2013年4月，在德国举行的 Hanover Messe 会议上，工业4.0的指导原则发布。 在过去的五年里，工业4.0已经从德国政府的政策转向了全球的高管级战略。而今天，我们已处于第三个浪潮中————积极的实施。

工业4.0被认为是第四次工业革命，行业分析师预测了一个重大而广泛的经济影响。工业物联网、人工智能和机器学习在可预测运维4.0中的应用是工业4.0的核心元素。本文旨在找出改变的高级别战略和业务驱动因素与实施现实之间的差距。

仅在2017年和2018年，认知分析的重大进步就被应用到预测运维领域，在国内就是高大上的AIOps。与此同时，工业4.0已经被全球工业设施的高级管理者所接受。对于 PdM4.0和维护4.0提出的关切是出于关于部署的可行性和资源缺乏的实际考虑。

可预测运维的现状

可预测运维的IIoT仍处于早期阶段，专业人士认为采用动力很小。PdM4.0的承诺得到了承认，但对目前的可预测云维系统几乎不存在不满。传统的 PdM 包括振动监测、油渣分析和热成像，目前尚未被取代。微软Excel 仍被认为是预测建模的默认选项。

评估现行的可预测运维

维护4.0可能是执行者战略愿景的核心要素，可以被包含在工厂的技术路线中。 然而，从实际的角度来看，它并没有被广泛使用。可预测运维的方法仍然是传统的方式，如振动监测，油渣分析和热成像。工厂依然依赖手工统计模型，使用Excel 的预测分析远远超过了先进的统计模型和机器学习。

统计模型很少用于预测分析，尤其是在工厂一线。 最常见的方法是各种形式的回归分析。第二常见的方法是模式识别(例如红外热成像和离/在线电机电路分析)或视觉分析/识别(图像或数据图形显示的故障)。下一个最常见的方法是相对比较(从一台机器到另一台机器或一组机器)。之后是对限制或范围的测试，这与回归分析有关，虽然可能会形成一种趋势，如果参数数据突然高于警报或警报呈现的水平，行动将以后者为基础，而不是趋势。

统计过程控制(SPC)在许多程序中都有使用，在 SCADA 系统中很常见。这是一种图形分析方法，可以由平台上的人员实践，只需要简单的数学和绘图技巧。

最强大的方法叫做相关分析。这包括在相同操作条件下同时采用两种不同技术的分析结果，及时确认故障或来自同一类技术(如振动分析和冲击脉冲分析)，以追踪相同的故障。

当使用IIoT/云计算技术时，所使用的高级分析分析包括视觉分析(例如异常值)、聚类分析(如基于密度的空间、层次或其他常用方法，如 k-Means)、数据挖掘(例如基于分析或关联规则的分析)、时间序列分析和统计分析(包括回归，如最小二乘法和多元线性分析)。

人工统计模型将逐渐被机器学习和预测分析所取代。 随着目前在机器学习、人工智能、传感器和连接领域的技术进步速度，将进入一个可以快速、经济地部署的现有预测分析工具时代。

评估可预测运维方案的指标

运维人员将运营效率/节约成本视为评估预测运维方案的主要指标。

对于可以预测性运维方案来说，最重要的衡量标准是，从较低的停机时间中节省的资金要与运营效率一样高。 此外，正常运行时间增长的收益甚至高于备件和其他管理方式的改进。即使运维人员对PdM4.0没有保持与管理层相同的热情，他们也明白增加运行时间、提高产量收益率和降低停机时间的战略价值。

工业4.0中运维技术的前景

工业4.0中维护技术的主要变化是对自动化工作和流程的改进。相比之下，部署机器人或无人机辅助检查的可能性较小。数字孪生体的概念没有引起太多的关注，大多数运维人士预计未来5年内不会出现大规模的部署。

对自动故障报告的采用而言，45%的受访者预计会有全面部署，另有22%的答复者预计会出现大部分部署情况。在采用机器人辅助修复技术方面，35% 的人预期不会采用，而另外17% 的人认为只有部分采用。

必须先弄好基本的东西， 收集更多的数据并不一定能解决任何问题，直到学会如何收集正确的数据来帮助解决真正的问题。监测需要集中化，或者通过遥感(不是完全自动的，但是不必在现场监测工厂) ，或者通过机器学习算法进行自动化状态监测。

在接下来的十年里，自动化将消除极少数的职业。焊工、切割机、焊料工90% 的任务都具有自动化的技术潜力，59% 的制造业工作都易受自动化的影响。

发展一个精确的数字孪生是昂贵且费时的。因为即使在相当新的工厂中，配置控制也很少能达到应有的程度。图纸通常可能已经过时和性能规格随着时间的推移被不精确地记录下来，在几个操作周期之后，被忽略了资产被超越了原始设计的限制。 要构建一个精确的数字孪生，需要对当前的性能和条件要求进行广泛的研究，而不仅仅是引用原始的生产规格。

除此之外，由于确定投资回报的工作很少，而且在一个包含必须完成的所有步骤的综合计划中也很少，在一项全面计划中很少做到，因为这项计划包含了所有必须完成的步骤，以便在机器边缘(靠近机器)、工厂(防火墙之前)和云端都能够降低成本。

IIoT 可预测运维的视角

运维人员和高级管理人员的观点之间存在着脱节。IIoT被视为延迟采用 PdM4.0的一个重要因素。

许多公司和维护组织都在支持 IIoT 设备，有些可能没有意识到是 IIoT，例如电力监控、保护装置和监控网络。 当设备应用程序在会议上出现时，通常会有相当多的投票率。 然而，(讨论)诸如正确的设置或者更糟糕的是，与连接设备相关的安全问题，就缺乏出席率。 人们认为这些问题是"别人的问题"。

IIoT有可能以一种戏剧性的方式改变这个行业，但只有通过加强传感器连接性来有效地利用数据量，才有可能实现这一目标。

IIoT可预测运维的部署实施

大数据科学家的技能不足，以及对工业4.0缺乏了解是影响PdM4.0部署的两个最重要因素。 运维人士对软件的复杂性和获取传感器数据缺乏关注。

从资源的角度来看，组织希望拥有预测分析所需的核心基础设施，而不是他们有足够的数据科学家来部署IIoT的预测分析。

一般而言，PdM需要有系统地关注设备，确定和建立指标，并为实施提供资金/支持。许多 IIoT 服务提供商(除了大品牌，大部分是 oem)都有 IT、软件和商业分析方面的背景，与工业工程协会有点脱节。世界上有92% 或64万台机器没有网络连接。 另一个统计数据是意大利机器的平均寿命为13年。 这将导致欲望与能力之间的鸿沟。

大公司将有资源来试用新的系统和机器，并评估跨生产设施的采用能力。小公司将具有采纳和适应的灵活性。中等规模的企业投资于低成本的解决方案.

建立数字化运营能力的最大挑战是:

• 高层管理人员缺乏明确的数字操作愿景和支持
• 不明确的经济效益和数字投资
• 高资金投入需求
• 与使用外部数据有关的数据安全和数据隐私的问题
• 人才不足

可预测运维的影响

运维人士对物联网可预测运维持有积极的看法。

操作设备效率的提高是人们普遍期待的。实时利用和分析数据有助于更好的决策。 从组织角度来看，人们对专业运维人士的角色和职责将发生变化的担忧是有限的。总的来说，对于 IIoT 可预测运维将迫使信息技术和业务技术组织趋于一致的观点没有得到多少支持。

专业人士都认为标准的运维实践会因工业4.0而改变，尽管对于这种变化的程度有不同的意见。人们越来越强调建立一致的过程，以有意义的方式收集和使用数据(手动第一，然后，在有用的地方，自动化)。

目前，许多工厂收集大量的数据，而且数据的使用很少或者有限。 增加更多的传感器会增加更多的数据，而不是信息。

建议

一些加速部署 IIoT 可预测运维方案的建议：

• 让运维专业人士参与组织的PdM4.0策略的开发。这不仅有助于确保整个组织的支持，而且还可以为具体采用提供实际的洞察力
• 与多个供应商一起实现概念证明，并根据预先确定的标准评估结果
• 培养在创建功能性和规范性文件、征求建议书和概念证明方面的专业人员
• 创建机器学习的应用中心
• 发展和培育一个工业4.0供应商和解决方案的生态系统，以便能够在需要时迅速评估和采用互补技术
• 成立一个工作组，代表业务技术和信息技术，探索技术解决办法
• 制定操作指标，以衡量PdM4.0的采用情况。这不仅应包括部署(涵盖的资产数量) ，而且还涉及到基础设施(人员、流程、技术等)
• 将人工智能和机器学习的元素纳入到运维技能的开发项目中

具体地，建立IIoT 基础设施，包括"为无线连接、数据加密和安全选择正确的协议"。 机器学习解决方案可以提供机器资产故障原因的深刻洞见。或者，随着时间的推移，资产的临界性可能会发生变化，因此需要进行新的可行性研究。

（本文摘译自https://www.presenso.com/blog/emory-research）