作者：物女王（彭昭）
物聯網智庫 原創
轉載請注明來源和出處
導 讀
毫無疑問，預測性維護是未來的發展趨勢。如何真正撬動預測性維護這塊市場蛋糕，挖掘新的商機？基於這些問題，在本文中你將看到：1.細看國內外的差異，國內最終用戶使用預測性維護，顧慮哪些問題？2.預測性維護的軍備競賽中，不同企業在沿著哪些路線前進？3.工業人工智能和邊緣計算，正在為預測性維護引入新的載體。4.國內有哪些值得關注的初創公司？5.值得關注的精彩評論。
這是我在【物女心經】專欄寫的第119篇文章。
我的上篇文章
《曾被認為是工業互聯網的“殺手級”應用，預測性維護為何發展不及預期？》
引起了行業內的廣泛討論。大家從不同的視角，包括運營技術OT、信息技術IT、數據技術DT等多個維度，一起分析了預測性維護的前景和挑戰，共同獻計獻策。
預測性維護（PdM）是工業互聯網的重要應用，但它並不新鮮，在上世紀90年代就已經嘗試被用於飛機發動機領域。最近幾年，隨著工業人工智能技術和邊緣計算技術的逐步推進和成熟，過去僅僅集中應用於高端裝備的預測性維護，可以“飛入尋常百姓家”，具備了大範圍應用的經濟性前提。
需要強調的是，預測性維護不同於預防性維護，在維基百科中，對兩者進行了明確的區分，值得借鑒。
預測性維護（PdM）根據在役設備的狀況，評估進行維護的時間，防止意外的設備故障。這種方法比預防性維護要節省成本，實現的關鍵是“在正確的時間內提供正確的信息”。
簡單的說，預測性維護是依賴於設備的實際狀況，而不是平均或預期的壽命統計，來預測何時需要維護。
更進一步，故障預測和健康管理PHM 還要做到能預測設備最後的剩餘使用壽命到底有多少。
毫無疑問，預測性維護是未來的發展趨勢。
如何真正撬動預測性維護這塊市場蛋糕，挖掘新的商機？在上篇文章的交流中，許多互動和留言很有價值，因此用這篇文章進行延續和擴展。
本文中你將看到：
細看國內外的差異，國內最終用戶使用預測性維護，顧慮哪些問題？
預測性維護的軍備競賽中，不同企業在沿著哪些路線前進？
工業人工智能和邊緣計算，正在為預測性維護引入新的載體。
國內有哪些值得關注的初創公司？
值得關注的精彩評論。
涉及內容較多，我已高濃度提純。
01
最終用戶的顧慮
預測性維護並不適用於所有的對象。
在這裡借鑒美國智能維護系統（IMS）中心的分類，參考下圖，縱軸代表故障發生頻率，橫軸表示故障發生後的影響。預測性維護適用於發生頻率不高，但一旦發生影響很大的故障。
頻率低、影響大：預測性維護
頻率低、影響小：傳統維護方式
頻率高、影響大：系統設計有問題，需改進設計
頻率高、影響小：準備更多備件
有效預測頻率低、影響大的故障，是許多最終用戶所期待的。對於預測性維護在方案推進中面臨的困難和風險，國內情況與國外相比略有差異。
國內企業更加關心系統集成層面的風險。
在實際接觸了國內數十家相關企業之後，可以發現模型準確度不足、商業模式不夠理想、供應商風險，都是預測性維護在發展中遇到的問題。（@王宇）
最終用戶的普遍顧慮包括：
1. 缺少技術專家，模型準確度有待提升
機理模型，是指根據對象、生產過程的內部機制或者物質流的傳遞機理建立起來的精確數學模型。這個模型是進行預測性維護的基礎之一，但工業中的數據思維剛剛開始建立，懂得機理的專家畢竟是少數。
對於設備機理的深刻了解，需要基於十幾年甚至幾十年的長期經驗積累才能具備。比如一家工廠中的某台重型設備總是發生偏軸的情況，長期爭論到底是設備問題還是組件問題，懸而未決。直到找來一位富有經驗的老教授，才最終發現問題所在。原來不是設備本身的問題，而是地基太軟的問題，才導致傳動軸總是發生故障。
預測性維護中采集哪些數據，如何安裝傳感器，如何選擇采集頻率和周期…都需要建立在掌握機理模型和行業know-how的基礎之上。可以說預測性維護的技術門檻很高，尤其是行業know-how知識的門檻高，如果隻懂IT領域的技術，就會發現空有十八般武藝，完全無用武之地。
2. 數據可移植性差
你可能會問為什麽數據需要可移植性？因為這是構成數據管理戰略的基礎。真正做到數字化的工業企業，必須全面了解所擁有的數據，掌握完整且持續更新的數據可見性，根據業務需求按需對數據進行遷移。
同時，工業數據的歸屬權和使用權問題一直都是敏感話題。
因為工業數據存在價值密度低、企業屬性強的特徵，不太可能產生直接的數據交易。但是工業數據又非常有價值，各方都希望得到使用權：最終用戶根據數據可以改善生產和經營；設備服務商根據數據可以提供更好的設備保養和服務；設備製造商根據數據可以改進機器參數，優化設備指標…
從類別上來看，工業數據大致可以分為兩種，一種是設備數據，一種是工況數據。工況數據涉及企業內部經營信息，最終用戶並不希望進行數據分享。
預測性維護的準確度越高，價值越大，難度也越大。由於數據本身就是資產，最終用戶的數據安全和隱私保護意識越來越強，預測性維護想要提升準確性，大量數據做算法訓練又必不可缺，數據是否可得、可用、可複用？其中太多困難。
3. 供應商存在較大風險
預測性維護被吹捧為“殺手級”應用之後，很多公司都在圍繞這個領域開展業務。其中不乏魚目混珠者，拿著“聽診器”就來做預測性維護，讓專業用“CT機”認真診斷的只好苦笑。
預測性維護項目在推進的過程中，還有可能引來不必要的糾紛。提供預測性服務的物聯網企業，往往會遇到很多質疑。
比如預測某台設備將會出現問題，最終用戶有可能會對判斷結果產生疑問。
如果最終用戶確信診斷結果，去找設備製造商解決，設備製造商有可能會認為是做預測性維護的過程中，內嵌了傳感器，破壞和入侵設備才造成的故障。
如果不適用內嵌傳感器，替換成可穿戴式傳感器，預測的準確性又會受到影響…
4. 潛在的交易風險和切換風險
無論是最終用戶還是設備製造商，尋找預測性維護的技術性合作夥伴時，都會面臨協議轉換，面臨技術手段取捨，這個過程中有可能被技術服務商綁定。
Uptake的例子是一個很好的說明。2015年3月，卡特彼勒開始了與Uptake在技術和數據方面的合作，並且對Uptake進行了股權投資。通過合作，卡特彼勒將自己全球領先的產品工程和設計能力與Uptake的軟體、應用和數據分析技能有效結合，以期為客戶提供更高效的解決方案。
2017年底，卡特彼勒宣布終止對Uptake的投資，不再持有Uptake的股份，並重新調整與Uptake的合作領域。卡特彼勒意識到，如果對Uptake持續投資，將削弱自己的競爭力，希望把預測性維護的能力收回到自己“體內”，進一步推進從設備製造到製造即服務MaaS的轉型。
對此有人持有不同意見，認為設備商想靠預測性維護轉變商業模式，這可能是個偽命題。（@郭雲）
不過無論如何，預測性維護還是要做的，只是不能這樣做…它要結合到工業設備管理和工業服務現狀，從診斷形式的多樣化組合和人的能力共享來做，要從工業服務產業化生態來做…（@楊明波-維修合夥人製+工業服務研究）
目前IoT在工業的應用場景主要還在監測和診斷，預測的準確度和商業模式都還需要繼續探索。（@史磊）
02
兩條切入路徑
工業場景的要素：人、機、料、法、環，預測性維護主要與“機”掛鉤。就像汽車的價值鏈包括車主、4S店、車廠、汽車零組件的各級供應商，“機”的價值鏈包括：
最終應用企業（最終用戶）
設備服務商（代理商、集成商）
設備製造商
上遊各類工業自動化軟硬體廠商
如何在這份已經成熟的工業體系中，創造新的價值。創新型的物聯網企業和傳統工業自動化巨頭正在從兩條路徑各自滲透。（@鄭宇銘）
【路徑1】
創新型物聯網企業的普遍做法是圍繞最終用戶挖掘價值。
最終用戶是工業的主體，上遊各類企業都是圍繞最終用戶開展業務，因此用戶也是各種服務的核心落腳點。
物聯網企業的做法是在圍繞設備加裝傳感器和工業網關，並不介入控制器原廠的數據和通訊協議，將傳感器數據在邊緣側和雲端進行分析和反饋，“感知設備的脈動”。
傳感器采集的過程值（流量、溫度、壓力等），傳輸至邊緣雲進行分析，可以顯示多樣化的評估圖表，結合預先定義的報警機制，確保對過程值進行持續監控和分析。
傳感器安裝在哪裡？采集什麽信號？機器特性是什麽？分析什麽原理？前期需要進行詳細的分析，才能保證采集到的數據是價值的。每一個傳感器的部署和定製分析都要花費時間和金錢，先從最重要的故障點入手才有意義，這是一個漫長的討論、嘗試和驗證的過程。
很多項目並不是典型的預測性維護，做到簡單的數據呈現和報表分析，實現狀態檢測和遠程監控，已經可以滿足最終用戶的需求。
【路徑2】
傳統工業自動化巨頭因為擁有私有協議優勢和存量設備優勢，選擇從源頭上入手，從控制層直接接入新型硬體，由淺入深，提供預測性維護服務。
舉兩個例子。
比如，西門子在2018年底推出了針對邊緣應用的全新硬體，並以此構成工業邊緣計算（Industrial Edge）概念的一部分。這款緊湊型邊緣設備以嵌入式工控機SIMATIC IPC227E為基礎，可從生產端實現對生產數據的直接讀取和處理。
這種做法相當於給傳統控制器PLC外掛了一台工業電腦，直接讀取和分析控制層數據，並與工業互聯網平台MindSphere配合使用，提供預測性維護等能力，以邊雲協同的方式提升現場管理水準。而且當工業應用程序底層的框架條件發生變化時，邊緣設備上的應用可以實現同步調整，保持設備功能性的實時更新。
就在這個周末，3月29日，西門子還與德國大眾汽車集團簽署協議，德國大眾宣布採用西門子MindSphere工業互聯網平台，範圍涵蓋大眾的122個工廠以及1500個供應商。這一合作激起的漣漪勢必促進跨國企業對於工業雲平台的採用，為預測性維護的落地起到一定程度的推動作用。
除了從控制層面直接介入的做法，電機與驅動器廠家也不甘落後。2019年3月初，三菱電機宣布推出新一代通用型伺服驅動系統J5，它不僅成為全球首款使用下一代工業網絡技術TSN的伺服產品，還將集成智能控制技術Maisart。
Maisart是Mitsubishi Electric's AI creates the State-of-the- ART in Technology，“三菱電機的人工智能技術創造最先進技術”的縮寫。Maisart與伺服驅動系統J5的集成，將以內嵌的方式，直接實現對機械傳動部件（滾珠絲杠、皮帶、齒輪...）與驅動器的檢測診斷和預測性維護。
創新型物聯網企業，乃至傳統工業自動化巨頭，都已開始圍繞預測性維護，或者更準確的說，圍繞由預測性維護引發的巨大市場空間，開展軍備競賽。
無論是預測性維護、質量控制、遠程監控，或者資產追蹤，其背後使用的物聯網技術是一樣的。因此預測性維護是一個具備橫向整合能力的應用。
基於預測性維護過程中采集的設備數據，包含工藝、質量、性能、效率等指標，可以從設備層面延展到生產線層面。
預測性維護采集的數據點越多、數據的價值越大、機理模型的理解越透徹、經驗積累越豐富，橫向整合的能力越強，進而幫助企業以嶄新的方式和手段，解決降本、提效的問題。
03
PdM的新載體
市面上已有的預測性維護方案，大部分是在雲計算或者霧計算層面的，而隨著邊緣算力的提升，以及工業人工智能的發展，在邊緣側完成預測性維護變得經濟上更加可行。
已有公司研發出了最新一代的邊緣控制器，搭載工業人工智能算法，滿足用戶對於預測性維護的需求。
這類邊緣控制器中往往搭載的是“弱人工智能”，並將人工智能與控制過程進行實時集成，用於診斷和預測設備異常。
簡單的說，“強”AI是指AI系統具有接近人類甚至超越人類的智能；“弱”AI則專注於解決基於數學和計算機科學方法的具體應用問題，由此開發的系統能夠自我優化。弱AI更適合於解決工業領域的實際問題。
在異常檢測的算法上，現已上市的這款邊緣控制器是使用“孤立森林”（Isolation Forest）機器學習引擎開發的。
該算法對記憶體要求很低，且處理速度很快，其時間複雜度也是線性的，非常適合高速實時處理，可以通過微調提高檢測精度和準確性。同時，該算法還適用於多模態數據，可用於需要兩種或多種操作模式的高度混合的產線。
基於這套算法，邊緣控制器采集和記錄目標對象的數據，並基於預設的應用模型，分析設備行為的歷史趨勢，預測機器可能出現的異常狀況，提示和指導用戶在適當的時間對機電系統采取合理有效的診斷和維保措施，甚至JIT（Just-in-time）準時維護。
目前，該邊緣控制器的預測性維護能力主要是面向氣缸、滾珠絲杠和傳送帶、同步輪...等機械傳動部件。
可以預判，這樣的設備預防性維護方案，其性能表現將很大程度上取決於兩個關鍵要素：
1. 數據采集：幫助有效理解機器行為；
2. 應用算法：創建和優化學習模型，並準確做出判斷。
基於工業人工智能算法，邊緣控制器有可能識別出程序檢測不到的，或者人眼無法分辨的異常狀況，從而實現對設備行為較為全面準確的學習理解。
04
國內典型企業
在預測性維護領域，國內有幾家公司非常值得關注，此處也舉兩個例子：
1. 天澤智雲
天澤智雲是一家工業智能公司，其主要基於分析算法、工程專家領域知識、軟體產品的工業大數據平台，為工業企業提供集成數據采集與分析、裝備健康管理、故障預測與診斷、維護決策與優化等各類工業大數據應用服務為一體的定製化解決方案。
公司提出目標，10年實現100個無憂生產和無憂經營的工業場景。
現階段，天澤智雲主要關注能源、軌道交通、數控機加工、工業機器人、裝備製造等領域，為客戶提供工業大數據應用谘詢、數據采集與分析、裝備狀態評估等大數據分析解決方案。
2. 西安因聯
西安因聯是基於對設備運行場景的深入理解，基於設備機理提供完整的數據接入集成方案，擅長結合振動信號的分析，結合傳感、物聯技術、數據算法等技術，為工業用戶提供更加高效、可靠的設備預知性維護的解決方案。
因聯的設備智能運維解決方案，可以提前3個月識別設備早期故障，故障識別準確率達90%，幫助企業杜絕重大安全事故的發生，降低30%以上的日常停機維護時間，節約30%以上的維護成本，幫助企業有效提升生產效率。因聯打造了機器智能運維SaaS平台，機器健康大數據平台產品方案，目前已在鋼鐵、化工、電力、水泥、造紙、汽車、食品飲料等行業客戶中有成功應用。
最後，在你欣賞精彩評論之前，我要衷心感謝研華科技行銷總監王宇、智造商專欄創始人鄭宇銘在成文過程中對我的大力支持。
05
精彩評論
清華學長：
我目前了解的情況是國內對於預測性維護的認識尚處於起步階段，但大企業對此的認識與意願逐步加強。國內需要強調預警的價值，而不是預測性維護。國情是安全生產比降低成本更重要。
國際工業界對預測性維護的定義的境界比較高，是因為他們設備管理本身已經做的比較細，國內企業基礎就需要先提高，可以借預測性維護的思路，首先把設備數據分析重視起來。
薛辰宇：
物聯網的價值是通過數據重塑產業鏈，比如通過預測性維護推出供應鏈金融和保險業務，第一降低資金佔用，第二，為結果買單，解決客戶痛點。可能目前的客戶比較猶豫這個改造的價值，但是會崛起一部分鯰魚擾亂現有的價值鏈，比如共享經濟或者租賃經濟的創業者。改變往往來自於外部，很少有人有勇氣革自己的命！停留在已有的價值鏈裡面，預測性維護是無法變現的。共享經濟其實就是預測性維護的一個應用場景。
麥克瘋|mcrazy：
預測性維護在很多領域都已經是非常成熟的應用了，比如風電、鐵路...，之所以很多人會把互聯網與這項技術聯繫起來給予極高的預期，在我看來是因為可能帶來的經濟性，能夠幫助它在更多領域的普及，我的建議是去研究下各類產品方案，看下如何能夠轉型為基於互聯網的方案，再看下企業用戶的現實訴求，就大致明白為什麽會有如此長的落地周期了；東西是好的，但面對現實還是需要些耐心的...關鍵在於：預測什麽vs維護什麽...前者是不確定的風險，決定了需要的投入，後者是確定的應用場景，決定了所需投入的預算。
趙敏：
所謂“殺手級應用”，所謂爆款級、現象級應用，幻想在工業領域出現，純屬某些人的YY。
唐咚：
預測性維護果子是好，但掛得較高，先摘下面的果子再說。
ChrisGao：
需要社會環境和行業規劃推動，商業模式決定技術創新投入，設備模型和機理知識庫和實時動態閉環分析成就預測性維護，工業信息變革就是人類消除不確認性風險的認知過程。
王總：
兩三年以前我研究過預測性維護這個事。思路是利用數據建立一個系統運行的有限狀態機模型。然後根據實際數據與狀態機預測的偏差來進行預防性措施。後來發現有這樣幾個問題，第一是數據量維度需求太多基本是至少是在幾十維的向量空間上進行分割。計算量太大。第二是實際數據的誤差很影響結果。第三是很多設備的數據量不足。不過我還是認為預測性分析在工業設備上的應用是有前景的。因為工業設備的運行狀況相對穩定。畢竟適合預測性維護。
小胡：
投資回報率難以計算：工業互聯網首先姓工，然後才姓網，工意味著種類多，行業集中度低，細節繁蕪。
商業模式，省錢不一定等於掙錢，效果看事前還是事後，主動還是被動，不一而足。
基礎不扎實，數據量不足，智能服務，意味著數據在全生命周期中是自動流動的，一個企業的價值鏈能延伸到哪，如何判評，有待商榷。
郭朝暉：
從這個概念產生，我就一直沒有看好過，並反覆多次批評這種想法脫離實際，對絕大多數應用不靠譜。
鳥人：
有能力做預防性維護還不如更深一層做自我修複。設備故障哪有那麽容易預防，比如電子廠的設備，成千上萬個零件，上千上萬條線，如何監控，有些芯片都是有程序的，很多布線是隱藏的，如何判斷磨損，老化的位置。設備預防的核心是定期保養，很多企業都不太重視。預測性維護可能的方向是只在少數標準化行業，標準化設備上應用，而不是大範圍的應用
Lester：
預測性維護背後也需要物理模型的支持，而不是隻寄希望於大數據分析。同時數據也是傳感器數據和流程數據的結合才行，不然得到的結論也只是盲人摸象。
小石匠·老常@配電網：
設備安全問題一定是一個綜合方案，不可能把維護方案中哪一個單獨方案人為拔到脫離客觀需求的高度。
互聯網的一些奇才，對顛覆、橫切或者彎道超車上癮了，我們從1998年就開始搞設備安全和檢修解決方案，深知狀態檢修或者預測檢修的問題在哪裡，哪有那麽容易，要能解決問題，我們這些老鳥早就幹了，還會有你們這些家夥橫切的機會嗎？
早在2010年，我就跑到南方電網找專家去聊變壓器的故障預測，我們還是懂一些故障模式的，結果人家專家告訴我，做幾個大指標還是可以的，但是變壓器的故障類型太多了，機理很複雜，故障模型無法提煉。
如今，工藝和工藝鏈條上設備電氣複雜度越來越高、運轉速度越來越高，故障模型太難搞了，沒有故障模型，怎麽做故障預測，難道還用過去的閾值判斷嗎？
當然，前年我就給原華能陽邏電廠出來的美女專家建議，通過統計的方式掌握設備的故障模型，表面看很像今天非常時髦的人工智能迭代學習。
問題是，同樣的設備用在不同的工況環境，環境很複雜，有效性有多高，鬼知道?而且人工智能迭代學習屬於實驗科學，沒有強約束的理論，很可能會出現這個月靠譜，下個月完全不靠譜的情況。企業安全是大事，到時候誰為安全承擔責任呢？
儘管是實驗科學，我最近一直在建議老闆下決心要試試，拿我們的高壓櫃子做個實驗。
彭國華－工業服務聯盟：
對於少數裝備如航空發動機、軌道交通第非計劃停機必須控制在0%的範圍的設備，預測性維修是必須的選擇，但廠家老早就做了。對於非計劃停機允許在5-10%的範圍的設備，預測性維護只是一個選項，而且大多是一個非常不經濟的選項，相比其它管理措施性價比很低，所以終端用戶不積極。
柚子爺 Roger：
具備行業屬性的服務商將有明顯機會與優勢，通用型服務商，按項目來服務的不但前期準備周期長，定製開發風險高，同時的確實會受到用戶與設備商的兩頭擠壓。
羅大魔王：
設備運行狀態檢測是需要在傳感器領域深耕的，而國內物聯網企業大多潛心於通信技術，再說如何建立設備狀態的評估模型也是一個技術難點。
將這三塊技術充分融合，孵化出成熟解決方案的成本不是一般中小企業可以承受的。再說傳感器和評估模型的可複製性不高，做出來一個方案也只能在一個行業裡面拓展。所以想要出現泛行業適用的預測性維護方案還需要多點耐心。
SHOUT：
分析得很到位！採用傳統的方法（傳感器、專家模型）去做，難以解決成本高、難複製的問題而純用IT的方法（物接入、機器學習）又出現預測不準、難以評估的問題，必須有一種突破的技術實現低成本、易複製、預測相對準確且可評估的系統，才有可能實現大量應用。目前有一些創新的模式在低調運行，期待爆發的一天！
Andrew工業互聯網的布道者：
08年，我把APM帶回中國。那時候，中石化，中石油還在做RBI驗證。一晃10年就這麽過去了。
其實，設備預測性維修不是“萬能的”。這幾年被一群搞it的外行給炒爛了。
以石化企業為例，只有振動模型，才是機理級別的，其它如腐蝕，潤滑等與理論結果相差甚遠。
那麽，是否可以透過大數據來確定失效原因呢？
呵呵，這就有意思了。
好的裝置，進口設備可以。
為啥？
因為人家的設計中，就考慮了可靠性問題（design review），有完整的可靠性實驗數據（不是編出來的），比如，對關鍵部位的應力分布，管線不同位置腐蝕速率的統計等等。
通過“數字化移交”，完整的把工藝，設備數據與工藝包統一，可視的交給業主。業主對工藝數據是可以信賴的。用這些數據可以擬合理論分布，再進行預測回歸…
即便是這樣，在很多場合，大多數情況下，由於施工偏差，進度要求，交付系統與原設計已經“不可同日而語”，業主又懶得做CA，找出bad actor，更不願意做RCM。幻想著上個PI，IP21，讓工程師的人腦代替昂貴的系統。
這些中國式的小聰明，害了中國企業的智能化進程。
慕明：
預測性維護，市場還是有的，不要想投機取巧，踏踏實實的做。
郭策：
大數據從成本到技術都不具可執行性，用傳統的小數據檢測建模，成本低，有幾十年的運行和理論基礎，更加實用。主要設備和主要輔助設備能預測到周或月的情況就有管理意義了。
做季度設備維修策劃和月度備品備件採購計劃，可以參考模型數據。
吳翼飛-上海譽正：
時間與效果期望值之間的落差。“預測性”的本質是在有足夠數據樣本訓練的基礎上，對已知現象通過行業資深人員的理解與計算機專家間的碰撞，抽象出的數學計算模型。足夠多的基礎數據，過程中的人為乾預，對模型的驗證優化，都需建立在時間的基礎上。若能理性對待期望值與實際效果間的差距，理性認知AI目前AI只是提升效率的工具，相信“殺手級”應用終極出現
Anyway：
預測性維修的著眼點應該是人機互動過程中的互相影響，如飛行員，駕駛員，對人工操作的效能提供評價。其存在的依據除了原材料失效的可靠性理論外，尤其能根據預測對象的工作環境，識別出設備潛在的外部應力，如熱應力，結構應力，潤滑磨損等要素。同時，也為操作規程的優化提供量化數據支持。
應該站在預測對象的立場，談預測方法方案的定製設計。通用的預測模型落地，需要考慮引入中間件或者插件技術做二次開發的可擴展接口…
預測維修一定是一個涵蓋人機料法環測六要素，立足可靠性工程經驗基礎和常識的一個業務（談不上專業或者具體技術）…
本文小結：
1. 預測性維護適用於發生頻率不高，但一旦發生影響很大的故障。
2. 無論是預測性維護、質量控制、遠程監控，或者資產追蹤，其背後使用的物聯網技術是一樣的。因此預測性維護是一個具備橫向整合能力的應用。
3. 市面上已有的預測性維護方案，大部分是在雲計算或者霧計算層面的，而隨著邊緣算力的提升，以及工業人工智能的發展，在邊緣側完成預測性維護變得經濟上更加可行。
香港九龍灣馬來街興發大廈15樓D室