隨著物聯網技術的快速發展，在各個行業中產生了不同的結果。物聯網進入了工業領域，被叫作工業物聯網(IIoT)，它正在給傳統自動化設備帶來全新的變革，同時也為設備廠商創造更多的增值機會。

作為物聯網的一個子集，工業物聯網為運營技術(包括遠程管理和運營分析)增加了新的功能。到目前為止，工業物聯網***的價值在于預測性維護，新型物聯網設備收集了大量的生產數據，再通過機器學習和人工智能分析，從而讓管理者更好地理解生產系統是如何工作和維護的。

[[224499]]

預測性維護是提前維護的***辦法，當分析到工業設備的組件可能出現故障時，設備管理者就可以預先維護，以便在進行維修之前可以對其進行更換或修理，從而避免更高成本的損壞和停機時間。預測性維護融合大數據、機器學習等多項技術，為人與機器互動交流提供了機會。

預測性維護的關鍵是什么?

要預測出一套設備的可能性故障，除了從設備數據中整理出關鍵的指標，還要結合更多的歷史事件進行分析，最終形成一個與設備對應預測性維護模型。預測性維護的復雜性在于這套基于機器學習的生產系統模型必需隨著時間而改變。

以火車的維護為例，隨著火車零件的老化，它們對壓力的反應與新的時候不同。因此，維護計劃應該隨著時間的推移進行調整，以考慮不斷變化的故障率，這些時間表可以使用機器學習輸出新的模型。

設備在全生命周期的不同階段有著不同的表現，設備故障有一個“浴缸曲線”的說法，把設備壽命劃分為三個主要階段：早期故障率階段、穩定狀態階段和損耗階段。通常機器在使用壽命開始時，會經常出現故障。但隨著時間的推移會進入穩定期，維護過程會逐漸消失，故障更為罕見。而到了后期機器故障會率會飆升，最終報廢。

浴缸曲線

因此，機器學習需識別出設備處于哪個生命階段，并不斷調整預測模型，如日立開發的Lumeda的平臺，引入了數據科學家，可以用來更精確地調整機器學習模型，在模型投入生產后能夠監控機器學習模型的準確性。該平臺會創建集中的數據庫供數據科學家進行實驗，測試不同模型時公司可以改變它的輸入，并更準確地預測生產線將會發生什么。

汽車預測性維護的應用場景

汽車一般都會有一個OBD-II的系統，它是一個車載自動診斷系統。該系統主要用于監控發動機的運行和排氣系統的工作狀態，一旦發現排放超標就會發出警示。OBD-II系統會把故障信息寫入存儲器，通過標準的診斷儀器可以讀取故障代碼，然后根據故障信息逐一排除疑點，幫助維護人員快速準確地找出故障源頭。

一家初創公司TheCarForce希望利用這些數據來幫助司機和制造商實現預測性維護，他的做法是利用SIM卡將汽車的診斷數據發送回中央服務器，現在的汽車可能收集比航天飛機更多的自我診斷數據，這些數據一旦收集到服務器就可以用于分析。

[[224501]]

圖片來源：TheCarForce

這種方案潛在的受益者眾多，能為4S店以及汽車制造商帶來新的機會。在4S店使用案例中，維修師傅可以從他們服務的車輛獲取實時維護數據，這樣既可以警告客戶即將發生的問題，也可以將大型數據關聯在一起，以幫助預測未來的可靠性問題。

這是一個增值服務，因為4S店可以在機器問題之前先一步做出動作，在意識到某客戶可能會在特定的日子更換部件，維修者可以進行計劃和安排采購，然后聯系客戶預約維修。這樣不就會出現在機器問題時，要花大量時間在購買部件上。

采集數據是預測性維護的基礎，只有收集充分的設備參數才能讓人工智能發揮出效果，TheCarForce的采集方案為汽車預測性維護提供了更多的可能，隨著數據的不斷收集和案例對比分析，維護者可以更準確、快速完成工作。

物聯網幫助農場獲得更高產出

在大面積的農場不乏有各種拖拉機、收割機等農業機械設備，在密西西比河三角洲的一個20,000英畝的大型農場里，種植著棉花、粒米、大豆、玉米和小麥，這個農場擁有20多臺拖拉機和多臺收割機、采棉機和噴霧機，這些設備都通過物聯網進行了連接。

農場負責人表示，他們需要采用物聯網技術來跟蹤并查看機器狀態的發展，如果設備發生了什么問題，他們就會馬上修復它，不允許出現停機時間。因為，他每天都靠天氣、土壤和時間來獲得更好的產出，時間對于他們來說是十分寶貴的。

3月到10月都是農業的繁忙季節，這些時間內必需保證機器設備是可用的。這就需要從連接的機器獲得的數據進行高級分析，他們甚至會分析一些次要的警報，可能被視為對實際操作員“滋擾”警報，并用它們繪制關于可靠性和服務數據的模式和結論。

[[224502]]

圖片來源：John Deere

例如，在發動機的前部安裝風扇，這會導致一個小的振動。系統會檢測到這個變化，并發送錯誤代碼。獲取更多的外部和內部數據，將可以分析出機器的所有可能事件。發現機器設備的初期故障跡象，及早做好防護和避免事情的發生，這比在故障發生后再處理要節省掉很大的費用。

小結：

機器學習模式管理設備將對一些重型工業領域產生重大影響，例如物流運輸、裝備制造、汽車等，這對于一些低利潤高資本的領域十分有價值。因為設備的故障維修不僅讓用戶支付昂貴的費用，停機可能使得企業失去更多創造產能的機會。預測性維護方案很好解決了裝備密集型產業的痛點，同時也開啟了一個巨大的增值服務市場。

人工智能和機器學習算法的不斷進步，對于大數據的分析將有很大的幫助。物聯網保證了設備數據的穩定獲取，這些數據將存儲到云端，然后通過機器學習進行分析，給設備管理者提供***的運營策略。隨著自動化設備的普及應用，預測性維護帶來的經濟價值將是巨大的。