作者：物女王（彭昭）

　　物聯網智庫 原創

　　轉載請註明來源和出處

　　導 讀

　　作爲工業互聯網IIoT和邊緣計算的重要應用之一，預測性維護大約在兩年之前，就已被寄予厚望。各大公司和初創企業都進行了重點佈局，似乎都堅信預測性維護必將成爲IIoT中少數的“殺手級”應用之一。兩年過去了，預測性維護髮展得怎麼樣？最近貝恩諮詢發佈了一份報告，總體上闡述了一個意料之外、情理之中的核心觀點：預測性維護的發展不及預期。

　　這是我在【物女心經】專欄寫的第118篇文章。

　　作爲工業互聯網IIoT和邊緣計算的重要應用之一，預測性維護大約在兩年之前就已被寄予厚望。各大公司和初創企業都進行了重點佈局，似乎都堅信預測性維護必將成爲IIoT中少數的“殺手級”應用之一。

　　比如華爲抓住市場痛點，選擇從“梯聯網”切入電梯運維領域。

　　ABB在班加羅爾設立了新的針對節能變頻器的數字化遠程服務中心，全年無休的遠程訪問位於最終用戶工廠內的變頻器，實現預測性維護和狀態監測。

　　霍尼韋爾推出互聯輔助動力裝置的預測性維護服務GoDirect，海南航空成爲全球首家採用GoDirect的航空公司。

　　空客則選擇自建邊緣計算和雲平臺能力，量身定做自用的預測性維護系統。

　　鑑於市場中的存量設備數目相當可觀，絕大多數還沒采用有效的預測性維護方案，而設備維護產生的費用超過設備總體生命週期成本的50%。誰不想用更好的手段來預防設備故障呢？

　　有權威機構預測，2022年之前預測性維護市場都會保持高速增長，複合年均增長率（CAGR）爲39%。

　　兩年過去了，預測性維護髮展得怎麼樣？

　　最近貝恩諮詢發佈了一份報告，總體上闡述了一個意料之外、情理之中的核心觀點：預測性維護的發展不及預期。

　　任何事情的發生和演進，都有其必然的原因。預測性維護作爲工業互聯網的典型應用，分析它的發展現狀對於整個領域而言，具有很好的借鑑意義。因此在本文中，你將看到：

　　預測性維護的現狀摸底。

　　爲何預測性維護髮展不及預期？

　　預測性維護的初創公司在修煉哪些能力？

　　01

　　現狀摸底

　　工業設備的維護維修大致分爲3種手段：

　　修復性維修：屬於事後維護，亡羊補牢。

　　預防性維修：屬於事先維護，基於時間、性能等條件對設備進行定期維修，更多還是憑經驗。

　　預測性維修：屬於事先維護，基於安裝在設備上的各種傳感器，實時監控設備運行狀態，更準確的判斷故障何時發生。如果發現故障隱患，自動觸發報警或修理命令。

　　GE在兩年之前發佈的一份研究報告令人記憶猶新——調查結果顯示大批的工業企業正在走向預測性維護的“懷抱”。

　　從內部來看，預測性維護用於優化生產操作，將會帶來20-30%的效率增益。從外部來看，設備製造商如果引入預測性維護服務，則有可能扭轉當前競爭業態。

　　從戰略角度評估，預測性維護代表着工業服務化和未來商業模式轉變的歷史選擇。

　　尤其是雲平臺、邊緣計算和人工智能的發展，開啓了用最新技術改變預測性維護市場格局的機會大門。

　　以上幾點綜合考慮，各類公司紛紛搶灘預測性維護這方“沃土”，理所當然。

　　雖然對預測性維護的發展仍然堅定看好，但是很多企業已經意識到，預測性維護真正發揮效用的時間比預期的要長。

　　2019年初，貝恩諮詢對600多名歐美企業高管進行了調查，很多客戶對於預測性維護的期待，已經由熱衷更趨理性。

　　預測性維護解決方案的實施過程比預想中更困難，從數據中提取有價值洞察的難度更是遠超想象。

　　對比貝恩諮詢在2016和2018年分別進行的兩次調研，真正實施和計劃採用預防性維護方案的企業比例都有所下調，雖然大家對於預測性維護的未來都深信不疑，但相比2016年調研得到的紅色虛線，很多企業都調節並減緩了預測性維護的推進節奏。

　　對於預測性維護在方案推進中面臨的困難和風險，大家的判斷更趨於客觀。很多企業除了擔心安全性、投資回報分析、IT與OT難以融合之外，對於技術知識的欠缺、數據的可移植性、供應商的風險以及方案切換中的變數，都進行了重新評估。

　　從現實情況上來看，雖然提升工業互聯網的安全性、加速IT與OT的彼此融合、給出確定性的投資回報分析，一直都是企業關注的問題。但兩年過去了，這些方面似乎仍舊沒有取得預想中的進展。

　　從應用實施的優先級上來看，預測性維護處於第一陣營的地位沒有變化。然而，質量控制超越了預測性維護，成爲最受企業青睞的工業互聯網應用。另外，設備遠程監控、生產現場的資產追蹤也成爲熱門應用。

　　服務商和供應商推進預測性維護的意願，比作爲客戶的工業企業更爲強烈。或許是因爲相比於設備遠程監控，預測性維護有更大的盈利潛力，因此處於供應商一頭熱的象限。

　　很多企業還樂於嘗試與設備維護相關的增強現實或虛擬現實應用，但供應商數量和能力有明顯不足。

　　從國內情況來看，與國外有所不同，但整體上可供借鑑。

　　再來看看市場的整體情況。

　　預測性維護市場，乃至整個工業互聯網市場，被不少企業持續看好。

　　綜合Gartner、IDC、Machina Research、思科、貝恩等多方分析數據來看，工業互聯網在整個IoT領域勢必會佔到很大的份額，到2021年整個市場規模有望翻番，達到2000億美元。

　　爲了抓住未來發展機會，很多工業製造商和設備運營商都在大舉投資和佈局。

　　根據S&P Capital IQ標普資本數據庫的統計，西門子、施耐德、ABB等工業自動化巨頭都在擴展自己的能力圈，持續增加對於雲平臺、邊緣分析、軟件功能和系統集成等方面的併購與投資。亞馬遜的AWS IoT Greengrass和Microsoft Azure也在持續增加工業領域的滲透率。就開發者的支持度而言，PTC、微軟、IBM、GE和亞馬遜佔有明顯領先優勢。

　　02

　　原因分析

　　雖然前景一片光明，但當下預測性維護市場發展不及預期卻是不爭的事實。

　　究其原因，主要3點，也是整個物聯網領域的通病。

　　投資回報率難以計算

　　轉變商業模式，先要轉變思維

　　基礎不紮實，數據量不足

　　我們一個一個來說。

　　投資回報率難以計算

　　投資回報率ROI如果算不清楚，就意味着見效慢，效果很難評估，工業企業的推進意願自然不會提升。

　　工業場景中包含衆多要素，人、機、料、法、環。預測性維護主要與“機”掛鉤，其中不同行業屬性、不同企業類型，機械的種類很多，預測性維護產生的價值有天壤之別。

　　從整個產業鏈條上來看，可以將與“機”相關的產業鏈簡單粗暴的與汽車行業做個類比。汽車的價值鏈包括車主、4S店、車廠、汽車零部件的各級供應商。“機”的價值鏈包括最終應用企業（最終用戶）、設備服務商（代理商、集成商）、設備製造商、各類工業自動化廠商。

　　圍繞預測性維護開展業務的物聯網企業，在傳統產業鏈條中需要找準自己的切入點。

　　預測性維護的價值要通過最終用戶體現，對應的企業數量非常龐大。保守估計，國內實施了ERP或者供應鏈管理系統，擁有基礎信息化能力的工廠，有接近300萬家。

　　如果從大企業切入，這些企業往往選擇自建預測性維護能力，即便選擇與新型物聯網企業合作，由於預測性維護本身同時涉及軟件和硬件，物聯網企業有可能面臨定製化程度高，項目難以進行標準化，無法廣泛複製的窘境。

　　如果從中小企業切入，則可能會更慘。面對如此大量的企業，如何有效的觸及，並將預測性維護提供的價值變現，這裏面存在不少坑。

　　工業體系經過多年的發展已經相當成熟，很多機械的維護維修，利潤空間本身就不高。新型物聯網企業有可能會發現折騰了這些年，即便有了一定的規模，也不一定能真正賺到錢。

　　因此面對中小企業，物聯網企業除了利用預測性維護，將服務環節從“被動”變爲“主動”之外，還需要具備提供更多深度服務的能力，才能立足。

　　再從設備類型上來看，工程機械、注塑機、數控機牀、空壓機…行業集中度不同，設備製造商提供服務的能力也不同。因此留給提供預測性服務的物聯網企業的生存空間也不同。

　　高價值設備，或者重要型設備，它們的維護維修，更多是由最終用戶自己完成的，很少外包給物聯網服務型企業。有些非重要型設備，很長時間不會發生故障的設備，或者發生故障後具有維修時間彈性的設備，會外包給設備服務商提供維護維修服務。

　　這時，物聯網企業作爲技術提供方，處於最終用戶與設備製造商這兩端之間，可能伴隨着數據和設備資產所屬權的爭議。

　　另外，完成從傳統維護維修到預測性維護的轉變，還需要好的心態、以及時間和金錢。

　　有些情況下，最終用戶並不希望“獨吞”停機風險。他們希望設備服務商在合作協議中，保證設備的正常運行，如果發生停產損失，設備服務商需要承擔一定的賠償責任。這自然過濾掉了一些只能在PPT上提供預測性維護的公司。

　　同時，從用戶角度來講，要爲預測性維護服務付多少錢合適呢？

　　預測性維護帶來的收益，如果轉化爲財務指標，需要經過完整的週期性分析和驗證。只有算得清楚經濟賬，最終用戶纔會願意長期爲預測性維護的價值買單。

　　因爲預測性維護帶來的停機風險降低難與經濟回報掛鉤、單臺設備難與整體銷售掛鉤，預測性維護的價值並不立竿見影，需要經歷半年甚至一年的驗證週期，有時還需要細化到每單位銷售額的顆粒度。如果遇到銷售額受環境變化影響，波動較大的最終用戶，覈算的難度更大。

　　因此預測性維護陷入了經濟收益測算時間長，沒法調動最終用戶的投入熱情，只是物聯網企業一頭熱的怪圈。

　　轉變商業模式，先要轉變思維

　　如果只算由預測性維護降低的停機風險，只算省錢的經濟賬，是遠遠不夠的。

　　好的商業模式，不一定是幫最終用戶多省錢，而是幫設備服務商或者設備製造商多賺錢。在這個過程中，物聯網企業完成自己的商業邏輯閉環。

　　這裏再做一個簡單粗暴的類比。共享單車雖然廣受詬病，但也有可取之處，畢竟摩拜們改變了共享出行的格局。

　　如果當初摩拜創立的時候，沒有選擇自己做自行車，而是選擇只做智能鎖，把我們大家沒用的自行車統一管理，提供共享出行服務，讓每一個自行車閒置資源的參與者都賺到錢。如此這般，摩拜是否能夠形成如今的發展勢頭呢？

　　答案是否定的。摩拜的成功並沒有幫共享自行車的使用者省錢，而是刺激了使用自行車出行的需求，把原本走着不用花錢的路途，變成了自行車騎行之旅。如果沒有獨特的自行車設計，統一的服務質量，良好的出行體驗，很難大量激發最終用戶對於共享自行車的使用需求。

　　在這個過程中，摩拜成爲新型“設備服務商”，擔起了自行車資源重塑者的角色。同時，摩拜還加速了自行車“設備製造商”的發展，製造了前所未有的大量設備。

　　類比過摩拜，我們再說回工業。

　　現狀是工業體系極度分散，每一家設備代理商或者集成商，都面臨利潤率越來越低的窘境，橫向的整合有可能會越來越多。何況並不是所有設備製造商，都有能力提供預測性維護。

　　因此預測性維護的價值不一定是讓每一個小的服務商、設備商都賺到錢，而是讓有能力提供良好服務、統一體驗的設備服務商和設備製造商賺更多的錢，設備服務從“被動等待”模式轉變爲“主動出擊”模式，設備銷售從“一次性買賣”到“按使用時間付費”的模式，從而推進橫向聚合的發生。

　　不過目前大家在講預測性維護時，往往還停留在省錢的故事裏。

　　推而廣之，物聯網到底是爲了省錢，還是爲了賺錢？這是一個頗具爭議的話題。

　　CompTIA美國計算機行業協會針對這個問題專門進行了一項調查。你猜結論是什麼？

　　三分之一的人認爲物聯網應該省錢，三分之一的人認爲應該賺錢，另外三分之一的人認爲省錢和賺錢都需要。

　　可見大家對於應用物聯網的好處還沒有達成共識。

　　基礎不紮實，數據量不足

　　工業設備的預測性維護，都面臨一個避而不提的共性問題，設備自身的傳感器數量不足，很多數據還沒有形成有效的長期積累。

　　所以預測性維護最常見的故事是飛機發動機，因爲傳感器足夠多，監測時間足夠長。

　　爲什麼設備製造商不在設備出廠之前，加裝更多的傳感器呢？因爲在物聯網理念還未普及之時，安裝傳感器不僅增加成本，平白增加了設備的複雜度，還沒有明確的應用意義。設備本身已經夠複雜了，誰也不願意再費力增加一些看似沒用的傳感器。

　　傳感器不夠多，就算把人工智能等最新技術都用上，預測也不一定準確。預測不準，預測性維護就沒什麼價值。

　　加之設備模型的積累和迭代需要較長的時間，因此在目前的應用中，“硬件+軟件+服務”爲主流的收費模式，實施方式也以項目製爲主。距離觸發裂變，還爲時尚早。

　　很多物聯網公司都在想方設法解決這個問題。

　　去年Uptake以併購的方式獲得了APT公司以及ASL資料庫的控制權，就是一個明顯的信號。

　　APT公司（Asset Performance Technologies）的資產戰略資料庫ASL，可以說是全球最全面的工業設備故障數據庫。雖然APT公司成立於2004年，但ASL資料庫此前便開始積累，利用超過20年的時間，收集了關於電力、採礦、鍊鋼等行業近800種重要設備的信息，可以提供FMEA失效模式效應分析和維護策略建議。

　　Uptake公司2014年成立於美國芝加哥，提供工業人工智能軟件開發及服務，幫助企業客戶進行數字化轉型。目前Uptake最成功的案例當屬與凱特彼勒共同開發的預測性維護平臺，改善其生產運營效益。關於Uptake這家公司，在後面還會提到。

　　還有一些物聯網公司正在想辦法，利用軟硬件一體化的低成本無線傳感器，從原先沒有數據的地方把數據採集上來，完成從0到1的突破。

　　能夠實現這種突破的根本性原因有4點：

　　無線連接的普遍存在，以及連接成本的持續降低

　　小型化的低成本傳感器大量可用

　　企業開始接受邊緣計算和雲平臺協同的思路

　　使用人工智能監控時序傳感器數據變得可行

　　03

　　創新正在發生

　　最後來看看預測性維護的初創公司在修煉哪些能力？很多初創企業已經意識到，真正的機會是利用預測性維護創造全新的業務。

　　現在判斷哪些企業將會衝出重圍還爲時尚早，我們不妨多看一些預測性維護企業的生存現狀。此處被點名道姓的以國外企業爲主。

　　1. Uptake

　　前文曾經提到，Uptake是一家成立於2014年的初創公司，而且可以說Uptake是IIoT創業公司中的大贏家。

　　據報道，Uptake曾在伯克希爾·哈撒韋能源公司一家子公司的風電場部署其“監測平臺”。在部署平臺的第一週，就發現變速箱主軸承可能會出現故障，並可能會導致其中一個渦輪塔的運轉不靈。幾小時的停機將造成風電場5000美元的損失，而如果這個渦輪機完全崩潰，損失將高達25萬美元。

　　但是最近，通用電氣GE將其告上法庭。GE訴訟的6名Uptake高管，均是GE的舊部，主要來自GE發電集團以及GE數字化集團。GE的訴訟理由是：Uptake有預謀地挖牆腳、竊取商業機密以及不正當競爭。

　　GE認爲，這6名舊將由於職位所致，熟悉GE的商業機密，還參與了Uptake的“挖牆腳”謀劃：不僅從GE挖走員工，還撬走GE的客戶，試圖將對GE的傷害擴至最大化。GE稱，撬走的客戶名單就在Uptake的官網上列着。這指的是伯克希爾·哈撒韋公司能源子公司的風電設備和卡特彼勒的機車業務。

　　Uptake自然不服。今年2月22日，Uptake反訴GE違反軟件許可協議以及濫用商業機密。Uptake稱，GE在濫用由Uptake併購的公司APT開發的軟件協議。

　　GE和Uptake的官司還在繼續。

　　更爲嚴重的是，Uptake的經驗似乎從反面證明了從大企業切入並不是明智之舉。

　　2017年11月，卡特彼勒宣佈不再對Uptake投資，只是保留Uptake的客戶身份。據美國商業雜誌《克瑞恩芝加哥商業》的報道，卡特彼勒意識到，如果對Uptake持續投資，將削弱自己的競爭力。

　　同時卡特彼勒在逐漸收回銷售給代理商的監控軟件的控制權。卡特彼勒的最終用戶利用這些軟件，可以檢測設備運行，實現預測性維護。顯然，卡特彼勒們希望把預測性維護的能力收回到自己“體內”。

　　2. Predikto

　　Predikto的獨特優勢在於，他的技術平臺能夠處理數百個不同的工業資產數據集，並自動完成80%的分析流程，以便快速從數據得出分析結論，提供可行的建議，讓企業提前採取措施，避免故障，延長資產正常運行時間。

　　Predikto已經被聯合技術公司收購。

　　3. KONUX

　　KONUX專注於鐵路領域，他們結合了智能傳感器和基於人工智能的分析，通過預測性維護計劃和鐵路的優化利用，實現更高的列車正點率和網絡容量。

　　這家公司在2019年2月剛剛完成了B輪融資，投資者包括阿里巴巴。KONUX的下一步計劃是在中國開展業務。

　　4. Mtell

　　Mtell的產品主要是解決非計劃停機的問題。他可以幫助企業提高資產利用率，並通過準確預測何時發生設備故障，瞭解爲何發生故障以及規定如何避免故障，從而避免意外停機。

　　Mtell的創新之處在於，提出了新的分析方法：處方型維護。

　　簡單的說，處方型維護就好比你去醫院看醫生，首先是症狀分析，不僅僅是對現狀進行分析，而是要回顧使用的歷史，過去曾經出現的故障，以及當時故障如何解決的，根據這些信息進行最終的診斷。

　　Mtell通過機器完成這些工作，不僅通過傳感器提供的信息，Mtell還要查看過去維護保養的歷史，過去出現故障時，這個故障怎麼發生的，爲什麼會發生，通過這些信息決定未來該如何解決，這樣做出一個故障的診斷。

　　目前Mtell已經被AspenTech收購。

　　5. Petasense

　　Petasense也成立於2014年，通過監控關鍵旋轉機器的運行狀況，提供預測性維護解決方案。

　　在電力、石油、化工、冶金等各種流程行業，設備振動數據和流程控制數據分別存儲在兩個獨立的系統中，彼此之間並不集成。預測性維護恰恰需要振動數據與運營數據緊密反饋和自動迭代。爲了更好的解決這個問題，Petasense選擇與OSIsoft合作，聯合推出的預測性維護解決方案，正在被硅谷電力公司使用。

　　值得一提的是，OSIsoft成立於1980年，是一家實時數據管理軟件製造商，旗下的PI實時數據庫系統已經被廣泛應用於流程行業。在2017年，這家公司被軟銀投資數十億美元。

　　如果你對這個領域的更多公司感興趣，可以參看下錶。

　　我們喜歡高估五年，卻總是低估十年。這句話用在預測性維護這裏，看來非常合適。

　　爲了推進預測性維護的落地，擺在物聯網企業面前的路沒有捷徑。物聯網企業需要具備對行業中特定應用的深刻見解，並提供更完整的端到端物聯網解決方案。

　　當然，這並不容易。

　　最後，衷心感謝研華科技行銷總監王宇在成文過程中對我的大力支持。

　　本文小結：

　　1.根據貝恩諮詢的最新調研，雖然大家對於長期願景都深信不疑，但很多企業都調節並減緩了預測性維護的推進節奏。

　　2.預測性維護市場發展不及預期，潛在原因可能包括：

　　投資回報率難以計算

　　轉變商業模式，先要轉變思維

　　基礎不紮實，數據量不足。

　　3.預測性維護領域的初創公司非常活躍，其中不乏未來的產業重塑者。