaries则使用人工智能为各种飞机提供预测性维修支持。由于飞机的可靠性极佳，也带来了故障数据样本不足的“烦恼”。这时，最有效的方法就是从大量的健康数据中学习如何检测异常。
InnovativeBinaries分析了大量的飞机健康数据，从而鉴别偏离健康和异常的飞机状态。通过量化飞机的日常健康状况，一旦发生微小的变化便立刻标记，并且触发相关预警。
正如开篇所述，设备预测性维护将会掀起新一轮的巨变。从修复性维护、预防性维护再到预测性维护已成为工业管理的三部曲。从设备联网、走出信息孤岛开始，通过边缘计算与IoT云平台，实现彼此的有效连接，从而让工厂中的所有核心设备都可以被监测、被管理、更有效的被使用，未来智慧工厂的雏形就此起步。
从战略角度来看，预测性维护既是市场，又是跳板，以预测性维护服务为入口，可以切入制造业转型这一更为广袤的市场。这场军备竞赛逼迫产业链上下游大大小小的从业者都必须踏上跳板，体验这痛并快乐着的惊险一跃，从制造企业、传统工业自动化企业，到新型边缘计算企业、IoT云平台企业、工业人工智能创业公司、预测性维修服务提供商、设备管理咨询机构…一个都不能少。
（内容转自公众号 物联网智库）
京公网安备 11011202001138号
