简介 我一直在研究来自 Amazon Web Services (AWS) 的新 Monitron 硬件，虽然它可能是一个有趣的产品，但它实际上在支持物联网的振动传感领域并不是什么新鲜事。然而，有趣的是，AWS 看到了将这种设备推向市场的一些好处。 自 2015 年启动 Senseye 以来，我们已经看到工业领域的预测性维护 (PdM) 越来越成熟。 AWS 的这一最新版本是另一个重要证据，表明市场正在从 PdM 被视为一项创新活动转变为成为工业数字化的核心部分。 但这无疑是一个大胆的举措，硬件可以让您锁定在 AWS 堆栈中。我已经在许多其他无线改造传感解决方案中看到了这一点，而持续的

在上一篇文章中，我们探讨了预测性维护 (PdM) 的兴起，以及为什么这么多供应商 - 以及他们的客户 - 继续犯错。在这里，我们将探索我们如何将多年来在预测性维护方面学到的知识应用到我们今天所做的一切中。 30 多年的航空航天行业工作经验，以及 150 多人年专门用于 PdM 的研发时间的结合，教会了我们很多关于在各个不同领域部署预测性维护技术的知识。而且，随着我们不断遇到不同行业和不同层次的客户成熟度，我们也在不断学习。最重要的是，我们了解到做好预测性维护并不容易。 重要的是，我们已经了解到，这不仅仅是知道如何做好 PdM，而是知道它为什么重要。例如，我们了解到 PdM 的真正价值很难

在我们的上一篇文章中，我们研究了我们如何将多年来在预测性维护方面学到的知识应用于我们今天所做的一切。在这里，我们将探讨所有这些经验和理解如何使 Senseye PdM 成为市场上领先的预测性维护产品。 多年经验 正如我们之前提到的，Senseye PdM 是 150 多人年专门用于预测性维护的研发时间的结果。除了领先的数据科学家团队之外，如果没有各种行业专家、机械工程师和状态监测专家的技能，就不可能构建它。我们在航空航天和国防行业工作了 30 年——在安全、维护实践和预测性维护技术方面处于世界领先地位——我们的创始人在预测性维护方面的广泛知识和经验也被证明是无价的。 这种水平的经验和

在本博客中，我们分享了我们从成功和不成功的 PoC 中学到的一些经验教训。我们很高兴能够说我们所有的 PoC 都实现了扩展的最终目标，但这将忽略我们现在可以分享的宝贵见解，以帮助您避免犯同样的错误。 简介 人工智能和分析是热门话题，几乎每个供应商都声称能够通过其预测分析平台“进行”预测性维护 (PdM)。但是，与预测性维护软件供应商的关系通常很长，并且需要大量的信任。由于市场上存在大量噪音，因此有必要进行筛选潜在供应商的练习。与选择您的医生一样，您需要确定供应商能够做到他们所说的能力。 组织进行练习以确保他们不仅选择了正确的供应商，而且组织本身已做好充分准备以确保PdM 项目拥有成功所需的一切

在过去的三篇文章中，我们研究了 PdM 的兴起，为什么这么多供应商及其客户都犯了错误，以及我们如何将多年来在预测性维护方面学到的所有知识应用于我们今天所做的一切，使 Senseye PdM 成为市场上领先的预测性维护产品。在本系列的最后一篇文章中，我们将考虑预测性维护的未来可能会是什么样子。 优雅整合 全球预测性维护市场正在快速增长。据分析师称，随着降低维护成本和停机时间的需求日益增加，其价值将在未来五年内达到 120 亿美元以上，是目前价值的三倍。然而，虽然需求明显存在，但市场仍需努力实现这一增长水平。 正如我们在之前的文章中强调的那样，市场仍然分散。实现某种标准化需要一些时间。不

Senseye 宣布推出 Senseye Ready - 一个合作伙伴产品生态系统，可与其 Senseye PdM 产品套件直接集成，并包含在我们的 Senseye PdM 入门套件中。 预测性维护项目的一个常见障碍是用于状态监测的可靠数据的可用性。对于缺乏现有基础设施的客户，Senseye Ready 的推出提供了灵活性，并提供了来自包括 ADLINK、OMRON 和施耐德电气在内的供应商的一系列硬件产品的灵活性和选择。 Senseye 首席执行官 Simon Kampa 评论说：“Senseye Ready 使我们能够与领先的硬件供应商合作，将他们在传感器和边缘技术方面的专业知识与 S

第四次工业革命提供了从制造过程中获取大量实时数据的机会，并且几乎每个表面都有可能转变为用于数据收集的传感器.但是，这些丰富的数据是否提供了数字团队优化活动所需的知识？ 在这部电影中，Senseye 的 Alexander Hill 和 Rob Russell 与制造技术中心的 Hannah Edmonds 博士、Make UK 的 Jim Davison 和 MCP Consulting Group 的 Peter Gagg 一起讨论制造商应该收集哪些数据以及如何收集现有数据集可以重新调整用途以推动新的见解和更大的价值，以及如何重新设计维护等流程以满足车间工程师的需求。 成绩单 Sen

随着对预测性维护的日益重视被视为将在 2021 年及以后主导制造业的主要趋势之一，制造商应如何开始应对评估和响应机器健康洞察力的挑战？ 在这部电影中，Senseye 的 Alexander Hill 和 Rob Russell 与 Make UK 的 Jim Davison 和制造技术中心的 Hannah Edmonds 博士一起探讨了能够最大限度地从以下方面获益的最佳实践预测性维护，以及如何普及状态监测专家和可靠性工程师的知识，以使预测性维护能够以可持续的方式大规模进行。 成绩单 Alexander Hill, Senseye：预测性维护将成为今年以及未来几年制造业和工业公司的重点。它一

如何制造和其他工业组织从传统的定期维护转向主动预测性维护？开始这种转变需要哪些第一步？从最初的业务案例和设计阶段到数据准备、文化采用和扩展，整个旅程有哪些不同阶段？ 在这部电影中，Senseye 的 Alexander Hill 和 Rob Russell 与 MCP Consulting Group 的 Peter Gagg 一起探讨了预测性维护如何不仅仅是技术解决方案的技术挑战，而是一个持续的旅程，涉及知识获取、文化接受以及人类与智能系统之间的更大协作。 成绩单 Alexander Hill，Senseye：重新设计维护流程是一件困难的事情，我们绝不会主张您放弃现有的维护实践并直接跳入

什么是导致预测性维护项目失败的陷阱，您如何避免它们？作为更广泛的数字化转型项目的一部分，您如何确保团队获得状态监测专业知识和适当的预测性维护“最佳实践”？ 在这部电影中，Senseye 的 Alexander Hill 和 Rob Russell 与 MCP Consulting Group 的 Peter Gagg 一起讨论了从一开始就需要采取哪些措施来实施预测性维护计划最大可能的成功机会，以及制造商和其他行业组织如何在这些初始踏脚石的基础上继续推动持续改进。 成绩单 Alexander Hill，Senseye：PdM 项目失败的主要原因分为两大类：技术和文化。 在技​​术方面，

工业组织正在经历快速的数字化转型，对物联网 (IoT)、数据收集和智能分析重新产生了兴趣，以推动更明智的决策。随着对预测性维护的日益重视，维护经理的角色发生了怎样的变化？ 在这部电影中，Senseye 的 Alexander Hill 和 Rob Russell 与 Make UK 的 Jim Davison 和 MCP Consulting Group 的 Peter Gagg 一起讨论了数字维护经理角色与传统角色的不同之处以及数字维护团队需要成功的技能和工具。 成绩单 Alexander Hill，Senseye：维护的面貌正在发生变化，我们现在看到越来越多的公司谈论数字维护。这就

而智能工厂的智能优势得到广泛认可，很少有组织从头开始构建它们。大多数寻求变得更智能的制造商都是从遗留站点和多样化的机器环境开始的。 在这部电影中，Senseye 的 Alexander Hill 和 Rob Russell 与制造技术中心的 Hannah Edmonds 博士和 Make UK 的 Jim Davison 一起讨论了寻求变得更聪明的制造商如何完成这项任务现代化遗留系统、获取和分析数据的最佳实践，以及如何在工厂车间将信息转化为行动。 成绩单 Rob Russell, Senseye：智能工厂运动从根本上为您所拥有的连接水平带来了不同类型的机会，使生产线的连接更加紧密，拥有更好的了

在我们的 AWS 系列的第二部分，我们探讨了亚马逊向预测性维护市场的转变。亚马逊最近宣布，它对这一领域的重视程度进一步提升，这标志着对支持预测性维护的方法和技术的成熟度的真正验证。 （单击此处阅读第一篇博客 AWS Monnitron：我们的 CTO Rob Russell 的第一印象） Amazon Lookout for Equipment 是一个自动化的预测性维护平台，似乎主要供在工厂车间工作的维护人员使用，对于那些既没有资源也没有意愿设计或构建自己的预测性的组织来说，它是一种现成的产品。维护平台。确保将代码和数据科学水平保持在最低水平，它从现有传感器获取数据并应用现成的机器学习算法

麦肯锡 2018 年的一份报告强调，许多工业公司正在经历“试点炼狱”，并将继续这样做——尽管他们正在进行大量活动，但尚未看到任何有意义的底线收益。 突破这个炼狱需要公司“跨越鸿沟”，这是管理顾问杰弗里·A·摩尔在九十年代初观察和描述的一个过程。粗略地说，虽然许多与 IT 相关的技术项目一开始会做得很好，但背后有相当大的精力，但它们往往很难被适当地采用。摩尔观察到，创新者和早期采用者之间存在显着差异，下一波采用者需要他们的支持才能确保项目规模扩大。实际上，如果公司领导层对继续承诺进入下一阶段的结果犹豫不决，甚至可能会导致即使是成功的试点项目也处于瘫痪状态。 这是您在初创公司中经常看到的东西。

Senseye 是一家行业领先的人工智能驱动的资产健康管理公司，它推出了新的即插即用 Starter Packs，以帮助组织快速开始他们的预测性维护之旅。 这些软件包将传感器硬件与 Senseye 屡获殊荣的 PdM 软件相结合，意味着组织可以在短短 14 天内启动其预测性维护部署——保证，无需传感器或数据采集到位。 由于没有硬件供应商锁定，也不需要现有的传感器数据，入门包非常适合快速监控旋转和非旋转的一般工业机械，包括电机、风扇和泵。 这些包还允许组织在准备好后轻松扩展到完整或多站点部署，将 Starter Pack 与其他数据源相结合。此外，客户还将有资格使用 Senseye 的 R

从杜伦大学毕业并获得博士学位，研究传动系统动力学对风力涡轮机部件故障物理的影响后，我加入了铁路部门，担任资产管理和维护支持角色。 2018 年，我加入 Senseye，为维护部门的预测性维护之旅提供技术支持，现在领导一个不断壮大的团队，指导各个行业的维护从业者。 人工智能和预测性维护 - 好处，而不是威胁 埃隆马斯克曾将人工智能描述为“生存威胁”。在我们看来，虽然人工智能确实会改变我们的工作方式，但他的观点与事实相去甚远。事实上，它不仅会增加人们的工作，还会创造新的工作——尤其是在维护方面。 当您考虑聊天机器人和无人驾驶汽车的发展如何扰乱呼叫中心和物流时，人们可能会警惕人工智能对其工

Senseye 是一家使用 AI 进行机器健康管理的工业软件公司，宣布推出新版本的 Senseye PdM Enterprise， 具有从现有数据源创建虚拟传感器的能力。 从机器收集的数据通常不适合人工智能驱动的预测性维护。新功能允许客户轻松配置与机器运行状况相关的其他参数，从而让他们从现有数据捕获中获得更多价值。 虚拟传感器像正常测量一样出现在平台中 - 显示在图表上并通过相同的屡获殊荣的分析引擎运行，帮助客户发现和预测潜在问题。 示例用例包括： 从与机器状况无关的数据中去除噪音 过滤特定机器状态 规范化数据，使其在用户看到时更有意义 结合传感器数据以揭示新信息 一段时间以

计划外停机是工业部门的祸根。当昂贵的生产线和机器停止运转时，组织就会停止盈利，而这些投资正在成本而不是赚钱。 该信息图使用我们的真实停机成本报告中的数据，着眼于计划外停机造成的巨大成本负担，以及预测性维护如何帮助组织显着减少这种情况。

人工智能 (AI) 是当今自动化预测性维护 (PdM) 解决方案的基础。例如，Senseye PdM 的算法会及时提醒用户机器老化，以防止发生故障，从而提供大量相关优势，例如减少停机时间和更有针对性的维护工作，提高可持续性和效率。这些工具非常强大，以至于很容易被 PdM 环境中的 AI 功能所迷惑。 一种常见的误解是，基于人工智能的系统可以通过发现人类专家看不见的线索来预测机器何时以及如何发生故障。但事实是，训练有素的状态监测分析师设定了了解机器健康状况的黄金标准。人性化与自动化所能提供的最显着的区别是可扩展性，而不是某种神奇的数据分析形式。 专家只能同时检查一项资产，而自动化系统可以

欢迎来到全新的趋势检测播客，由 Senseye 提供支持，Senseye 是使用 AI 推动可扩展和可持续资产性能和可靠性的行业领导者。这是一本新的出版物，旨在帮助您摆脱关于如何实现维护效率的想法。 今天我们推出了播客，其中包含关于可持续性和制造的系列的第一部分。为了帮助我们深入研究这个非常有趣的话题，我们欢迎来自绿色商业局的 Tom Permatteo（首席执行官）和 Bill Zujewski（首席营销官兼首席运营官），这有助于组织展示他们对可持续发展的承诺。 在这一集中，我们讨论了可持续制造究竟是什么以及它如何为制造企业创造价值。希望你喜欢它！ 如果您希望收到有关本系列未来剧集的通知，请