曾被认为是工业互联网的“杀手级”应用，预测性维护为何发展不及预期？
|
因此预测性维护的价值不一定是让每一个小的服务商、设备商都赚到钱，而是让有能力提供良好服务、统一体验的设备服务商和设备制造商赚更多的钱，设备服务从“被动等待”模式转变为“主动出击”模式，设备销售从“一次性买卖”到“按使用时间付费”的模式，从而推进横向聚合的发生。 不过目前大家在讲预测性维护时，往往还停留在省钱的故事里。 推而广之，物联网到底是为了省钱，还是为了赚钱?这是一个颇具争议的话题。 CompTIA美国计算机行业协会针对这个问题专门进行了一项调查。你猜结论是什么?
三分之一的人认为物联网应该省钱，三分之一的人认为应该赚钱，另外三分之一的人认为省钱和赚钱都需要。 可见大家对于应用物联网的好处还没有达成共识。 (3) 基础不扎实，数据量不足 工业设备的预测性维护，都面临一个避而不提的共性问题，设备自身的传感器数量不足，很多数据还没有形成有效的长期积累。 所以预测性维护最常见的故事是飞机发动机，因为传感器足够多，监测时间足够长。 为什么设备制造商不在设备出厂之前，加装更多的传感器呢?因为在物联网理念还未普及之时，安装传感器不仅增加成本，平白增加了设备的复杂度，还没有明确的应用意义。设备本身已经够复杂了，谁也不愿意再费力增加一些看似没用的传感器。 传感器不够多，就算把人工智能等最新技术都用上，预测也不一定准确。预测不准，预测性维护就没什么价值。 加之设备模型的积累和迭代需要较长的时间，因此在目前的应用中，“硬件+软件+服务”为主流的收费模式，实施方式也以项目制为主。距离触发裂变，还为时尚早。 很多物联网公司都在想方设法解决这个问题。 去年Uptake以并购的方式获得了APT公司以及ASL资料库的控制权，就是一个明显的信号。 APT公司(Asset Performance Technologies)的资产战略资料库ASL，可以说是全球最全面的工业设备故障数据库。虽然APT公司成立于2004年，但ASL资料库此前便开始积累，利用超过20年的时间，收集了关于电力、采矿、炼钢等行业近800种重要设备的信息，可以提供FMEA失效模式效应分析和维护策略建议。 Uptake公司2014年成立于美国芝加哥，提供工业人工智能软件开发及服务，帮助企业客户进行数字化转型。目前Uptake最成功的案例当属与凯特彼勒共同开发的预测性维护平台，改善其生产运营效益。关于Uptake这家公司，在后面还会提到。 还有一些物联网公司正在想办法，利用软硬件一体化的低成本无线传感器，从原先没有数据的地方把数据采集上来，完成从0到1的突破。 能够实现这种突破的根本性原因有4点：
3. 创新正在发生 最后来看看预测性维护的初创公司在修炼哪些能力?很多初创企业已经意识到，真正的机会是利用预测性维护创造全新的业务。 现在判断哪些企业将会冲出重围还为时尚早，我们不妨多看一些预测性维护企业的生存现状。此处被点名道姓的以国外企业为主。 (1) Uptake 前文曾经提到，Uptake是一家成立于2014年的初创公司，而且可以说Uptake是IIoT创业公司中的大赢家。 据报道，Uptake曾在伯克希尔·哈撒韦能源公司一家子公司的风电场部署其“监测平台”。在部署平台的第一周，就发现变速箱主轴承可能会出现故障，并可能会导致其中一个涡轮塔的运转不灵。几小时的停机将造成风电场5000美元的损失，而如果这个涡轮机完全崩溃，损失将高达25万美元。 但是最近，通用电气GE将其告上法庭。GE诉讼的6名Uptake高管，均是GE的旧部，主要来自GE发电集团以及GE数字化集团。GE的诉讼理由是：Uptake有预谋地挖墙脚、窃取商业机密以及不正当竞争。 GE认为，这6名旧将由于职位所致，熟悉GE的商业机密，还参与了Uptake的“挖墙脚”谋划：不仅从GE挖走员工，还撬走GE的客户，试图将对GE的伤害扩至最大化。GE称，撬走的客户名单就在Uptake的官网上列着。这指的是伯克希尔·哈撒韦公司能源子公司的风电设备和卡特彼勒的机车业务。 Uptake自然不服。今年2月22日，Uptake反诉GE违反软件许可协议以及滥用商业机密。Uptake称，GE在滥用由Uptake并购的公司APT开发的软件协议。 GE和Uptake的官司还在继续。 更为严重的是，Uptake的经验似乎从反面证明了从大企业切入并不是明智之举。 2017年11月，卡特彼勒宣布不再对Uptake投资，只是保留Uptake的客户身份。据美国商业杂志《克瑞恩芝加哥商业》的报道，卡特彼勒意识到，如果对Uptake持续投资，将削弱自己的竞争力。 同时卡特彼勒在逐渐收回销售给代理商的监控软件的控制权。卡特彼勒的最终用户利用这些软件，可以检测设备运行，实现预测性维护。显然，卡特彼勒们希望把预测性维护的能力收回到自己“体内”。 (2) Predikto Predikto的独特优势在于，他的技术平台能够处理数百个不同的工业资产数据集，并自动完成80%的分析流程，以便快速从数据得出分析结论，提供可行的建议，让企业提前采取措施，避免故障，延长资产正常运行时间。 Predikto已经被联合技术公司收购。 (3) KONUX KONUX专注于铁路领域，他们结合了智能传感器和基于人工智能的分析，通过预测性维护计划和铁路的优化利用，实现更高的列车正点率和网络容量。 这家公司在2019年2月刚刚完成了B轮融资，投资者包括阿里巴巴。KONUX的下一步计划是在中国开展业务。 (4) Mtell Mtell的产品主要是解决非计划停机的问题。他可以帮助企业提高资产利用率，并通过准确预测何时发生设备故障，了解为何发生故障以及规定如何避免故障，从而避免意外停机。 Mtell的创新之处在于，提出了新的分析方法：处方型维护。 简单的说，处方型维护就好比你去医院看医生，首先是症状分析，不仅仅是对现状进行分析，而是要回顾使用的历史，过去曾经出现的故障，以及当时故障如何解决的，根据这些信息进行最终的诊断。 Mtell通过机器完成这些工作，不仅通过传感器提供的信息，Mtell还要查看过去维护保养的历史，过去出现故障时，这个故障怎么发生的，为什么会发生，通过这些信息决定未来该如何解决，这样做出一个故障的诊断。 目前Mtell已经被AspenTech收购。 (5) Petasense Petasense也成立于2014年，通过监控关键旋转机器的运行状况，提供预测性维护解决方案。 （编辑：核心网） 【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容! |
