工业环境比以往任何时候都更加智能。工业物联网（IIoT）设备，机器自动化以及云和边缘计算技术的飞速发展，正在帮助工业运营商监视和响应可能表示设备故障或损坏的数据。通过在设备问题发生之前就识别出问题，工业运营商可以将计划外系统停机的风险和财务影响降至最低。根据德勤（Deloitte）的最新  估计，工业维护的数字化转型可将设备正常运行时间延长多达20％ ， 更多信息尽在振工链 。  

工业运营商长期进行例行检查，以期预期潜在的设备问题。趋势线分析和基于状态的维护已成功用于跟踪设备运行状况多年。IIoT设备，边缘计算和基于云的机器学习的强大组合。结合这些技术，可以进行实时分析和更长期的洞察力，以预测何时可能发生故障，或者一台机器或其一部分在故障发生之前可以运行多长时间。

这些技术共同创造了对关键设备进行预测性维护的能力，提高了效率，并为工厂操作员提供了对设备状态的全新认识。在工业环境中部署预测性维护系统时，出现了以下最佳实践。

明确定义成功

在某些情况下，计划外停机会产生特别大的影响。这些环境通常在物理上很广阔，或者包括少量关键设备，例如加油站或医院。在这些环境中，设备故障可能会造成灾难性的后果。远程或难以访问的环境也是如此，当设备出现故障时，恢复功能可能需要几天的时间。

许多组织会急于投资于预测性维护，而没有明确定义其组织的独特目标。注意预测性维护策略的ROI是必不可少的–探索预测性维护投资的组织应为项目成功建立清晰的KPI。例如，一家大型天然气管道公司实施了全面升级并采用了预测性维护方法，在5年内为其压缩站节省了近1000万美元的维护成本。在此必须注意的重要一点是，只有在了解“之前”情况，实施预测性维护和衡量“之后”结果的目标之后，才能量化节省量。

培养您的预测性维护劳动力

预测性维护系统的最大成本不是设备，而是人才。许多现有的工业环境将缺乏具有强大IIoT或边缘计算技能的人员。因此，对员工培训进行投资至关重要。同样，通过预测性分析部署指定清晰的员工所有权可以确保项目成功。

对来自各个学科的员工进行预测性维护培训也可以带来长期收益。跨职能方法可帮助企业为员工离职或离职时丧失关键的预测维护技能做好准备。更重要的是，对初级员工进行预测性维护培训可以是对现有系统的长期文化或部落知识的投资。

预测性维护不是万灵丹。它应该始终加强而不是代替常规检查，以使组织免受停机时间增加的风险。同样，企业仍应维护每台机器的设备性能记录，以为将来的决策提供依据并了解不同设备的独特特性。

选择长效产品

投资于预测性维护的企业应该始终选择动态，功能丰富的产品，而不是价格更实惠的产品。为什么？随着当今创新步伐的飞速发展，应该根据未来的投资回报率而非当前成本来评估投资。许多工业企业也难以预期其未来的技术需求。

因此，运营商应选择完全符合现代标准的系统，以最大化每个设备的使用寿命并消除重复投资的风险。 通过选择当前最好的系统来进行节省工业企业资源输出，这样的行为定能受到更多企业的追捧。

选择设备以反映业务需求

不同的业务面临独特的挑战。制造商应选择能够反映其各种优先级的分析和维护设备。例如，一些制造商应瞄准购买配备了振动分析和嵌入式传感器技术的设备，这是设备性能的两个有力指标。例如，液体处理器等其他企业将在其设备中需要温度，压力和粘度传感器。

投资于机器学习

开拓性的机器学习可以扩大预测性维护的价值。机器学习系统在分析大型数据集时非常有用，它使精明的工业操作员可以更快地识别出可能表明设备问题的数据异常。这样可以进一步减少停机事件的风险和严重性。

在许多工业环境中，预测性维护投资可以使操作员拥有更高的洞察力。当个别企业面临独特的需求时，这些最佳实践可以帮助最大程度地提高任何预测性维护计划的ROI ， 更多信息尽在振工链 。