工业设备的维修维护通常分为三种——事后维修的“修复性维护”，属于是“亡羊补牢”；基于时间、设备性能、现场使用工况等综合因素对设备进行定期维修的“预防性维护”，更多凭人的经验；以及基于安装在设备上的各种传感器，实时监控设备运行状态，更准确的判断故障何时发生的“预测性维护”，是一种先知先觉的智慧。

近日，知名物联网市场调研机构IoT Analytics发布了《2023-2028 年预测性维护和资产性能市场报告》，报告对预测性维护的市场规模、市场特性、未来增长等进行了调研和预判。

预测性维护市场增长不如预期

根据最新一版的《2023-2028 年预测性维护和资产性能市场报告》，2022年，预测性维护市场规模达到 55 亿美元。过去两年不确定的经济状况和其他制造业优先事项导致2021年至2022年市场增长率为 11%。随着企业愈发关注效率、安全性和运营绩效方面的投资，IoT Analytics预计到2028年，预测性维护市场将以每年17%的速度增长。而那些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）。

单看这些数据可能不够直观，我们可以拿出往年的数据进行对比——在《2019-2024年预测性维护市场报告》中，IoT Analytics公司估算，2018年全球预测维护市场规模达33亿美元，预计到2024年，其复合年增长率将超过39%，达到235亿美元。

在后续的《预测性维护市场报告2021-2026市场报告》中，IoT Analytics更新了预期，预计2021年的预测性维护市场达到69亿美元，而传感器，大数据、边缘计算和人工智能等技术的进步以及物联网基础设施成本的下降会进一步推动预测性维护市场的快速发展，使得市场将以31％的复合年增长率（CAGR）增长 ，到2026年，该市场或将达到282亿美元。

从39%到31%，虽然IoT Analytics下调了预期，但30%以上的年复合增长率还是一个激进的数字。然而，到了今年，复合年增长率的预期再度被大幅下调为17%——很显然，整个预测性维护市场的增长不如预期。

预测性维护的重要性毋庸置疑——在许多行业中，如果不能准确预测大型设备资产的意外停机，可能会造成超过10万美元的损失。IoT Analytics的研究表明：11 个行业的非计划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几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。

不过总体来看，过去 12 年来，对预测性维护及相关概念的搜索兴趣一直在上升。自 2017 年IoT Analytics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) 相关的搜索量。

异常检测类维护呈上升趋势

报告指出，随着市场的发展，出现了 3 种值得注意的预测性维护类型：

间接故障预测

异常检测

剩余使用寿命 (RUL)预测

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IoT Analytics的研究表明——异常检测类别正在增加。

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全面分析来产生相应分数，如果有大量数据可用，也可以使用监督式机器学习方法。

优势：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性能规范/技术指标，而这些规范或指标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。

局限性：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

异常检测是查找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，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式机器学习。

优势：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。

可能存在误报的情况——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）预测

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。而使用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，行驶的距离、执行的重复周期或自运行开始以来的时间）。

优势：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。

输出可靠性——由于 RUL 估算依赖于高质量和详细的数据，因此其输出的数据往往更加可靠。

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。

文章来源： 物联网智库

了解更多相关资讯，可关注DFS公众号，内容更精彩！

SMEE 2024智能维护展（7月3-5日，上海新国际博览中心）作为DFS 2024数字科技与应用展的主题展之一，是中国少有的工业设备智能维护展示平台，聚焦工业智能维护产业战略、技术、设备及解决方案，致力于为制造业提供更具保障的生产解决方案。

展会细分为四大板块，分别是预维护技术、工程与服务、维修、运维等。同期，DFS数字科技与应用系列展会共同举行的集聚效应将使您的公司受益匪浅，尽享跨界商务盛宴！

参展咨询：

电话：86-21-6468 1300

邮箱：info@for-expo.com