随着互联技术的革新、大数据的应用与积累、计算能力的提升及相关模型理论的高速发展，人工智能的应用场景逐渐丰富，并在近几年逐步过渡到实操落地。各行各业正积极探索通过人工智能赋能的运营模式，并以此推动产业升级及长期的运营转型。

在政策端，各省陆续出台了智能制造产业的扶持政策，逐渐催生了制造业的数字化及智能化的转型之路。而运维服务（ 如备品备件销售、设备维护及维修等）作为制造业的重要组成元素，通过工业互联网及人工智能的深度融合打造出创新的应用场景，并实现持续降本增效的趋势目标。

从需求侧来看，完整的数字化运维服务将成为企业选择运维服务供应商的主要考量维度之一。罗兰贝格针对全球领先制造企业的调研结果显示，85%以上的受访者认为运维服务商应更多地关注数字化方案规划能力，97%的受访者认为运维服务商应提供主动、完整的数字化运维服务方案。随着先进制造业对运维服务的注重维度已经改变，过去传统的备品备件购买及定期维护观念已经过时，通过工业互联网和人工智能赋能的数字化运维解决方案将是新的趋势。

预测性维护除了能提供主动积极的设备维护监控机制外，还具有四大优势，宜作为数字化运维解决方案的起始点：

• 优势一：对产线影响小 —— 有别于智能制造需对产线本身进行改造升级，预测性维护的硬件设备主要是协助建立设备与服务器的连接，不需要对产线或是生产工艺进行改变，对生产排程的整体影响小。
• 优势二：复制性高 —— 在相同的设备上可以快速复制解决方案，且越多的设备导入可带来更多的海量数据，对模型精准度的提升帮助更大。
• 优势三：实质成效显著 —— 预测性维护能助力运维服务的降本增效，根据罗兰贝格的项目经验，预测性维护可减少5-10%的MRO（维护、维修、运行）成本支出及5-10%的总体维护成本；而在效能提升方面，预测性维护可提高10-20%的设备正常运行时间，减少20-50%的设备维护时间并为产品质量提供更好保障。
• 优势四：应用场景广泛 —— 预测性维护的主要原理是基于设备网联化、数据采集、大数据分析及机器学习，未来的发展潜力巨大，并逐步推动使用场景从设备维修延伸到排程制定、资产管理等，下文会对此进行展开介绍。

结合对数字化运维的丰富洞察及项目的实战经验积累，罗兰贝格已开发出一套从设备引入机遇识别、解决方案设计到落地实施的一站式预测性维护解决方案，关键构成要素如下：

• 硬件：主要负责本地数据采集及分析，涵盖数据采集设备（传感器+数据传输设备）及边缘计算服务器：
• 软件：主要用于故障检测模型搭建及云端存储与处理

基于预测性维护的架构，我们还需针对客户设备进行针对性的机遇诊断、数据采集、算法搭建并落地验证。关键步骤如下：

• 引入机遇分析：生产设备的关键零部件众多，但如果全部导入预测性维护，则可能造成不必要的成本浪费，建议根据实际需要进行考量。罗兰贝格的方法论可帮助客户识别最适合的引入机遇。以某品牌的数控车床应用案例来说，我们通过部件成本、故障频率及故障影响范围等关键维度进行交叉衡量，最后建议客户从刀具及主轴入手，力求以最小成本达到最佳应用效益。
• 机器学习模型搭建：机器学习模型是预测性维护解决方案的核心。针对预测性维护的引入标的，我们已开发出一套完整且实证有效的模型搭建方法，能有效赋能故障预测，以下案例以某品牌数控车床的刀具故障预测算法搭建进行相关说明：
• 实际应用环节：通过刀具磨损预测模型，我们已成功协助客户进行有效的故障预警与检测。同时，基于客户需求，故障预测系统还可通过与生产排程系统的连接，进行故障报警或是生产排程的即时调整。

通过项目经验积累及内外部专家长期、广泛的讨论，罗兰贝格认为预测性维护是数字化运维的关键步骤，通过预测性维护的软硬件赋能，后续应用场景广泛，举例如下：

• 数字化资产盘点：可通过预测性维护管理平台采集设备上的传感器传输数据，并与资产台账对比确认实物资产的存在，有效减少盘点人力资源的浪费。
• 数字化维修运维：预测性维护所检测的实时加工数据可成为工厂整体运维管理系统的重要输入，并基于数据分析结果启动后续的维修服务流程及备品备件物料拉动流程。
• 生产及物料控制系统赋能：基于安装在设备上的传感器传输数据及自动化控制系统数据，生产及物料控制系统能实时进行加工数据的收集、存储、整理并形成可视化报告，作为生产管理的重要输入。
• 供应链赋能：设备故障预测系统能对关键部件的质量表现进行不同来源的横向比较，并以此作为供应商质量管理的重要依据。与此同时，采购可以利用相关数据进行供应商绩效考核评估及作为议价基础。

预测性维护是人工智能在数字化运维领域的重要实现，具有主动、智能学习等特征，并能助力达到更高的产出质量、更少的临时停线及更低的运维成本，是数字化运维的制胜基石，也是对数字化智能制造的进一步丰富。