6GK5798-8MG00-0AA0
预测性维护（PdM）是工业互联网的重要应用，但它并不新鲜，在上世纪90年代就已经尝试被用于飞机发动机领域。***近几年，随着工业人工智能技术和边缘计算技术的逐步推进和成熟，过去仅仅集中应用于***装备的预测性维护，可以“飞入寻常百姓家”，具备了大范围应用的经济性前提。
需要强调的是，预测性维护不同于预防性维护，在维基百科中，对两者进行了明确的区分，值得借鉴。
预测性维护（PdM）根据在役设备的状况，评估进行维护的时间，防止意外的设备故障。这种方法比预防性维护要节省成本，实现的关键是“在正确的时间内提供正确的信息”。
简单的说，预测性维护是依赖于设备的实际状况，而不是平均或预期的寿命统计，来预测何时需要维护。
更进一步，故障预测和健康管理PHM 还要做到能预测设备***后的剩余使用寿命到底有多少。
6GK5798-8MG00-0AA0
毫无疑问，预测性维护是未来的发展趋势。
如何真正撬动预测性维护这块市场蛋糕，挖掘新的商机？在上篇文章的交流中，许多互动和留言很有价值，因此用这篇文章进行延续和扩展。
本文中你将看到：
●细看国内外的差异，国内***终用户使用预测性维护，顾虑哪些问题？
●预测性维护的军备竞赛中，不同企业在沿着哪些路线前进？
●工业人工智能和边缘计算，正在为预测性维护引入新的载体。
●国内有哪些值得关注的初创公司？
●值得关注的精彩评论。
涉及内容较多，我已高浓度提纯。
01***终用户的顾虑
预测性维护并不适用于所有的对象。
在这里借鉴美国智能维护系统（IMS）中心的分类，参考下图，纵轴代表故障发生频率，横轴表示故障发生后的影响。预测性维护适用于发生频率不高，但一旦发生影响很大的故障。
●频率低、影响大：预测性维护
●频率低、影响小：传统维护方式
●频率高、影响大：系统设计有问题，需改进设计
●频率高、影响小：准备更多备件
有效预测频率低、影响大的故障，是许多***终用户所期待的。对于预测性维护在方案推进中面临的困难和风险，国内情况与国外相比略有差异。
6GK5798-8MG00-0AA0