预测性维护是边缘计算与人工智能，在工业落地的最短路径？

Uptake的例子是一个很好的说明。2015年3月，卡特彼勒开始了与Uptake在技术和数据方面的合作，并且对Uptake进行了股权投资。通过合作，卡特彼勒将自己全球领先的产品工程和设计能力与Uptake的软件、应用和数据分析技能有效结合，以期为客户提供更高效的解决方案。

2017年底，卡特彼勒宣布终止对Uptake的投资，不再持有Uptake的股份，并重新调整与Uptake的合作领域。卡特彼勒意识到，如果对Uptake持续投资，将削弱自己的竞争力，希望把预测性维护的能力收回到自己“体内”，进一步推进从设备制造到制造即服务MaaS的转型。

• 对此有人持有不同意见，认为设备商想靠预测性维护转变商业模式，这可能是个伪命题。(@郭云)
• 不过无论如何，预测性维护还是要做的，只是不能这样做…它要结合到工业设备管理和工业服务现状，从诊断形式的多样化组合和人的能力共享来做，要从工业服务产业化生态来做…(@杨明波-维修合伙人制+工业服务研究)
• 目前IoT在工业的应用场景主要还在监测和诊断，预测的准确度和商业模式都还需要继续探索。(@史磊)

2. 两条切入路径

工业场景的要素：人、机、料、法、环，预测性维护主要与“机”挂钩。就像汽车的价值链包括车主、4S店、车厂、汽车零部件的各级供应商，“机”的价值链包括：

• 最终应用企业(最终用户)
• 设备服务商(代理商、集成商)
• 设备制造商
• 上游各类工业自动化软硬件厂商

【路径1】

创新型物联网企业的普遍做法是围绕最终用户挖掘价值。

最终用户是工业的主体，上游各类企业都是围绕最终用户开展业务，因此用户也是各种服务的核心落脚点。

物联网企业的做法是在围绕设备加装传感器和工业网关，并不介入控制器原厂的数据和通讯协议，将传感器数据在边缘侧和云端进行分析和反馈，“感知设备的脉动”。

传感器采集的过程值(流量、温度、压力等)，传输至边缘云进行分析，可以显示多样化的评估图表，结合预先定义的报警机制，确保对过程值进行持续监控和分析。

传感器安装在哪里?采集什么信号?机器特性是什么?分析什么原理?前期需要进行详细的分析，才能保证采集到的数据是价值的。每一个传感器的部署和定制分析都要花费时间和金钱，先从最重要的故障点入手才有意义，这是一个漫长的讨论、尝试和验证的过程。

很多项目并不是典型的预测性维护，做到简单的数据呈现和报表分析，实现状态检测和远程监控，已经可以满足最终用户的需求。

【路径2】

传统工业自动化巨头因为拥有私有协议优势和存量设备优势，选择从源头上入手，从控制层直接接入新型硬件，由浅入深，提供预测性维护服务。

举两个例子。

比如，西门子在2018年底推出了针对边缘应用的全新硬件，并以此构成工业边缘计算(Industrial Edge)概念的一部分。这款紧凑型边缘设备以嵌入式工控机SIMATIC IPC227E为基础，可从生产端实现对生产数据的直接读取和处理。

这种做法相当于给传统控制器PLC外挂了一台工业电脑，直接读取和分析控制层数据，并与工业互联网平台MindSphere配合使用，提供预测性维护等能力，以边云协同的方式提升现场管理水平。而且当工业应用程序底层的框架条件发生变化时，边缘设备上的应用可以实现同步调整，保持设备功能性的实时更新。

就在这个周末，3月29日，西门子还与德国大众汽车集团签署协议，德国大众宣布采用西门子MindSphere工业互联网平台，范围涵盖大众的122个工厂以及1500个供应商。这一合作激起的涟漪势必促进跨国企业对于工业云平台的采用，为预测性维护的落地起到一定程度的推动作用。

除了从控制层面直接介入的做法，电机与驱动器厂家也不甘落后。2019年3月初，三菱电机宣布推出新一代通用型伺服驱动系统J5，它不仅成为全球首款使用下一代工业网络技术TSN的伺服产品，还将集成智能控制技术Maisart。

（编辑：西安站长网）

【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!