新數(shù)字生態(tài)系統(tǒng)的連通性有助于公司管理、監(jiān)控、維護和保護其資產。

物聯(lián)網(wǎng)（IoT）、機器學習（machine learning）和人工智能（AI）的進步使預測性維護達到了行動的準確性，在問題發(fā)生之前就能從分析洞察中解決問題。

據(jù)巴西初創(chuàng)公司EVOLV的首席執(zhí)行官萊昂德羅-西蒙斯（Leandro Sim?es）說："通過在機器中安裝傳感器，將設備變成智能設備，并通過物聯(lián)網(wǎng)，使物體能夠實時交換信息，這就成為可能。有了所有這些數(shù)據(jù)，系統(tǒng)可以檢測模式、改進機會，主要是預測機器故障何時發(fā)生。"

通過這種方式，管理團隊可以啟用預定的維修，從而不損害生產計劃，這可以降低成本，帶來更多的運營效率。

克服挑戰(zhàn)

對于制造業(yè)來說，主要的挑戰(zhàn)之一是管理設備的停機時間，因為這個因素使任何生產計劃受挫。

為了了解其影響，《華爾街日報》和艾默生的一項調查發(fā)現(xiàn)，42%的非計劃機器停機損失時間是由于設備故障造成的，每年給企業(yè)帶來500億美元的損失。

面對這些令人震驚的數(shù)據(jù)，工業(yè)界已經意識到識別潛在故障、其發(fā)生和后果的相關性。他們發(fā)現(xiàn)，物聯(lián)網(wǎng)和機器學習是更快、更堅定的數(shù)據(jù)驅動決策的偉大盟友。

Sim?es解釋說："預測性維護的目的正是為了預測故障的識別，并通過這種方式將任何不可預見的問題降到最低。比起預測問題，預測性維護更能降低維修成本，此外持續(xù)的監(jiān)測和定期的維護停頓還能增加公司資產的壽命。"

現(xiàn)在來看看這個市場的規(guī)模，咨詢公司Gartner的一項研究預測，到2022年，物聯(lián)網(wǎng)支持的預測性維護支出將達到129億美元，高于2018年的34億美元。預計這些投資將通過對資產的預測性維護來提高運營效率，從而為各行業(yè)節(jié)省高達40%的成本。

實踐中的成果

Aberdeen Group的研究發(fā)現(xiàn)，使用基于物聯(lián)網(wǎng)的預測性維護解決方案的公司可以減少3.5%的非計劃性停機時間，并將整體效率提高89%。

更不用說捕捉所有這些數(shù)據(jù)為管理者提供了新的分析，使他們能夠識別和解決瓶頸問題，也為決策提供了堅實的基礎。

應用的機會是相當廣泛的，可以根據(jù)組織的細分和規(guī)模進行定制?？梢圆渴鹞锫?lián)網(wǎng)傳感器，監(jiān)測設備指標，如：溫度、振動、流量、電壓和電流等。

預測性維護是未來

工業(yè)4.0的進展對預測性維護領域產生了積極的影響。人工智能技術的結合將極大地幫助公司管理、監(jiān)測、維護和保存其資產。

不僅僅是降低成本，公司將節(jié)省時間，他們的團隊將能夠把精力集中在生產計劃戰(zhàn)略上，并保證他們不會因為不定期的機器停工而陷入困境。