重要见解
根据《2023-2028 年预测维护和资产性能市场报告》，全球预测维护市场将于 2022 年增长至 55 亿美元，较 2021 年增长 11%，预计到 2028 年复合年增长率将达到 17%。
由于计划外停机成本中位数超过每小时 100,000 美元，准确预测大型资产故障的重要性从未如此高。
本文分享了预测性维护市场的 5 个主要亮点：1) 市场估值为 55 亿美元，2) 有 3 种不同类型的预测性维护，3) 预测性维护软件工具共有 6 个功能，4) 预测性维护通常被 融入维护工作流程，5) 成功的独立解决方案供应商专注于某个行业或资产。
主要引用
物联网分析公司首席执行官Knud Lasse Lueth表示:“预测性维护仍然是工业4.0和数字化转型的主要用例之一，特别是在资产故障可能很快导致数十万美元损失的过程工业中。很高兴看到市场正在将人工智能集成到现有的APM和CMMS系统中，并且预测精度正在提高。尽管如此，我们还有很长的路要走，因为错误警报仍然很常见。”
IoT Analytics高级分析师Fernando brgge补充说:“由于人工智能、硬件和数据工程的快速发展，预测性维护正在达到成熟度和复杂性的新高度。这些技术使我们能够收集、处理和分析来自多个来源的大量数据，并使用它们构建更准确、更可靠的机器健康和行为模型，以及确定解决机器问题的潜在行动方案。通过这种方式，预测性维护不仅是优化设备性能和生命周期的一种智能方式，也是在快速发展的工业领域提高运营效率和竞争力的一种战略方式。”
预测性维护市场：2024 年及以后的五大亮点
在许多行业中，一项准确预测的大型资产故障的价值超过 10 万美元。
我们最新的研究强调，除其他事项外，11 个行业的计划外停机成本中位数约为每小时 125,000 美元。 由于石油和天然气、化工或金属等行业的设施每年都会发生多次严重的计划外停机，因此对预测性维护的投资可以通过第一次正确的预测来摊销。
不幸的是，有一个不利的一面：许多预测性维护解决方案的准确性低于 50%。 这给维护组织带来了麻烦，他们经常跑到资产处发现它完全正常，从而削弱了对整个解决方案的信任。
也就是说，供应商一直在努力提高预测准确性，提供更多数据源和更好的分析方法，包括人工智能驱动的分析。 有积极的迹象表明，这种提高预测准确性的决定正在帮助最终用户：我们的研究表明，95% 的预测性维护采用者报告了积极的投资回报率，其中 27% 报告在不到一年的时间里摊销了。
过去 12 年来，对预测性维护及相关概念的普遍搜索兴趣一直在上升。 自 2017 年我们开始报道该主题以来，该术语的在线搜索量增长了近三倍，并且已经超出了基于状态的维护和资产绩效管理 (APM) 相关搜索的范围。
事实上，预测性维护似乎有望成为我们认为的 2021 年必备杀手级应用。
在预测性维护市场报道的第四部分中，我们着眼于 2024 年市场的 5 个重要亮点：
- 预测性维护市场价值55亿美元(2022年)
- 预测性维护有3种不同类型，异常检测呈上升趋势
- 预测维护软件工具有6个共同特征
- 集成到维护工作流程中变得越来越重要
- 成功的独立解决方案供应商专注于某个行业或资产
亮点一：预测性维护市场价值55亿美元
预测性维护市场到 2022 年将达到 55 亿美元。过去 2 年不确定的经济状况和其他制造优先事项导致 2021 年至 2022 年间市场增长 11%。随着公司在效率、安全性和运营绩效方面进行再投资，我们预计市场 到 2028 年，预测性维护每年将增长 17%。
我们的研究表明，拥有重资产和高停机成本的行业正在推动预测性维护解决方案的采用(例如石油和天然气、化学品、采矿和金属)。
亮点二：预测性维护有3种不同类型，异常检测呈上升趋势
随着市场的发展，出现了 3 种引人注目的预测性维护类型：
- 间接故障预测
- 异常检测
- 剩余使用寿命(RUL)
它们之间的差异很大程度上取决于数据分析的目标、方法以及它们提供的输出/信息的类型。 RUL 是最难实现的，因为资源需求和环境因素使其难以扩展。 间接故障预测是最常用的方法，但我们的研究表明异常检测正在增加。
1. 间接故障预测
间接故障预测方法通常采用基于维护要求、操作条件和运行历史的函数的机器健康评分方法。 这种方法通常依赖于一般分析来产生这个分数，尽管如果有大量数据可用，可以使用监督机器学习方法。
好处：
- 可扩展性——间接故障预测可以更容易地扩展，因为它们依赖于设备制造商的规格，而这些规格在同一类型的机器上或多或少是相同的。
- 成本效益——间接故障预测可以使用现有的传感器和数据，减少对额外仪器的需求。
限制：
- 故障时间窗口准确性——间接故障预测不会给出机器发生故障的时间表。 对于停机成本高昂的组织(例如重型设备行业)来说，这可能是一个问题。
- 依赖于历史数据——间接故障预测的有效性依赖于准确建模所需的大量历史数据的可用性。
2. 异常检测
异常检测是发现和识别数据中的异常情况(即偏离通常模式或趋势的数据点)的过程。 间接故障预测和 RUL 方法使用故障数据来预测未来故障，而异常检测则使用“正常”资产概况来检测与规范的偏差。 这些偏差可能表明潜在的问题，例如故障、错误、缺陷或故障，需要在造成严重损坏或停机之前检测和解决。
当没有良好的故障数据存储库时，这种方法会变得更容易，并且它通常依赖于无监督的机器学习。
好处：
- 数据和硬件要求低——异常检测模型无需接受故障数据训练即可识别问题。 此外，由于这些模型需要的数据较少，因此它们不需要很高的计算能力。
- 高可扩展性和模型可移植性——异常检测模型是在正常操作数据上进行训练的，因此它们可以轻松应用于不同的机器，而无需重新训练或适应。
局限性：
- 故障时间窗口准确性——与间接故障预测一样，异常检测模型不会给出机器发生故障的时间表，这对于停机成本高昂的组织来说可能是一个问题。
- 误报的存在——虽然市场上的大多数解决方案可以区分关键异常和非关键异常，但无监督机器学习模型的选择仍然很重要，因为它会影响这种区分的效果(例如，自动编码器和生成对抗网络不 捕获正常操作的复杂性)。
3. 剩余使用寿命(RUL)
RUL 是机器需要维修或更换之前的预期机器寿命或剩余使用时间。 寿命或使用时间是根据用于测量系统寿命的任何量来定义的(例如，行驶距离、执行的重复周期或自运行开始以来的时间)。
这种方法依赖于从传感器数据中提取的状态指示器，也就是说，当系统以可预测的方式退化时，来自传感器的数据与预期的退化值相匹配。 状态指示器可以是任何有助于区分正常操作和故障操作的因素。 这些指标是从已知条件下获取的系统数据中提取的，以训练一个模型，该模型可以根据未知条件下获取的新数据来诊断或预测系统的状况。
这些 RUL 模型的预测是具有相关不确定性的统计估计，从而产生概率分布。
好处：
- 故障预测时间窗口 – RUL 对于维护成本非常高且需要提前规划的行业特别有用，例如重型设备行业。
- 输出稳健性——由于 RUL 估算依赖于高质量和详细的数据，因此它们往往更加稳健和可靠。
局限性：
- 资源需求——训练大型模型需要强大的计算硬件，特别是在本地进行时。
- 模型可移植性和可扩展性——不同的环境和使用模式可能会导致同一类型设备不同的故障模式。 这意味着需要针对每个特定情况重新训练模型，从而降低其可扩展性和通用性。
亮点三：预测维护软件工具有6大共同特点
软件是预测性维护技术堆栈中最大的部分，到 2022 年将占预测性维护市场的 44%。
我们的报告显示，尽管大多数成功的预测维护软件供应商专注于行业或资产，但他们的各种解决方案软件套件之间有 6 个共同特征：
- 数据收集
- 分析和模型开发
- 预训练模型
- 状态可视化、警报和用户反馈
- 第三方集成
- 规定行动
我们将进一步深入研究这些功能，并为来自不同软件供应商的每个功能提供示例快照。 这些示例旨在帮助读者理解实现这些常见功能的一些方法。
特点一：数据采集
预测维护软件中的数据收集工具收集、标准化和存储有关资产健康/状况参数的数据。 他们还收集识别和预测即将出现的问题所需的其他数据类型，例如业务和流程数据。
快照：
美国预测维护软件供应商 Predictronics 提供 PDX DAQ，该应用程序允许用户在任何给定时间段内同步从多个来源收集的数据。 该解决方案创建了一个数据库，协调来自不同传感器的所有时间戳，Predictronics 声称该数据库可以提供分析所需的信息并生成实时、有影响力的结果。
特征 2：分析和模型开发
预测维护软件中的分析和模型开发工具可分析、解释和传达数据模式，包括分析发现(例如 RCA、AD 模块)和建模(例如特征工程以及模型选择和测试)。
快照：
美国预测维护软件供应商 Falkonry(最近被 IFS 收购)在其 Time Series AI 平台中提供 Workbench，这是一种基于 ML 的低代码解决方案，旨在帮助用户(特别是运营从业者，包括生产、设备或制造工程师) 发现复杂物理系统中的早期预警或恶化阶段等模式。 它还旨在使用户能够分析大量数据并构建预测模型。
特点3：预训练模型
预训练模型就是这样：通常为特定行业的特定资产设计的即用型模型。 这些模型包括特定资产或故障模式的功能和参考(例如，热交换器的污垢、风扇的磨损和腐蚀或压缩机的阀门泄漏)。 这些旨在帮助最终用户查看模型示例，以便他们可以在模型的基础上进行构建或开发自定义预测维护算法。
快照：
美国资产管理软件供应商 AspenTech(最近被艾默生收购)提供了 Mtell，这是一款应用程序，其中包括预先填充的行业特定资产模板，可帮助用户选择常见资产类别的传感器和 AI 功能，以快速创建和部署模型 PdM 应用(例如，针对特定压缩机、涡轮机和鼓风机)。
特征4：状态可视化、警报和用户反馈
预测维护软件中的状态可视化、警报和用户反馈工具可自动传达各种角色的资产相关数据/见解。 这些见解通常包括状态仪表板和触发工作订单或纠正措施、维护计划和优化的自动警报。 这些工具还使用户能够提供有关警报准确性的反馈。
快照：
美国分析软件供应商 SAS Institute 提供资产性能分析，其中包括状态仪表板和自动警报，旨在通知运营人员和管理人员即将发生的故障，以便组织有时间在问题变得代价高昂之前识别和解决问题。
特征五：第三方集成
第三方集成使用户能够将其预测维护软件连接到其他软件系统和工作流程管理工具，例如 ERP、MES、CMMS、APM(更多关于亮点 4 中的 APM 集成)和 Field Service。
快照：
SKF 是一家瑞典轴承和密封件制造公司，也提供维护产品，提供状态监测和预测性维护解决方案，可与现有工厂控制系统(例如 MES 或 SCADA)和其他外部仪表板(例如 ERP)连接。 它还通过手持设备上的警报和可视化为现场操作员提供见解。
特征 6：规范性行动
规范性操作功能通常会建议在(即将发生的)故障时采取的最佳操作。 这些操作通常根据设计算法时设置的标准确定优先级。
软件规定的操作根据问题的性质和紧急程度而有所不同。 他们可能需要多个步骤或干预措施。 例如，某些操作可能涉及自动调整设备参数或通知维护和操作团队必要的程序以确保设备效率。
快照：
Marathon 是来自挪威 Arundo 的预测性维护软件解决方案，提供了一项称为“调查”的功能，旨在提供工作流程和说明，以根据规定的企业标准解决设备问题。
亮点四：集成到维护工作流程中变得越来越重要
在早期，预测性维护主要是初创公司为满足特定客户需求而开发的独立解决方案。 然而，我们的报告强调了复杂的预测性维护解决方案集成到更大的 APM 和计算机化维护 (CMMS) 解决方案中的显着趋势。
APM 是一种战略设备管理方法，旨在帮助优化单个资产和整个工厂或车队的性能和维护效率。 APM 旨在提高资产效率、可用性、可靠性、可维护性和整体生命周期价值。
各种 APM 供应商正在其 APM 产品中引入预测维护软件工具。 这些解决方案旨在将不同的功能绑定到 1 个线程中：
- 了解机器何时会发生故障并绘制故障如何影响生产或输出
- 估计解决或预防问题需要花费多少费用
- 就是否值得解决或预防问题提出建议
- 通过将复杂的预测性维护解决方案纳入端到端资产流中，APM 参与者正试图成为客户数字化之旅的主要合作伙伴。
我们的报告列出了 APM 的 9 个关键组成部分：
- 资产健康监控
- 维护优化
- 可靠性分析
- 诚信经营
- 性能优化
- 故障预测 <- 预测性维护就在这里
- 数字资产孪生
- 可持续发展管理
- 能源优化
我们在报告中评估，改进APM解决方案的故障预测模块是当前领先APM供应商的关键举措之一。
亮点五：成功的独立解决方案供应商专注于某个行业或资产
我们的研究发现，30% 的预测维护供应商提供独立的、行业或特定资产的解决方案。 通过根据已获得领域知识的特定领域调整他们的工作，他们可以辨别其解决方案为最终用户带来最大利益的设备和行业类型。
快照：
以色列数据科学公司 ShiraTech Knowtion 利用其设备专业知识提供 Predicto，这是一个专注于工业维护团队的工业物联网平台。 该平台能够读取和处理来自生产工厂的传感器数据，最好基于其自己的多传感设备(iCOMOX)。 该公司开发了针对电机、泵、输送机和管道的特定产品。 这些针对资产定制的产品使公司能够扩大规模。
预测性维护供应商的六个注意事项
根据本文的见解，预测维护供应商应该问自己六个问题：
- 市场增长和战略：鉴于市场增长至 55 亿美元，预计到 2028 年将增长至 143 亿美元，我们公司如何调整战略以利用这一市场扩张?
- 准确性提升：考虑到目前许多预测性维护解决方案的准确性低于50%，我们可以采用哪些创新方法或技术来提高预测的准确性?
- 投资回报率沟通：我们如何才能更好地将预测性维护的积极投资回报率传达给潜在客户，尤其是那些因过去的不准确解决方案经验而持怀疑态度的客户?
- 行业专业化：鉴于最成功的供应商专门从事特定行业、资产或用例，我们是否应该考虑缩小我们的关注范围?如果是，在哪些领域?
- 数据收集和集成：我们是否有效地收集了正确类型的数据(包括业务和流程数据)并将其集成到正确的 IT 系统中以实现最佳的预测性维护?
- 软件工具功能：我们的软件工具是否包含报告中确定的 6 个常见功能(数据收集、分析和模型开发、预训练模型、状态可视化、第三方集成、规范操作)，它们在当前市场中是否具有竞争力?
对于那些希望采用或更新预测性维护解决方案的人来说，需要考虑的八个注意事项
那些希望采用或更新预测性维护解决方案的人应该根据本文的见解问自己八个问题：
- 解决方案类型适用性：哪种类型的预测性维护解决方案(间接故障预测、异常检测或 RUL)最符合我们的特定维护需求和运营目标?
- 与现有系统集成：预测性维护解决方案如何轻松地集成到我们现有的维护工作流程和资产管理系统中?
- 供应商专业化：我们是否应该寻找专门从事我们行业、特定资产或用例的供应商?与通才供应商相比，这对我们有何好处?
- 数据收集和分析：我们是否拥有有效数据收集和分析所需的基础设施来支持预测性维护系统?
- 准确性和可信度：我们如何评估并确保预测性维护解决方案的准确性，以在我们的维护团队中建立信任?
- 可扩展性和未来增长：预测性维护解决方案的可扩展性如何?它们能否适应我们未来的增长?
- 软件特性和功能：供应商提供的软件工具是否具备我们需要的所有关键功能，例如数据收集、分析和第三方集成?
- 市场趋势和创新：鉴于预测性维护市场不断发展的性质，我们如何才能及时了解最新的创新并确保我们的解决方案保持领先地位?
