预测分析工具、物联网技术和大数据系统的结合，将推动工业设备预测性维护的发展。

医疗保险和医疗服务供应商Highmark Health公司在全国有五千万成员和病人，该公司有大量的文档需要邮寄，包括保险单据，保险理赔解释信表单（explanation-of-benefits，简称EOB），病人信件等等。纸质文件在不停流转，去年大约处理了10亿页文档、1.28亿份信封。这些任务迫使这家匹兹堡的公司在宾夕法尼亚州专门安排了两家工厂7x24小时运转处理打印和邮寄操作。

Paul Jorgensen是Highmark公司HM健康解决方案服务总监，他说：“我们真的一点也经不起设备故障中断。”为避免故障，Jorgensen今年早些时候就开始使用Pitney Bowes公司的新版预测维护软件和服务，该公司制造了HM Health使用的生产用打印机和邮件隔板。Pitney Bowes公司数据分析师们针对邮件系统产生的数据流使用Clarity Advisor自动运行算法，从而分析设备可能发生故障的信号。在某些案例中，他们预知发现异常显示真空泵密封隔板可能很快会出问题。Jorgensen解释说：“这种预测问题的便利在于，给我们留出了时间处理问题，而不是在凌晨两点钟问题真正出现影响正常运作时才发现。”

其它公司也在推出类似措施主动维护生产设备和其它类型的工业设备，使设备保持正常运行，预防故障。这种高级目标得以实现，应归功于物联网技术、大数据平台和预测分析工具的结合。

IDC制造行业分析师Heather Ashton认为，预测维护是物联网行业的“圣杯”。她表示，每个人都在谈这个问题，但是，这仍然是一种新生的能力。IDC去年发起过一次制造业调查，在330家受访单位中，有65%表示他们的产品中有四分之一或者更少的比例连接了物联网，没有一家单位把半数以上产品连入物联网。考虑到对未来三年的预测，只有12%的组织预期最高，表示到那个时候可以全面与物联网连通。

已经较早采纳这种方案的机构表示，预测项目并不是简单或者廉价的一件事。Ashton认为，要让用户对预测维护算法和查询完全有信心，项目需要的数据应该经过反复筛选。所有的数据需要经过收集、处理和近乎实时的分析，这都需要强大的IT架构，通常还会涉及到基于Hadoop构建的大数据系统、Spark处理引擎以及其它相关技术。组织可能还必须组建掌握机器学习技能的分析团队，可能还要对内部业务流程做大的改变。

预测之路刚起步

Grant Miller是Pitney Bowes公司产品管理副总裁，他曾参与该公司预测维护项目工作。他说：“坦率地来讲，我们现在还处于在这种预测项目的早期阶段。”Pitney Bowes公司位于美国康涅狄格州斯坦福德，该公司在去年十二月份开始对Clarity Advisor软件做beta测试，同时与其它应用一起优化邮件隔板工作量和动态调度任务。该公司启动了该应用产品商业化运作的三大步：三月份在北美启动面市，计划本季度在欧洲发布，明年将在世界其它地区推广。

为加速开发和部署，Pitney Bowes基于通用电气公司的Predix平台构建软件，该平台是云架构平台，专门为支持工业物联网应用设计。Miller说，客户站点从邮件隔板捕获到的数据会在GE的Hadoop云环境中处理和存储。在构建Clarity应用时，Pitney Bowes公司还使用了GE Predix平台中提供的数据科学方法学和统计分析工具。

客户可以使用预测维护软件分析他们自己的运营数据，但是Miller认为主要还得依赖Pitney Bowes公司的分析团队做这项工作，才能分析预警可能出现的设备问题。现在，在从邮件机器到Predix云平台传送用于分析的数据有几秒钟延时。不过他说：“我们最终会实现真正的实时系统，对于我们来说，必须能与操作者实时交互，我们必须在隔板坏掉导致邮件操作在发送量和交付时间方面不能满足服务级别协议之前发现问题。”

Pitney Bowes有Clarity产品用户群，规模大约是两位数，预计随着更多用户的签约，将在下一年收集到PB量级数据。Miller表示，随着越来越多的数据经过算法处理，预测分析能力会进一步改善，该公司计划做的基准分析也是类似情况，客户可以与其它机构比较邮寄效率。

预测性维护的兴衰

ThyssenKrupp Elevator AG公司也在较早的阶段就启动了预测性维护应用。这些应用设计是为了识别需要修理或替换的电梯部件，在部件故障引起意外停机之前发现问题。与Pitney Bowes公司类似，ThyssenKrupp公司也使用了云平台来加速部署。他们使用了微软公司的Azure，包括软件供应商HDInsight管理的Hadoop服务，Azure SQL数据库关系型数据存储和Azure机器学习分析技术。

Sascha Froemming是德国Essen一家电梯制造商负责创新和可持续性发展的管理者，他说：“一开始我们原计划自己构建系统。但是很快我们就意识到，我们不能变成一家IT供应商。ThyssenKrupp公司设计了国产传感器单元，可以利用物联网技术从电梯控制面板中提取运行数据并发送到Azure云平台，这正是他们亟待解决的软件开发挑战。“

ThyssenKrupp公司面临的另一个棘手问题是缺少内部分析能力。Froemming说：“我们公司缺乏数据科学家。”该制造商已经向微软公司和第三方分析服务提供商寻求帮助，由这些机构来提供预测模型，同时打造全功能的分析团队。他们还需要为公司两万名电梯技术人员更新现场服务、调度和培训流程，还要修改客户合同把预测性维护能力加到条款中。

尽管如此，ThyssenKrupp已经在积极推出数据采集单元和预测性维护软件的时间表了。经过在美国、德国和西班牙数百架电梯对该技术的初始测试之后，该公司计划在五月份扩展到两千部电梯。在一年半之内，该公司会将15万部电梯连接到Azure平台，每台电梯每天都会传输两次数据。Froemming说：“我认为现在已经不是试运行阶段了。开发团队正在用巨量数据填入Azure机器学习算法，从而强化两个分析模型。”

另外，Froemming表示，这些模型也可以发现一些数据异常，在设备故障用可视化检测手段发现问题之前就能提前预知。展望未来，公司官方希望为电梯门、动力和其它部件分别建立模型，增加分析准确性。他说，该项计划的终极目标是，把关注故障排除的现场服务转变为“更像咨询的模式”，这样可以帮助加强客户关系，降低双方服务成本。

Bill McBeath是ChainLink研究公司一位分析师，他提出，处理最小化设备意外停机的问题，预测维护工具还可以使制造商和他们的客户都避免“同一时刻全员出动修理故障的代价“。

预测可能性要经过一些步骤

虽然McBeath在接触这些公司的过程中发现了大家对预测维护的很大兴趣，但是他说真正的现状大部分仍然还在实验阶段。他还指出，组织经常从预测监控一些事情启动预测维护，他们对各种设备指标都设置了阈值，如果超过了这些阈值就会产生告警。McBeath解释说：“要实现预测还有很多步骤要做，最终要实现算法自动实时分析数据。”

数据存储供应商NetApp公司也开始发展远端预测性维护。作为该公司产品AutoSupport的一部分，NetApp公司已经收集了配置和运营方面的数据，这些数据来自20年的存储系统，最开始是通过客户提供每几周磁盘邮寄实现，后来通过自动计数每周发送一次。在2012年，该公司基于Cloudera公司的分布式开源框架部署了Hadoop集群，用该环境来处理数据。NetApp还升级了控制存储设备的软件，可以每天发送配置情况的快照。

两年后，NetApp公司为数据科学家们添加了第二套Hadoop系统作为数据湖，数据科学家们分析收集到的信息，识别可能影响个体客户的配置问题以及磁盘或者其它不见的潜在问题。现在，该公司正致力于把原始获取数据集群到流式处理平台，该平台会从存储设备持续拉取数据，而不是定时每天批量处理。

NetApp公司技术总监Shankar Pasupathy表示:“我们现在可以在数据生成的瞬间就做处理“。数据会被立即转入分析数据湖。他不愿意透露扩展架构的发布日期，不过他提到开发工作进展顺利。

新配置将扩展核心Hadoop平台，使用了Spark处理引擎的Spark流处理模块和Kafka（一款应用间通信系统）。NetApp公司还计划加入机器学习工具以便进一步自动化预测维护工作。Pasupathy说：“我们希望做未来更多实时分析。”

这种实时窗口进入工业机械内部工作对像HM Health公司的Jorgensen这些运营经理来说很有吸引力。具备利用预见性维护软件（Pitney Bowes开发用来跟踪输出统计的软件），并能对邮件隔板做后期设别故障评估，这对整个职业生涯都在医疗行业的Jorgensen来说是特别重要的逻辑能力。

Jorgensen说：“我的想法是，预知总是有益的。就像我去医院看病时，我真的不想让他们发现有什么问题，但是如果他们发现了我也会很高兴。”

本文节选自《数据价值》2016年6月刊·物联网发展的尴尬境况