预测性维护：持续智能杀手应用
基于传感器和物联网数据分析的 CI 可以帮助发现设备的状态变化并预测资产的故障概率。
分析有关资产的实时和历史数据可以发现可能导致部件或设备故障的问题。与基于日历的资产更换相比，预测性维护在防止停机方面更有效，同时使零件或设备的使用寿命最大化。因此，预测性维护是持续智能 (CI) 的杀手级应用。
另见： 大型“残酷”环境中的实时分析
此类功能可以帮助识别在预定更换和维护时间之前可能发生故障的部件或设备。人工智能的真正好处是用于检测潜在问题。如果专家系统随后使用此智能，则可以在问题发生之前发送警报，并且可以将基于所获信息的纠正措施交付给负责维护设备的人员。
为什么这些能力如此重要？
制造业、航空、能源勘探、公用事业和电信等行业的停机成本是惊人的。一家海上石油和天然气公司平均每年会经历大约 27 天的计划外停机，这可能造成 3800 万美元的损失。在某些情况下，这个数字可能高达 8800 万美元。
2018 年，计划外维护花费航空公司超过 200 亿美元，约占所有维护支出的 27%。这对网络运营产生了连锁反应，因为近 3.8% 的航班延误和取消是由地面飞机 (AOG) 事件引起的。对这些问题的量化以及预测性维护的好处表明，数据和分析可以将计划外维护费用减少近一半，从而使航空公司能够将相关成本缩减至总维护支出的 14% 左右。
CI 在预测性维护中的作用
基于传感器和物联网 (IoT) 数据分析的 CI 有助于发现设备的状态变化并预测资产的故障概率。
为什么需要CI？等待发生故障的传统维护方法对业务非常不利。并且根据制造商基于日历的维护计划更换零件可以使良好的零件在失效之前被替换掉。
CI 不是事后做出反应，而是提前洞察导致停机、缺陷、效率低下或错失机会的问题的根本原因，可以潜在地降低成本并提高运营效率。
越来越多的行业正在使用物联网设备来收集这些见解，使用这些设备来获取有关其运营各个方面的信息。不幸的是，大多数公司遇到的一个问题是物联网设备会产生大量数据。一份行业报告估计，到 2020 年，物联网产生的数据量将达到 4.4 泽字节，而 2013 年仅为 0.1 泽字节。
利用这些不断产生的数据需要新的策略。不能简单地存储数据，然后再进行分析。随着数据流进入，进行实时分析具有真正的价值。为了深入了解此类数据流，许多公司正在用实时、人工智能 (AI) 和机器学习 (ML) 算法来补充传统分析。这种方法可以让企业在允许公司采取积极行动的时间范围内从数据中获取决策信息。
具体而言，将 AI 和 ML 应用于物联网数据的工业用途被视为改善维护预测和运营其他方面的好方法。原因：人工智能和机器学习可以帮助对复杂系统进行预测。这有助于通过预测性维护减少机器停机时间。
阻止快速采用 CI 进行预防性维护的一个障碍是基础设施。如今，大多数组织都没有基础设施来充分利用应用于流式 IoT 数据的 CI。
有什么问题？大型工业组织可以从机器、传感器和内部业务应用程序中收集数十亿数据集。随着组织转向新的物联网计划，重要的是要考虑能够跟上大量数据涌入的新技术和流程。
物联网技术