根據Aberdeen Group進行的一項調查顯示，“同類最佳”公司越來越多地利用物聯網（IoT）和大數據來實施預測性維護模型，以解決和改善其最大的運營挑戰。

我們發現預測性維護可以：

▲將意外停機時間減少到3.5％▲將整體設備效率提高到89%▲將維護成本降低13％▲將資產回報率提高24％任何運行機械的行業——制造、運輸、樓宇自動化等，都可以從啟用預測性維護中受益。與任何其他維護模式相比，預測性維護的價值在于，它使維護和運營決策者能夠在資產（設備）發生影響人員、運營或生產的故障之前預測何時需要干預。預測性維護通過收集和分析各種類型數據，提供最高的資產可見性，以提供以下好處：▲確定關鍵預測因素并確定結果的可能性。▲通過應用可測量的實時和歷史數據來優化決策。▲規劃、預算和安排維護維修，合理、及時替換和備件庫存。

我們建議遵循以下六個步驟來實現預測性維護：

建立預測性維護的業務案例：為成功實現預測性維護，重點應放在影響運營和生產以及管理風險的獨特問題上，而且了解企業關注的指標以及需要改進的指標非常重要。考慮以下問題以確定預測性維護項目的關鍵目標并確保成功：

1、如何將數據驅動的決策集成到現有維護實踐中？

2、設備故障將如何影響人員、運營或生產成本？停機成本是多少？

3、哪些關鍵設備可能會故障？何時故障？以及為什么會故障？

識別數據源并確定其優先級：資產連網的增加和智能設備的使用可能會產生了大量數據。不需要也不建議處理所有這些數據，相反，開始預測單個設備的故障，重點關注與其具體相關的可用現有數據。

收集選定的數據：選定的數據可能位于不同的位置，從網絡邊緣的設備到服務器機房，再到企業云，包括傳感器、儀表、企業資產管理系統以及監控和數據采集系統。理想的預測性維護解決方案應該足夠靈活，使您能夠從所有這些數據源中收集信息，以學習并不斷做出更好、更明智的商業決策。

確定在哪里執行分析：根據您的具體操作建立高級分析基礎。例如，可以平衡邊緣(或本地)和云分析，以減輕云部署中易損預測性維護數據的傳輸負擔。分布式方法使您能夠在邊緣監測和響應本地事件，并立即對流式數據采取行動，同時在云中集成其他數據源。

組合并分析數據以獲得精準洞察力：首先分析可用數據以定義機器正常運行的參數。這使得能夠通過狀態監視來創建規則，以分析直接來自機器傳感器的實時數據。借助網關等邊緣計算設備，分析可以盡可能靠近機器進行，使用本地I/O從工業設備收集數據，并能夠在惡劣環境中運行。在分析實時數據后，添加歷史和第三方數據（如可靠性模型和日志），以發現與實時數據規則生成的異常之間的相關性、模式和趨勢，以指示潛在故障。這些模式可用于進一步優化您的規則并實時提供可操作的洞察力。

采取行動：通過單個管理平臺將所有資產（設備）的綜合風險評估整合到您的運營中，將洞察力轉化為行動。例如，當發現潛在問題時，邊緣計算設備可以觸發一個事件，允許您向相關方發出自動警報，例如位置、估計的替換零部件和建議的糾正措施，以避免災難性事件。然后，通過從替換零件中獲取磨損特征數據，您可以不斷優化預測性模型并從性能洞察中學習。最后，探索預測性維護數據的其他用途，例如自動化監測報告和增強對零部件供應商的評估。