独家｜预测性维护，防患于未然！
与520+全国社友，构建工业互联网认知框架
打通资讯→信息→知识→认知→见识的通路工业互联网研习社风向观察
「上周话题回顾」：2020年工业互联网领域三大热点深度剖析｜独家
「下周话题预告」：工业互联网赛道投资重磅梳理，会有一些投资逻辑和数据呈现出来，敬请关注。
本周话题重点关注和思考的框架如下：
1、预测背后底层逻辑与核心思想：不仅把握它的过去和现在，还要掌握它的未来。 2、从技术到商业的三道鸿沟：
①、第一道鸿沟：技术缘起：从哪里来，到哪里去
②、第二道鸿沟：从技术到商业，遵从应用的逻辑，叠加了技术创新与价值创造、技术成熟度曲线、企业决策与组织
③、第三道鸿沟：从单一场景走向更多场景，遵从市场的逻辑（技术通用性、经济性）3、预测性维护技术发展所面临的困境，以动车健康管理为例 4、思考题：为什么像刀具管理这种强需求场景，同时在商业模式上已经得到闭环验证，为什么没有出现大批量趋之若鹜的创业公司呢？ 5、中国和德国在预测性维护上的进展，详见下面白皮书
附赠下载：中德工业4.0/智能制造标准化分工作组编写的《中德工业4.0/智能制造预测性维护标准化路线图（第二版）》（英文版和中文版，下图为封面）
本文阅读受众：从事设备远程运维，PHM入门，及此方向的创业公司，想深耕此领域的专业人士
如果你也关注以上问题，欢迎付费阅读全文。同样欢迎针对思考题进行留言互动，都会有回复。全文5500字，Enjoy～
文｜刘成军，工业互联网研习社创始人、首席知识官
一、预测背后的底层逻辑
在这个越来越充满不确定的时代，人们充满着渴望：“不仅把握它的过去和现在，还要掌握它的未来”。这也许是对事物发展规律孜孜追求的底层逻辑与核心思想。
预测未来，防患于未然！
从概念内涵上看，围绕高价值设备展开的预测性维护（Prognostics Health Management，简称PHM，业内人士也翻译为“故障预测与健康管理”）是工业互联网、工业4.0以及智能制造相互重合的领域，“预测性维护4.0”逐渐成为“工业4.0”的重要分支。
从技术上看，PHM集合了现代信息技术、通信技术、传感技术以及人工智能技术，还与CPS、数字孪生拥有交叉，兼具边缘端和云端功能的配合。
从场景上，涉及了设备OEM厂商、经销商、服务商、使用方，覆盖了设备全生命周期，具有丰富的多元关系。继承和发展了设备状态监测、远程运维等应用深度
从解决方案看，融合了硬件装置、嵌入式软件（算法）以及综合保障服务平台，打破了人才与知识的鸿沟，从而实现融合。
从生产力和生产关系看：不仅提高设备的生产力与效率，还重塑了设备厂商，服务商，渠道商，备品备件平台的生产关系（利益关系）。
从机器（Machines）出发，也是通用电气（GE）在工业互联网发轫之初所设定的最理想场景——「打破智慧与机器的边界」（Pushing the Boundaries of Minds and Machines），基于工业数据驱动，围绕智能设备、智能系统和智能决策渐次展开，步步深入。
而如今，工业互联网的应用场景在国内已经被极大的泛化，面目全非，以至于出现了“广义工业互联网”和“狭义工业互联网”的讨论。
现在，有必要回到回到初始，思考业务场景之需与技术利剑的碰撞融合，从逻辑与价值出发，实现从技术逻辑，到应用逻辑，到市场逻辑的跳跃。
二、从技术到商业的三道鸿沟
①、第一道鸿沟：技术缘起
从严谨概念上来讲，PHM是指利用各类先进传感器实时监测产品或系统运行的各类状态参数及特征信号，借助各种智能推理算法和模型来评估产品或系统的健康状态，在其故障发生前对故障进行预测，并结合各种可利用的资源信息提供一系列维修保障决策，以实现状态维修。
PHM技术起源于航空航天军事领域，也最早应用于航空航天领域（美国F35战机）。资料数据显示，从经济效益，使用了PHM技术的飞机故障不可复现率减少82%，维修人力减少20-40%，后勤规模缩小50%，出动架次率提高25%，飞机的使用与保障费用比过去的机种减少了50%以上，而使用寿命达8000飞行小时。
F-35飞机的PHM系统包括机载智能实时监控系统和地面飞机综合管理系统两大部分。目前公认美军是基于状态监控和维修保障的顶级水平。F-35飞机的PHM系统采用了分层智能推理结构，并且飞机级、区域级、成员级都有逻辑推理设备。
早在2000年，PHM系统就被美-国-防-部威胁评估局的《军用关键技术》报告，将PHM系统作为采购武器系统的一项强制性要求，进一步明确了PHM系统在实现武器装备完好性和经济可承受性方面的重要地位。
PHM 技术的演变过程是从对故障和异常事件的被动反应到主动预防，再到事先预测和综合规划管理。20世纪90年代末，美国在民用产品工业领域引入了状态维护。而美国国防工业协会(NDIA)正在构建企业健康管理架构，更是寻求PHM技术的企业级健康管理整体解决方案。
引入民用工业领域，技术应用会变得更加现实苛刻，对经营企业来讲，绝不是为了预测而预测，是为了保障设备、产线等的正常持续运行而展开的行动。市面上的PHM公司，主要是侧重技术和方案提供，所以只能做到“监测/预测”阶段，关键部件故障预测不等于关键部件的健康状态管理。
所以，PHM技术型公司的价值止步于此，要想实现更大幅度和宽度的价值提升，一方面优化故障预测模型，提高更精准的决策分析预判能力；另一方面，需要客户公司打通备品备件、服务商及在线商城的界限，一站式实现从感知到监测、到诊断，到预测，最后到维护管理的整个闭环。
这在很大程度上也说明了，从思想到技术，从技术原型到技术落地，需要诸多配套的要素，一方面涉及技术成熟度，另一方面涉及应用场景方的接受度。
②、第二道鸿沟：从技术到商业，遵从应用的逻辑。
从技术到应用落地，是实现商业价值的基础，这中间隔着产品或解决方案，后者集成了硬件、软件、咨询等。
从技术到商业，一方面，实现从技术到产品/解决方案的跨越，另一方面，从产品/方案到应用落地的价值创造过程，同时客户企业买单的逻辑闭环。
说的更直白些，企业不会为单纯的技术买单，而是为价值买单。要想实现客户的价值，仅仅依靠单纯的软件或产品化的方案，并不足以撬动公司买单意愿。
从实现难度看，叠加了技术创新与价值创造、技术成熟度曲线、企业决策与组织反馈等因素。
如何将预测性维护的结果，纳入生产过程的运行维护管理，如何评价预测性维护的有效性，也是亟待解决的问题。预测性维护技术离真正的工业化和商业化还有很长的路要走。
商业闭环逻辑的形成，最重要的环节是：要有企业选择采用这一方案，并给予方案落地验证的过程。
所以，当手里的新技术遇到愿意尝新的企业，那是技术型创业者的幸事！而很多创业公司就死于从0到1的阶段。
③、第三道鸿沟：从单一场景走向更多场景，遵从市场的逻辑
走出单一场景，看似是应用的拓展与延伸，而背后其实是商业问题和市场逻辑。对技术本身来讲，考验的是通用性（通用目的的技术，general-purpose technology，简称“GPT”）和经济性。
目前，PHM技术在航空航天领域相对成熟，美英国家加强应用深度和广度（比如战争车辆等），并不断扩展到其他领域，如飞机发动机、交通运输、风电设备、远洋船舶等。
存量设备：这在理论上，是非常巨大的市场，但在现实面前需要考量多重因素。囿于这些存量设备的拥有者对于改造意愿、所涉成本以及价值回报的忧虑，实践中改造难度很大。 增量设备：加装传感器、采集模块和通信模块，从设备研发开始植入PHM核心理念，实现产品功能和价值重塑，一些特殊行业可以借鉴美方做法，对嵌入式技术做出强制性规定约束。
移动化场景：如飞机、动车、环保车辆等等
固定化场景：如各垂直行业的工厂、产线、风电场等，由于场景复杂，受干扰因素太多，决策及成本高，投入产出，目前主要在半导体行业、汽车行业等自动化和信息化应用成熟度高的行业公司应用优先。
所以，面向工厂及产线的技术部署，一是看行业，二是看高价值场景，比如机器人、CNC等设备。其实，这方面的应用前景非常之广，可以看看2015年以来，国内工业机器人的使用量和拓展量市场明白了。
另外，由于预测性维护高度依赖数据真实性和丰富性，如电力、石油化工、环保等产业的数据基础良好，也是一大重要开拓场景。DCS本身就是流程设备与工厂管控的重要手段，如果能在技术应用更深入一些，叠加PHM的预测功能，增强模型和分析水平，巨大市场价值可期。
3、预测性维护技术发展所面临的困境
目前预测性维护技术还存在一些瓶颈问题，严重影响了其在工业领域的应用。中德工业4.0/智能制造工作组认为：
1、对实际系统的研究不够，预测模型不能充分反映设备的特性，技术成熟度低；
2、主要设备的数字化程度和数字化信息的可用性较低。积累的数据不能有效地支持各种数据驱动算法。运行中的数据识别系统所支持的运行状态和潜在故障仍然需要专家的支持，而深度学习算法的潜力尚未得到充分挖掘；
3、如何将预测性维护的结果纳入生产过程的运行维护管理，如何评价预测性维护的有效性，也是亟待解决的问题。预测性维护技术离真正的工业化和商业化还有很长的路要走。
存在不足 | 详细介绍 |
故障地位不准确 | |
误报警率高 | |
故障预测以阈值预测为主 | |
未实现故障综合诊断 | 动车组PHM系统车载设备主要实现单一判据的故障诊断，地面设备接受车载设备传输的状态数据和故障诊断信息也只是单一判据诊断的故障信息，未进行综合诊断，导致准确率较低。 |
未实现健康状态管理 |
来自网络｜PHM技术评估报告
1、市场认知，尤其是决策者认知：认为必要性不够，存在可替代性方案，不运用PHM技术也可以获得竞争力，降低故障成本，为非必需性选择。现阶段内采用已有方案更为可靠，PHM技术噱头更大一些。