這是我在【物女心經】專欄寫的第118篇文章。

作為工業互聯網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布局，似乎都堅信預測性維護必將成為IIoT中少數的“殺手級”應用之一。

比如華為抓住市場痛點，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于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，海南航空成為全球首家采用GoDirect的航空公司。

空客則選擇自建邊緣計算和云平臺能力，量身定做自用的預測性維護系統。

鑒于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周期成本的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，復合年均增長率（CAGR）為39%。

兩年過去了，預測性維護發展得怎么樣？

最近貝恩咨詢發布了一份報告，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。預測性維護作為工業互聯網的典型應用，分析它的發展現狀對于整個領域而言，具有很好的借鑒意義。因此在本文中，你將看到：

●預測性維護的現狀摸底。

●為何預測性維護發展不及預期？

●預測性維護的初創公司在修煉哪些能力？

現狀摸底

工業設備的維護維修大致分為3種手段：

■修復性維修：屬于事后維護，亡羊補牢。

■預防性維修：屬于事先維護，基于時間、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：屬于事先維護，基于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在兩年之前發布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，預測性維護用于優化生產操作，將會帶來20-30%的效率增益。從外部來看，設備制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，預測性維護代表著工業服務化和未來商業模式轉變的歷史選擇。

尤其是云平臺、邊緣計算和人工智能的發展，開啟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，貝恩咨詢對600多名歐美企業高管進行了調查，很多客戶對于預測性維護的期待，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。

對比貝恩咨詢在2016和2018年分別進行的兩次調研，真正實施和計劃采用預防性維護方案的企業比例都有所下調，雖然大家對于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，很多企業都調節并減緩了預測性維護的推進節奏。

對于預測性維護在方案推進中面臨的困難和風險，大家的判斷更趨于客觀。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，對于技術知識的欠缺、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，預測性維護處于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，成為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為熱門應用。

服務商和供應商推進預測性維護的意愿，比作為客戶的工業企業更為強烈?；蛟S是因為相比于設備遠程監控，預測性維護有更大的盈利潛力，因此處于供應商一頭熱的象限。

很多企業還樂于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，但整體上可供借鑒。

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領域勢必會占到很大的份額，到2021年整個市場規模有望翻番，達到2000億美元。

為了抓住未來發展機會，很多工業制造商和設備運營商都在大舉投資和布局。

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，持續增加對于云平臺、邊緣分析、軟件功能和系統集成等方面的并購與投資。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和亞馬遜占有明顯領先優勢。

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

■基礎不扎實，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，就意味著見效慢，效果很難評估，工業企業的推進意愿自然不會提升。

工業場景中包含眾多要素，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?！皺C”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）、設備制造商、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，由于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制化程度高，項目難以進行標準化，無法廣泛復制的窘境。

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，并將預測性維護提供的價值變現，這里面存在不少坑。

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”變為“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、數控機床、空壓機…行業集中度不同，設備制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，或者發生故障后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，物聯網企業作為技術提供方，處于最終用戶與設備制造商這兩端之間，可能伴隨著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，最終用戶并不希望“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，要為預測性維護服務付多少錢合適呢？

預測性維護帶來的收益，如果轉化為財務指標，需要經過完整的周期性分析和驗證。只有算得清楚經濟賬，最終用戶才會愿意長期為預測性維護的價值買單。

因為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，預測性維護的價值并不立竿見影，需要經歷半年甚至一年的驗證周期，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，核算的難度更大。

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制造商多賺錢。在這個過程中，物聯網企業完成自己的商業邏輯閉環。

這里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，讓每一個自行車閑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。摩拜的成功并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，把原本走著不用花錢的路途，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于共享自行車的使用需求。

在這個過程中，摩拜成為新型“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“設備制造商”的發展，制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。何況并不是所有設備制造商，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制造商賺更多的錢，設備服務從“被動等待”模式轉變為“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里。

推而廣之，物聯網到底是為了省錢，還是為了賺錢？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。你猜結論是什么？

三分之一的人認為物聯網應該省錢，三分之一的人認為應該賺錢，另外三分之一的人認為省錢和賺錢都需要。

可見大家對于應用物聯網的好處還沒有達成共識。

■基礎不扎實，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，因為傳感器足夠多，監測時間足夠長。

為什么設備制造商不在設備出廠之前，加裝更多的傳感器呢？因為在物聯網理念還未普及之時，安裝傳感器不僅增加成本，平白增加了設備的復雜度，還沒有明確的應用意義。設備本身已經夠復雜了，誰也不愿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，預測性維護就沒什么價值。

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”為主流的收費模式，實施方式也以項目制為主。距離觸發裂變，還為時尚早。

很多物聯網公司都在想方設法解決這個問題。

去年Uptake以并購的方式獲得了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公司成立于2004年，但ASL資料庫此前便開始積累，利用超過20年的時間，收集了關于電力、采礦、煉鋼等行業近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年成立于美國芝加哥，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。關于Uptake這家公司，在后面還會提到。

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采集上來，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云平臺協同的思路

■使用人工智能監控時序傳感器數據變得可行

創新正在發生

最后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沖出重圍還為時尚早，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為主。

1. Uptake

前文曾經提到，Uptake是一家成立于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”。在部署平臺的第一周，就發現變速箱主軸承可能會出現故障，并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有預謀地挖墻腳、竊取商業機密以及不正當競爭。

GE認為，這6名舊將由于職位所致，熟悉GE的商業機密，還參與了Uptake的“挖墻腳”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的官網上列著。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并購的公司APT開發的軟件協議。

GE和Uptake的官司還在繼續。

更為嚴重的是，Uptake的經驗似乎從反面證明了從大企業切入并不是明智之舉。

2017年11月，卡特彼勒宣布不再對Uptake投資，只是保留Uptake的客戶身份。據美國商業雜志《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?？ㄌ乇死盏淖罱K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的獨特優勢在于，他的技術平臺能夠處理數百個不同的工業資產數據集，并自動完成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，讓企業提前采取措施，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專注于鐵路領域，他們結合了智能傳感器和基于人工智能的分析，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，并通過準確預測何時發生設備故障，了解為何發生故障以及規定如何避免故障，從而避免意外停機。

Mtell的創新之處在于，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，首先是癥狀分析，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，這個故障怎么發生的，為什么會發生，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也成立于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，彼此之間并不集成。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。為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成立于1980年，是一家實時數據管理軟件制造商，旗下的PI實時數據庫系統已經被廣泛應用于流程行業。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，可以參看下表。

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里，看來非常合適。

為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，并提供更完整的端到端物聯網解決方案。

當然，這并不容易。

最后，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。