导语：预测性维护对制造业的重要性已被充分认识和广泛接受。预测性维护是保证未来高效、可持续服务的关键。虽然预测性维护所依赖的技术已经取得了快速发展与突破，但在将数据系统地转化成(客户)利益并应用到特定商业模式方面，理想与现实之间仍然存在较大距离。
预测性维护(Predictive Maintenance，简称PM)是“工业4.0”提出的关键创新点之一。基于连续的测量和分析，预测性维护能够预测诸如机器零件剩余使用寿命等机关指标。关键的运行参数数据可以辅助决策，判断机器的运行状态、优化机器的维护时机。
预测性维护是从“状态监测”这一概念发展而来。“状态监测”收集被监测零件状态的实时信息；然而，状态监测未能前瞻性地预测机器运转中断和磨损消耗。因此，预测性维护的出现是一大转折点：更加精巧的传感器、更加高效的通信网络、能够处理大规模数据的强大运算平台，通过随机算法将数据与机器出现问题时的数据模式进行比对。由此，我们可以识别、模拟并解读机器运行参数的规律。正是这些规律帮助我们更加精准地预测机器的使用寿命，并且通过整合系统的所有操作数据，优化服务的方方面面——既能使客户受益，又能够帮助供应商改进产品。
拥有精确预测的能力后，产品生产和服务的整个过程以及相关决策都能变得更为主动、有针对性，并且有数据支撑。预测性维护使得供应商能够成为客户更好的增值伙伴。
预测性维护：“工业4.0”提出的关键创新点之一
预测性维护技术将改变客户的设备维护、生产策略，同时对机械工程类公司服务业务的商业模式带来巨大影响。其中，传感器、网络互联以及计算能力将挑战传统专业服务领域的知识和经验积累；拥有数字化领域知识背景的企业将进军制造业的服务市场。德国工程行业必须在预测性维护解决方案的定义、执行与传播过程中占据领导地位，以应对所面临的严峻挑战。因此，德国机械工程行业协会和商品交易会运营机构德国博览会集团将“预测性维护”定为今年汉诺威工业展览会的主题之一。虽然在机械和厂房相关工程的各个环节中已经出现了大量方法和初始方案，但是关于预测性维护的讨论意见仍众说纷纭。
为了使讨论更加客观，并确定预测性维护所处的发展阶段，罗兰贝格与德国机械工程行业协会、德国博览会集团共同开展了一项大规模的企业调研，旨在清晰描述预测性维护方案的现状，以及德国工程行业对预测性维护实际应用情况。该项调查针对以下行业的相关公司：输电工程/液压传动、电气自动化/机器人技术、离散制造技术、软件工程及数字化技术。本研究对该项调查的关键发现进行总结。（图2）
预测性维护：“工业4.0”提出的关键创新点之一
预测性维护在德国工程行业中实际应用情况
预测性维护是德国工程领域的关键议题之一：毫无疑问，德国工程行业现已普遍接受并理解预测性维护这一重要的行业趋势。有81%的受访公司已经着手深入解决这个问题。
展望未来，许多公司仍难评估预测性维护作为成功要素的作用：近40%的公司认为预测性维护是帮助稳固并提升服务收入的关键所在和成功要素，对于未来业务的发展尤为重要。
不同行业中存在普遍共识：尽管各细分产业对预测性维护的具体产品和应用方式的理解上存在微小的差异，但我们的研究并未发现显著的分歧。总体而言，在不同行业中，各公司的看法、发展状况和面临的挑战大体相似。
仅有少数公司提供了具体的预测性维护产品/服务：在工程领域，预测性维护实际可用“产品”的成熟度差异巨大。尽管近40%的受访公司已在提供相关技术和服务，但大部分公司仍然在产品研究阶段，或尚未开始任何相关工作。
受访对象认为，预测性维护对客户带来的主要价值在于业绩提升：79%的受访对象表示，得益于更好的机器可用性、更长的服务寿命以及更稳定的工作等，客户从预测性维护中获得的主要益处是生产方面的优异表现。相较而言，仅有不到五分之一的受访公司将预测性维护看作削减维护成本的手段。
预测性维护：“工业4.0”提出的关键创新点之一
大多数受访对象期望预测性维护能推动业务增长：尽管关于预测性维护对财务方面的整体影响仍讨论激烈，但受访对象对于增长预期的乐观态度大于对负面效应的担心。从商业预期来看，80%的受访对象预计预测性维护将会刺激其服务业务的增长。相较而言，20%的公司更加关注风险，担心其现有的服务业务将可能受少量负面影响。
迫切需要和客户需求取得一致：迄今为止，预测性维护的发展动力主要来自于机械工程人员从技术角度希望改良产品的愿望。近90%的受访对象承认在对客户以及终端客户真实需求的理解上仍然存在不足。因此，即使供应商承诺预测性维护的益处，仍然不确定客户是否能够认同这些收益能增加显著且可量化的价值。
系统性战略和产品开发仍有不足：超过50%的受访公司仍然没有系统化方法——缺乏明确的商业模式、业务目标和相应的开发预算。这也说明目前发展方式主要受技术驱动，未让客户共同参与。
业内普遍认为已基本掌握了支撑预测的主要技术：受访对象认为，预测性维护所需的技术已大体就位。不过，在部分领域仍存在挑战，包括机遇分析和识别机器运转模式及状态数据微调预测性维护，从部件和机器层面发展到生产与系统(网络化生产)层面进行预测和决策支持。
