IoT Analytics 發(fā)布了基于《2023-2028 年預測性維護和資產(chǎn)性能市場報告》的分析，并重點介紹了與 55 億美元預測性維護市場相關的 5 個關鍵見解。

重要見解

根據(jù)《2023-2028 年預測維護和資產(chǎn)性能市場報告》，全球預測維護市場將于 2022 年增長至 55 億美元，較 2021 年增長 11%，預計到 2028 年復合年增長率將達到 17%。

由于計劃外停機成本中位數(shù)超過每小時 100,000 美元，準確預測大型資產(chǎn)故障的重要性從未如此高。

本文分享了預測性維護市場的 5 個主要亮點：1) 市場估值為 55 億美元，2) 有 3 種不同類型的預測性維護，3) 預測性維護軟件工具共有 6 個功能，4) 預測性維護通常被 融入維護工作流程，5) 成功的獨立解決方案供應商專注于某個行業(yè)或資產(chǎn)。

主要引用

物聯(lián)網(wǎng)分析公司首席執(zhí)行官Knud Lasse Lueth表示:“預測性維護仍然是工業(yè)4.0和數(shù)字化轉(zhuǎn)型的主要用例之一，特別是在資產(chǎn)故障可能很快導致數(shù)十萬美元損失的過程工業(yè)中。很高興看到市場正在將人工智能集成到現(xiàn)有的APM和CMMS系統(tǒng)中，并且預測精度正在提高。盡管如此，我們還有很長的路要走，因為錯誤警報仍然很常見?！?/p>

IoT Analytics高級分析師Fernando brgge補充說:“由于人工智能、硬件和數(shù)據(jù)工程的快速發(fā)展，預測性維護正在達到成熟度和復雜性的新高度。這些技術使我們能夠收集、處理和分析來自多個來源的大量數(shù)據(jù)，并使用它們構建更準確、更可靠的機器健康和行為模型，以及確定解決機器問題的潛在行動方案。通過這種方式，預測性維護不僅是優(yōu)化設備性能和生命周期的一種智能方式，也是在快速發(fā)展的工業(yè)領域提高運營效率和競爭力的一種戰(zhàn)略方式?！?/p>

預測性維護市場：2024 年及以后的五大亮點

在許多行業(yè)中，一項準確預測的大型資產(chǎn)故障的價值超過 10 萬美元。

我們最新的研究強調(diào)，除其他事項外，11 個行業(yè)的計劃外停機成本中位數(shù)約為每小時 125,000 美元。 由于石油和天然氣、化工或金屬等行業(yè)的設施每年都會發(fā)生多次嚴重的計劃外停機，因此對預測性維護的投資可以通過第一次正確的預測來攤銷。

不幸的是，有一個不利的一面：許多預測性維護解決方案的準確性低于 50%。 這給維護組織帶來了麻煩，他們經(jīng)常跑到資產(chǎn)處發(fā)現(xiàn)它完全正常，從而削弱了對整個解決方案的信任。

也就是說，供應商一直在努力提高預測準確性，提供更多數(shù)據(jù)源和更好的分析方法，包括人工智能驅(qū)動的分析。 有積極的跡象表明，這種提高預測準確性的決定正在幫助最終用戶：我們的研究表明，95% 的預測性維護采用者報告了積極的投資回報率，其中 27% 報告在不到一年的時間里攤銷了。

過去 12 年來，對預測性維護及相關概念的普遍搜索興趣一直在上升。 自 2017 年我們開始報道該主題以來，該術語的在線搜索量增長了近三倍，并且已經(jīng)超出了基于狀態(tài)的維護和資產(chǎn)績效管理 (APM) 相關搜索的范圍。

事實上，預測性維護似乎有望成為我們認為的 2021 年必備殺手級應用。

在預測性維護市場報道的第四部分中，我們著眼于 2024 年市場的 5 個重要亮點：

• 預測性維護市場價值55億美元(2022年)
• 預測性維護有3種不同類型，異常檢測呈上升趨勢
• 預測維護軟件工具有6個共同特征
• 集成到維護工作流程中變得越來越重要
• 成功的獨立解決方案供應商專注于某個行業(yè)或資產(chǎn)

亮點一：預測性維護市場價值55億美元

預測性維護市場到 2022 年將達到 55 億美元。過去 2 年不確定的經(jīng)濟狀況和其他制造優(yōu)先事項導致 2021 年至 2022 年間市場增長 11%。隨著公司在效率、安全性和運營績效方面進行再投資，我們預計市場 到 2028 年，預測性維護每年將增長 17%。

我們的研究表明，擁有重資產(chǎn)和高停機成本的行業(yè)正在推動預測性維護解決方案的采用(例如石油和天然氣、化學品、采礦和金屬)。

亮點二：預測性維護有3種不同類型，異常檢測呈上升趨勢

隨著市場的發(fā)展，出現(xiàn)了 3 種引人注目的預測性維護類型：

• 間接故障預測
• 異常檢測
• 剩余使用壽命(RUL)

它們之間的差異很大程度上取決于數(shù)據(jù)分析的目標、方法以及它們提供的輸出/信息的類型。 RUL 是最難實現(xiàn)的，因為資源需求和環(huán)境因素使其難以擴展。 間接故障預測是最常用的方法，但我們的研究表明異常檢測正在增加。

1. 間接故障預測

間接故障預測方法通常采用基于維護要求、操作條件和運行歷史的函數(shù)的機器健康評分方法。 這種方法通常依賴于一般分析來產(chǎn)生這個分數(shù)，盡管如果有大量數(shù)據(jù)可用，可以使用監(jiān)督機器學習方法。

好處：

• 可擴展性——間接故障預測可以更容易地擴展，因為它們依賴于設備制造商的規(guī)格，而這些規(guī)格在同一類型的機器上或多或少是相同的。
• 成本效益——間接故障預測可以使用現(xiàn)有的傳感器和數(shù)據(jù)，減少對額外儀器的需求。

限制：

• 故障時間窗口準確性——間接故障預測不會給出機器發(fā)生故障的時間表。 對于停機成本高昂的組織(例如重型設備行業(yè))來說，這可能是一個問題。
• 依賴于歷史數(shù)據(jù)——間接故障預測的有效性依賴于準確建模所需的大量歷史數(shù)據(jù)的可用性。

2. 異常檢測

異常檢測是發(fā)現(xiàn)和識別數(shù)據(jù)中的異常情況(即偏離通常模式或趨勢的數(shù)據(jù)點)的過程。 間接故障預測和 RUL 方法使用故障數(shù)據(jù)來預測未來故障，而異常檢測則使用“正常”資產(chǎn)概況來檢測與規(guī)范的偏差。 這些偏差可能表明潛在的問題，例如故障、錯誤、缺陷或故障，需要在造成嚴重損壞或停機之前檢測和解決。

當沒有良好的故障數(shù)據(jù)存儲庫時，這種方法會變得更容易，并且它通常依賴于無監(jiān)督的機器學習。

好處：

• 數(shù)據(jù)和硬件要求低——異常檢測模型無需接受故障數(shù)據(jù)訓練即可識別問題。 此外，由于這些模型需要的數(shù)據(jù)較少，因此它們不需要很高的計算能力。
• 高可擴展性和模型可移植性——異常檢測模型是在正常操作數(shù)據(jù)上進行訓練的，因此它們可以輕松應用于不同的機器，而無需重新訓練或適應。

局限性：

• 故障時間窗口準確性——與間接故障預測一樣，異常檢測模型不會給出機器發(fā)生故障的時間表，這對于停機成本高昂的組織來說可能是一個問題。
• 誤報的存在——雖然市場上的大多數(shù)解決方案可以區(qū)分關鍵異常和非關鍵異常，但無監(jiān)督機器學習模型的選擇仍然很重要，因為它會影響這種區(qū)分的效果(例如，自動編碼器和生成對抗網(wǎng)絡不 捕獲正常操作的復雜性)。

3. 剩余使用壽命(RUL)

RUL 是機器需要維修或更換之前的預期機器壽命或剩余使用時間。 壽命或使用時間是根據(jù)用于測量系統(tǒng)壽命的任何量來定義的(例如，行駛距離、執(zhí)行的重復周期或自運行開始以來的時間)。

這種方法依賴于從傳感器數(shù)據(jù)中提取的狀態(tài)指示器，也就是說，當系統(tǒng)以可預測的方式退化時，來自傳感器的數(shù)據(jù)與預期的退化值相匹配。 狀態(tài)指示器可以是任何有助于區(qū)分正常操作和故障操作的因素。 這些指標是從已知條件下獲取的系統(tǒng)數(shù)據(jù)中提取的，以訓練一個模型，該模型可以根據(jù)未知條件下獲取的新數(shù)據(jù)來診斷或預測系統(tǒng)的狀況。

這些 RUL 模型的預測是具有相關不確定性的統(tǒng)計估計，從而產(chǎn)生概率分布。

好處：

• 故障預測時間窗口 – RUL 對于維護成本非常高且需要提前規(guī)劃的行業(yè)特別有用，例如重型設備行業(yè)。
• 輸出穩(wěn)健性——由于 RUL 估算依賴于高質(zhì)量和詳細的數(shù)據(jù)，因此它們往往更加穩(wěn)健和可靠。

局限性：

• 資源需求——訓練大型模型需要強大的計算硬件，特別是在本地進行時。
• 模型可移植性和可擴展性——不同的環(huán)境和使用模式可能會導致同一類型設備不同的故障模式。 這意味著需要針對每個特定情況重新訓練模型，從而降低其可擴展性和通用性。

亮點三：預測維護軟件工具有6大共同特點

軟件是預測性維護技術堆棧中最大的部分，到 2022 年將占預測性維護市場的 44%。

我們的報告顯示，盡管大多數(shù)成功的預測維護軟件供應商專注于行業(yè)或資產(chǎn)，但他們的各種解決方案軟件套件之間有 6 個共同特征：

• 數(shù)據(jù)收集
• 分析和模型開發(fā)
• 預訓練模型
• 狀態(tài)可視化、警報和用戶反饋
• 第三方集成
• 規(guī)定行動

我們將進一步深入研究這些功能，并為來自不同軟件供應商的每個功能提供示例快照。 這些示例旨在幫助讀者理解實現(xiàn)這些常見功能的一些方法。

特點一：數(shù)據(jù)采集

預測維護軟件中的數(shù)據(jù)收集工具收集、標準化和存儲有關資產(chǎn)健康/狀況參數(shù)的數(shù)據(jù)。 他們還收集識別和預測即將出現(xiàn)的問題所需的其他數(shù)據(jù)類型，例如業(yè)務和流程數(shù)據(jù)。

快照：

美國預測維護軟件供應商 Predictronics 提供 PDX DAQ，該應用程序允許用戶在任何給定時間段內(nèi)同步從多個來源收集的數(shù)據(jù)。 該解決方案創(chuàng)建了一個數(shù)據(jù)庫，協(xié)調(diào)來自不同傳感器的所有時間戳，Predictronics 聲稱該數(shù)據(jù)庫可以提供分析所需的信息并生成實時、有影響力的結果。

特征 2：分析和模型開發(fā)

預測維護軟件中的分析和模型開發(fā)工具可分析、解釋和傳達數(shù)據(jù)模式，包括分析發(fā)現(xiàn)(例如 RCA、AD 模塊)和建模(例如特征工程以及模型選擇和測試)。

快照：

美國預測維護軟件供應商 Falkonry(最近被 IFS 收購)在其 Time Series AI 平臺中提供 Workbench，這是一種基于 ML 的低代碼解決方案，旨在幫助用戶(特別是運營從業(yè)者，包括生產(chǎn)、設備或制造工程師) 發(fā)現(xiàn)復雜物理系統(tǒng)中的早期預警或惡化階段等模式。 它還旨在使用戶能夠分析大量數(shù)據(jù)并構建預測模型。

特點3：預訓練模型

預訓練模型就是這樣：通常為特定行業(yè)的特定資產(chǎn)設計的即用型模型。 這些模型包括特定資產(chǎn)或故障模式的功能和參考(例如，熱交換器的污垢、風扇的磨損和腐蝕或壓縮機的閥門泄漏)。 這些旨在幫助最終用戶查看模型示例，以便他們可以在模型的基礎上進行構建或開發(fā)自定義預測維護算法。

快照：

美國資產(chǎn)管理軟件供應商 AspenTech(最近被艾默生收購)提供了 Mtell，這是一款應用程序，其中包括預先填充的行業(yè)特定資產(chǎn)模板，可幫助用戶選擇常見資產(chǎn)類別的傳感器和 AI 功能，以快速創(chuàng)建和部署模型 PdM 應用(例如，針對特定壓縮機、渦輪機和鼓風機)。

特征4：狀態(tài)可視化、警報和用戶反饋

預測維護軟件中的狀態(tài)可視化、警報和用戶反饋工具可自動傳達各種角色的資產(chǎn)相關數(shù)據(jù)/見解。 這些見解通常包括狀態(tài)儀表板和觸發(fā)工作訂單或糾正措施、維護計劃和優(yōu)化的自動警報。 這些工具還使用戶能夠提供有關警報準確性的反饋。

快照：

美國分析軟件供應商 SAS Institute 提供資產(chǎn)性能分析，其中包括狀態(tài)儀表板和自動警報，旨在通知運營人員和管理人員即將發(fā)生的故障，以便組織有時間在問題變得代價高昂之前識別和解決問題。

特征五：第三方集成

第三方集成使用戶能夠?qū)⑵漕A測維護軟件連接到其他軟件系統(tǒng)和工作流程管理工具，例如 ERP、MES、CMMS、APM(更多關于亮點 4 中的 APM 集成)和 Field Service。

快照：

SKF 是一家瑞典軸承和密封件制造公司，也提供維護產(chǎn)品，提供狀態(tài)監(jiān)測和預測性維護解決方案，可與現(xiàn)有工廠控制系統(tǒng)(例如 MES 或 SCADA)和其他外部儀表板(例如 ERP)連接。 它還通過手持設備上的警報和可視化為現(xiàn)場操作員提供見解。

特征 6：規(guī)范性行動

規(guī)范性操作功能通常會建議在(即將發(fā)生的)故障時采取的最佳操作。 這些操作通常根據(jù)設計算法時設置的標準確定優(yōu)先級。

軟件規(guī)定的操作根據(jù)問題的性質(zhì)和緊急程度而有所不同。 他們可能需要多個步驟或干預措施。 例如，某些操作可能涉及自動調(diào)整設備參數(shù)或通知維護和操作團隊必要的程序以確保設備效率。

快照：

Marathon 是來自挪威 Arundo 的預測性維護軟件解決方案，提供了一項稱為“調(diào)查”的功能，旨在提供工作流程和說明，以根據(jù)規(guī)定的企業(yè)標準解決設備問題。

亮點四：集成到維護工作流程中變得越來越重要

在早期，預測性維護主要是初創(chuàng)公司為滿足特定客戶需求而開發(fā)的獨立解決方案。 然而，我們的報告強調(diào)了復雜的預測性維護解決方案集成到更大的 APM 和計算機化維護 (CMMS) 解決方案中的顯著趨勢。

APM 是一種戰(zhàn)略設備管理方法，旨在幫助優(yōu)化單個資產(chǎn)和整個工廠或車隊的性能和維護效率。 APM 旨在提高資產(chǎn)效率、可用性、可靠性、可維護性和整體生命周期價值。

各種 APM 供應商正在其 APM 產(chǎn)品中引入預測維護軟件工具。 這些解決方案旨在將不同的功能綁定到 1 個線程中：

• 了解機器何時會發(fā)生故障并繪制故障如何影響生產(chǎn)或輸出
• 估計解決或預防問題需要花費多少費用
• 就是否值得解決或預防問題提出建議
• 通過將復雜的預測性維護解決方案納入端到端資產(chǎn)流中，APM 參與者正試圖成為客戶數(shù)字化之旅的主要合作伙伴。

我們的報告列出了 APM 的 9 個關鍵組成部分：

• 資產(chǎn)健康監(jiān)控
• 維護優(yōu)化
• 可靠性分析
• 誠信經(jīng)營
• 性能優(yōu)化
• 故障預測 <- 預測性維護就在這里
• 數(shù)字資產(chǎn)孿生
• 可持續(xù)發(fā)展管理
• 能源優(yōu)化

我們在報告中評估，改進APM解決方案的故障預測模塊是當前領先APM供應商的關鍵舉措之一。

亮點五：成功的獨立解決方案供應商專注于某個行業(yè)或資產(chǎn)

我們的研究發(fā)現(xiàn)，30% 的預測維護供應商提供獨立的、行業(yè)或特定資產(chǎn)的解決方案。 通過根據(jù)已獲得領域知識的特定領域調(diào)整他們的工作，他們可以辨別其解決方案為最終用戶帶來最大利益的設備和行業(yè)類型。

快照：

以色列數(shù)據(jù)科學公司 ShiraTech Knowtion 利用其設備專業(yè)知識提供 Predicto，這是一個專注于工業(yè)維護團隊的工業(yè)物聯(lián)網(wǎng)平臺。 該平臺能夠讀取和處理來自生產(chǎn)工廠的傳感器數(shù)據(jù)，最好基于其自己的多傳感設備(iCOMOX)。 該公司開發(fā)了針對電機、泵、輸送機和管道的特定產(chǎn)品。 這些針對資產(chǎn)定制的產(chǎn)品使公司能夠擴大規(guī)模。

預測性維護供應商的六個注意事項

根據(jù)本文的見解，預測維護供應商應該問自己六個問題：

• 市場增長和戰(zhàn)略：鑒于市場增長至 55 億美元，預計到 2028 年將增長至 143 億美元，我們公司如何調(diào)整戰(zhàn)略以利用這一市場擴張?
• 準確性提升：考慮到目前許多預測性維護解決方案的準確性低于50%，我們可以采用哪些創(chuàng)新方法或技術來提高預測的準確性?
• 投資回報率溝通：我們?nèi)绾尾拍芨玫貙㈩A測性維護的積極投資回報率傳達給潛在客戶，尤其是那些因過去的不準確解決方案經(jīng)驗而持懷疑態(tài)度的客戶?
• 行業(yè)專業(yè)化：鑒于最成功的供應商專門從事特定行業(yè)、資產(chǎn)或用例，我們是否應該考慮縮小我們的關注范圍?如果是，在哪些領域?
• 數(shù)據(jù)收集和集成：我們是否有效地收集了正確類型的數(shù)據(jù)(包括業(yè)務和流程數(shù)據(jù))并將其集成到正確的 IT 系統(tǒng)中以實現(xiàn)最佳的預測性維護?
• 軟件工具功能：我們的軟件工具是否包含報告中確定的 6 個常見功能(數(shù)據(jù)收集、分析和模型開發(fā)、預訓練模型、狀態(tài)可視化、第三方集成、規(guī)范操作)，它們在當前市場中是否具有競爭力?

對于那些希望采用或更新預測性維護解決方案的人來說，需要考慮的八個注意事項

那些希望采用或更新預測性維護解決方案的人應該根據(jù)本文的見解問自己八個問題：

• 解決方案類型適用性：哪種類型的預測性維護解決方案(間接故障預測、異常檢測或 RUL)最符合我們的特定維護需求和運營目標?
• 與現(xiàn)有系統(tǒng)集成：預測性維護解決方案如何輕松地集成到我們現(xiàn)有的維護工作流程和資產(chǎn)管理系統(tǒng)中?
• 供應商專業(yè)化：我們是否應該尋找專門從事我們行業(yè)、特定資產(chǎn)或用例的供應商?與通才供應商相比，這對我們有何好處?
• 數(shù)據(jù)收集和分析：我們是否擁有有效數(shù)據(jù)收集和分析所需的基礎設施來支持預測性維護系統(tǒng)?
• 準確性和可信度：我們?nèi)绾卧u估并確保預測性維護解決方案的準確性，以在我們的維護團隊中建立信任?
• 可擴展性和未來增長：預測性維護解決方案的可擴展性如何?它們能否適應我們未來的增長?
• 軟件特性和功能：供應商提供的軟件工具是否具備我們需要的所有關鍵功能，例如數(shù)據(jù)收集、分析和第三方集成?
• 市場趨勢和創(chuàng)新：鑒于預測性維護市場不斷發(fā)展的性質(zhì)，我們?nèi)绾尾拍芗皶r了解最新的創(chuàng)新并確保我們的解決方案保持領先地位?