新数字生态系统的连通性有助于公司管理、监控、维护和保护其资产。

物联网（IoT）、机器学习（machine learning）和人工智能（AI）的进步使预测性维护达到了行动的准确性，在问题发生之前就能从分析洞察中解决问题。

据巴西初创公司EVOLV的首席执行官莱昂德罗-西蒙斯（Leandro Simões）说："通过在机器中安装传感器，将设备变成智能设备，并通过物联网，使物体能够实时交换信息，这就成为可能。有了所有这些数据，系统可以检测模式、改进机会，主要是预测机器故障何时发生。"

通过这种方式，管理团队可以启用预定的维修，从而不损害生产计划，这可以降低成本，带来更多的运营效率。

克服挑战

对于制造业来说，主要的挑战之一是管理设备的停机时间，因为这个因素使任何生产计划受挫。

为了了解其影响，《华尔街日报》和艾默生的一项调查发现，42%的非计划机器停机损失时间是由于设备故障造成的，每年给企业带来500亿美元的损失。

面对这些令人震惊的数据，工业界已经意识到识别潜在故障、其发生和后果的相关性。他们发现，物联网和机器学习是更快、更坚定的数据驱动决策的伟大盟友。

Simões解释说："预测性维护的目的正是为了预测故障的识别，并通过这种方式将任何不可预见的问题降到最低。比起预测问题，预测性维护更能降低维修成本，此外持续的监测和定期的维护停顿还能增加公司资产的寿命。"

现在来看看这个市场的规模，咨询公司Gartner的一项研究预测，到2022年，物联网支持的预测性维护支出将达到129亿美元，高于2018年的34亿美元。预计这些投资将通过对资产的预测性维护来提高运营效率，从而为各行业节省高达40%的成本。

实践中的成果

Aberdeen Group的研究发现，使用基于物联网的预测性维护解决方案的公司可以减少3.5%的非计划性停机时间，并将整体效率提高89%。

更不用说捕捉所有这些数据为管理者提供了新的分析，使他们能够识别和解决瓶颈问题，也为决策提供了坚实的基础。

应用的机会是相当广泛的，可以根据组织的细分和规模进行定制。可以部署物联网传感器，监测设备指标，如：温度、振动、流量、电压和电流等。

预测性维护是未来

工业4.0的进展对预测性维护领域产生了积极的影响。人工智能技术的结合将极大地帮助公司管理、监测、维护和保存其资产。

不仅仅是降低成本，公司将节省时间，他们的团队将能够把精力集中在生产计划战略上，并保证他们不会因为不定期的机器停工而陷入困境。