近期，物联网(IoT)传感器、先进的分析技术和人工智能(AI)的发展，让预测设备故障变得更加容易。
预测性维护
预测性维护也叫预测性维修（Predictive Maintenance, 简称 PdM），是指通过对设备进行数据收集和状态监测，在故障发生之前，就预测可能出现的故障隐患。并在故障损害发生之前，提出防范措施，更换相关零部件。在上世纪90年代早期，德国弗劳恩霍夫生产技术研究所就已经开始研究预测性维修。研究所生产机械与系统管理部副部长Claudio Geisert介绍说，预测性维修的研究一直在不断突破技术限制。
如今，受益于消费级电子元器件的迅速发展，更小、更便宜的物联网传感器变得唾手可得。同时，Python等现代编程语言中的机器学习算法库使预测算法的开发更方便快捷。
最明显好处是：生产系统的可用性更高，让我们能够真正帮助预测预防意外停机。
当设备制造商得到更多关于机器使用的信息，大量的数据和更深入的了解可以应用于未来产品设计，并提供改进功能和提高坚固性等建议。
01、预测性维修，聚光灯下的焦点
蒂森克虏伯电梯数字业务主管Hyun Shin Cho介绍说，目前使用该方案的电梯数量已占所有客户工作电梯的10%。在将物联网设备集成到新系统的同时，该公司还将旧有系统进行改造更新，并开发了基于云技术的自主机器学习系统来分析数据。然而，要将投资效果最大化，仅仅收集数据是不够的。Cho介绍说，企业应该分析预测性维护方案，并将其集成到业务流程中：
预测性维修只是我们工作的一部分。该系统的另一个主要优点是故障排除。当使用该系统的电梯工作中断时，我们能看到实时信号。我们可以事先分析技术人员在现场所能掌握的信息。过去，他们必须进行（现场）故障维修。现在，我们的云技术确保工程师提前得到故障诊断信息。
02、人工智能给预测性维护带来了什么？
尽管预测性维护的优势明显，实际应用面临的挑战依然严峻。预测性故障模型需要大量的性能和环境历史数据，才能对设备精度进行预测。分析现场数据以建立正常的性能基线，也需要大量时间。为了让预测性维护工具发挥作用，不但要历时数月的分析工作，还需要对数据科学家进行人力资源投资。为了应对这些挑战，DataRPM公司选择了人工智能技术。
这家认知技术公司的客户涵盖石油、天然气、汽车和半导体行业。该公司采用Hadoop和Apache Spark等大数据工具建设平台，通过机器学习来确定数据模型中最有效的数据步骤，提高了数据科学自动化水平。这种元学习的方法与其他数据模型开发方法相比，将预测质量和准确度提高了大约300%，并且仅占用3%的启动运行时间和资源。DataRPM联合创始人兼首席产品官Ruban Phukan解释说：
我们使用元学习将数据科学中的一些需要专业人士从既有经验中学习的任务自动化。然后，我们将这些知识传递给具有相似需求的领域。
自20世纪90年代以来，预测性维护已走过了漫长的发展道路。随着物联网传感器和人工智能变得越来越普遍，我们已经可以预测：更多的企业将在未来倚重预测性维护。
