工业互联网的“杀手级”应用，为何发展不及预期？

为工业互联网IIoT和边缘计算的重要应用之一，预测性维护在两年之前，就已被寄予厚望。各大公司和初创企业都进行了重点布局，似乎都坚信预测性维护必将成为IIoT中少数的“杀手级”应用之一。两年过去了，预测性维护发展得如何？

作为工业互联网IIoT和边缘计算的重要应用之一，预测性维护大约在两年之前就已被寄予厚望。各大公司和初创企业都进行了重点布局，似乎都坚信预测性维护必将成为IIoT中少数的“杀手级”应用之一。

比如华为抓住市场痛点，选择从“梯联网”切入电梯运维领域。ABB在班加罗尔设立了新的针对节能变频器的数字化远程服务中心，全年无休的远程访问位于最终用户工厂内的变频器，实现预测性维护和状态监测。霍尼韦尔推出互联辅助动力装置的预测性维护服务GoDirect，海南航空成为全球首家采用GoDirect的航空公司。空客则选择自建边缘计算和云平台能力，量身定做自用的预测性维护系统。 

鉴于市场中的存量设备数目相当可观，绝大多数还没采用有效的预测性维护方案，而设备维护产生的费用超过设备总体生命周期成本的50%。谁不想用更好的手段来预防设备故障呢？

有权威机构预测，2022年之前预测性维护市场都会保持高速增长，复合年均增长率（CAGR）为39%。

两年过去了，预测性维护发展得怎么样？

最近贝恩咨询发布了一份报告，总体上阐述了一个意料之外、情理之中的核心观点：预测性维护的发展不及预期。

任何事情的发生和演进，都有其必然的原因。预测性维护作为工业互联网的典型应用，分析它的发展现状对于整个领域而言，具有很好的借鉴意义。因此在本文中，你将看到： 

预测性维护的现状摸底。

为何预测性维护发展不及预期？

预测性维护的初创公司在修炼哪些能力？

现状摸底

工业设备的维护维修大致分为3种手段：

修复性维修：属于事后维护，亡羊补牢。

预防性维修：属于事先维护，基于时间、性能等条件对设备进行定期维修，更多还是凭经验。

预测性维修：属于事先维护，基于安装在设备上的各种传感器，实时监控设备运行状态，更准确的判断故障何时发生。如果发现故障隐患，自动触发报警或修理命令。

GE在两年之前发布的一份研究报告令人记忆犹新——调查结果显示大批的工业企业正在走向预测性维护的“怀抱”。

从内部来看，预测性维护用于优化生产操作，将会带来20-30%的效率增益。从外部来看，设备制造商如果引入预测性维护服务，则有可能扭转当前竞争业态。

从战略角度评估，预测性维护代表着工业服务化和未来商业模式转变的历史选择。

尤其是云平台、边缘计算和人工智能的发展，开启了用最新技术改变预测性维护市场格局的机会大门。

以上几点综合考虑，各类公司纷纷抢滩预测性维护这方“沃土”，理所当然。

虽然对预测性维护的发展仍然坚定看好，但是很多企业已经意识到，预测性维护真正发挥效用的时间比预期的要长。

2019年初，贝恩咨询对600多名欧美企业高管进行了调查，很多客户对于预测性维护的期待，已经由热衷更趋理性。

预测性维护解决方案的实施过程比预想中更困难，从数据中提取有价值洞察的难度更是远超想象。

 对比贝恩咨询在2016和2018年分别进行的两次调研，真正实施和计划采用预防性维护方案的企业比例都有所下调，虽然大家对于预测性维护的未来都深信不疑，但相比2016年调研得到的红色虚线，很多企业都调节并减缓了预测性维护的推进节奏。

对于预测性维护在方案推进中面临的困难和风险，大家的判断更趋于客观。很多企业除了担心安全性、投资回报分析、IT与OT难以融合之外，对于技术知识的欠缺、数据的可移植性、供应商的风险以及方案切换中的变数，都进行了重新评估。

从现实情况上来看，虽然提升工业互联网的安全性、加速IT与OT的彼此融合、给出确定性的投资回报分析，一直都是企业关注的问题。但两年过去了，这些方面似乎仍旧没有取得预想中的进展。

从应用实施的优先级上来看，预测性维护处于第一阵营的地位没有变化。然而，质量控制超越了预测性维护，成为最受企业青睐的工业互联网应用。另外，设备远程监控、生产现场的资产追踪也成为热门应用。

服务商和供应商推进预测性维护的意愿，比作为客户的工业企业更为强烈。或许是因为相比于设备远程监控，预测性维护有更大的盈利潜力，因此处于供应商一头热的象限。

很多企业还乐于尝试与设备维护相关的增强现实或虚拟现实应用，但供应商数量和能力有明显不足。

从国内情况来看，与国外有所不同，但整体上可供借鉴。再来看看市场的整体情况。预测性维护市场，乃至整个工业互联网市场，被不少企业持续看好。

综合Gartner、IDC、Machina Research、思科、贝恩等多方分析数据来看，工业互联网在整个IoT领域势必会占到很大的份额，到2021年整个市场规模有望翻番，达到2000亿美元。

为了抓住未来发展机会，很多工业制造商和设备运营商都在大举投资和布局。

根据S&P Capital IQ标普资本数据库的统计，西门子、施耐德、ABB等工业自动化巨头都在扩展自己的能力圈，持续增加对于云平台、边缘分析、软件功能和系统集成等方面的并购与投资。亚马逊的AWS IoT Greengrass和Microsoft Azure也在持续增加工业领域的渗透率。就开发者的支持度而言，PTC、微软、IBM、GE和亚马逊占有明显领先优势。

原因分析

虽然前景一片光明，但当下预测性维护市场发展不及预期却是不争的事实。

究其原因，主要3点，也是整个物联网领域的通病。

投资回报率难以计算

转变商业模式，先要转变思维

基础不扎实，数据量不足

我们一个一个来说。

1、投资回报率难以计算

投资回报率ROI如果算不清楚，就意味着见效慢，效果很难评估，工业企业的推进意愿自然不会提升。

工业场景中包含众多要素，人、机、料、法、环。预测性维护主要与“机”挂钩，其中不同行业属性、不同企业类型，机械的种类很多，预测性维护产生的价值有天壤之别。

从整个产业链条上来看，可以将与“机”相关的产业链简单粗暴的与汽车行业做个类比。汽车的价值链包括车主、4S店、车厂、汽车零部件的各级供应商。“机”的价值链包括最终应用企业（最终用户）、设备服务商（代理商、集成商）、设备制造商、各类工业自动化厂商。

围绕预测性维护开展业务的物联网企业，在传统产业链条中需要找准自己的切入点。

预测性维护的价值要通过最终用户体现，对应的企业数量非常庞大。保守估计，国内实施了ERP或者供应链管理系统，拥有基础信息化能力的工厂，有接近300万家。

如果从大企业切入，这些企业往往选择自建预测性维护能力，即便选择与新型物联网企业合作，由于预测性维护本身同时涉及软件和硬件，物联网企业有可能面临定制化程度高，项目难以进行标准化，无法广泛复制的窘境。

如果从中小企业切入，则可能会更惨。面对如此大量的企业，如何有效的触及，并将预测性维护提供的价值变现，这里面存在不少坑。

工业体系经过多年的发展已经相当成熟，很多机械的维护维修，利润空间本身就不高。新型物联网企业有可能会发现折腾了这些年，即便有了一定的规模，也不一定能真正赚到钱。

因此面对中小企业，物联网企业除了利用预测性维护，将服务环节从“被动”变为“主动”之外，还需要具备提供更多深度服务的能力，才能立足。

再从设备类型上来看，工程机械、注塑机、数控机床、空压机…行业集中度不同，设备制造商提供服务的能力也不同。因此留给提供预测性服务的物联网企业的生存空间也不同。

高价值设备，或者重要型设备，它们的维护维修，更多是由最终用户自己完成的，很少外包给物联网服务型企业。有些非重要型设备，很长时间不会发生故障的设备，或者发生故障后具有维修时间弹性的设备，会外包给设备服务商提供维护维修服务。

这时，物联网企业作为技术提供方，处于最终用户与设备制造商这两端之间，可能伴随着数据和设备资产所属权的争议。

另外，完成从传统维护维修到预测性维护的转变，还需要好的心态、以及时间和金钱。

有些情况下，最终用户并不希望“独吞”停机风险。他们希望设备服务商在合作协议中，保证设备的正常运行，如果发生停产损失，设备服务商需要承担一定的赔偿责任。这自然过滤掉了一些只能在PPT上提供预测性维护的公司。

同时，从用户角度来讲，要为预测性维护服务付多少钱合适呢？

预测性维护带来的收益，如果转化为财务指标，需要经过完整的周期性分析和验证。只有算得清楚经济账，最终用户才会愿意长期为预测性维护的价值买单。

因为预测性维护带来的停机风险降低难与经济回报挂钩、单台设备难与整体销售挂钩，预测性维护的价值并不立竿见影，需要经历半年甚至一年的验证周期，有时还需要细化到每单位销售额的颗粒度。如果遇到销售额受环境变化影响，波动较大的最终用户，核算的难度更大。

因此预测性维护陷入了经济收益测算时间长，没法调动最终用户的投入热情，只是物联网企业一头热的怪圈。

2、转变商业模式，先要转变思维

如果只算由预测性维护降低的停机风险，只算省钱的经济账，是远远不够的。

好的商业模式，不一定是帮最终用户多省钱，而是帮设备服务商或者设备制造商多赚钱。在这个过程中，物联网企业完成自己的商业逻辑闭环。

这里再做一个简单粗暴的类比。共享单车虽然广受诟病，但也有可取之处，毕竟摩拜们改变了共享出行的格局。

如果当初摩拜创立的时候，没有选择自己做自行车，而是选择只做智能锁，把我们大家没用的自行车统一管理，提供共享出行服务，让每一个自行车闲置资源的参与者都赚到钱。如此这般，摩拜是否能够形成如今的发展势头呢？

答案是否定的。摩拜的成功并没有帮共享自行车的使用者省钱，而是刺激了使用自行车出行的需求，把原本走着不用花钱的路途，变成了自行车骑行之旅。如果没有独特的自行车设计，统一的服务质量，良好的出行体验，很难大量激发最终用户对于共享自行车的使用需求。

在这个过程中，摩拜成为新型“设备服务商”，担起了自行车资源重塑者的角色。同时，摩拜还加速了自行车“设备制造商”的发展，制造了前所未有的大量设备。

类比过摩拜，我们再说回工业。

现状是工业体系极度分散，每一家设备代理商或者集成商，都面临利润率越来越低的窘境，横向的整合有可能会越来越多。何况并不是所有设备制造商，都有能力提供预测性维护。

因此预测性维护的价值不一定是让每一个小的服务商、设备商都赚到钱，而是让有能力提供良好服务、统一体验的设备服务商和设备制造商赚更多的钱，设备服务从“被动等待”模式转变为“主动出击”模式，设备销售从“一次性买卖”到“按使用时间付费”的模式，从而推进横向聚合的发生。

不过目前大家在讲预测性维护时，往往还停留在省钱的故事里。

推而广之，物联网到底是为了省钱，还是为了赚钱？这是一个颇具争议的话题。

CompTIA美国计算机行业协会针对这个问题专门进行了一项调查。你猜结论是什么？

三分之一的人认为物联网应该省钱，三分之一的人认为应该赚钱，另外三分之一的人认为省钱和赚钱都需要。

可见大家对于应用物联网的好处还没有达成共识。

3、基础不扎实，数据量不足

工业设备的预测性维护，都面临一个避而不提的共性问题，设备自身的传感器数量不足，很多数据还没有形成有效的长期积累。

所以预测性维护最常见的故事是飞机发动机，因为传感器足够多，监测时间足够长。

为什么设备制造商不在设备出厂之前，加装更多的传感器呢？因为在物联网理念还未普及之时，安装传感器不仅增加成本，平白增加了设备的复杂度，还没有明确的应用意义。设备本身已经够复杂了，谁也不愿意再费力增加一些看似没用的传感器。

传感器不够多，就算把人工智能等最新技术都用上，预测也不一定准确。预测不准，预测性维护就没什么价值。

加之设备模型的积累和迭代需要较长的时间，因此在目前的应用中，“硬件+软件+服务”为主流的收费模式，实施方式也以项目制为主。距离触发裂变，还为时尚早。

很多物联网公司都在想方设法解决这个问题。

去年Uptake以并购的方式获得了APT公司以及ASL资料库的控制权，就是一个明显的信号。

APT公司（Asset Performance Technologies）的资产战略资料库ASL，可以说是全球最全面的工业设备故障数据库。虽然APT公司成立于2004年，但ASL资料库此前便开始积累，利用超过20年的时间，收集了关于电力、采矿、炼钢等行业近800种重要设备的信息，可以提供FMEA失效模式效应分析和维护策略建议。

Uptake公司2014年成立于美国芝加哥，提供工业人工智能软件开发及服务，帮助企业客户进行数字化转型。目前Uptake最成功的案例当属与凯特彼勒共同开发的预测性维护平台，改善其生产运营效益。关于Uptake这家公司，在后面还会提到。

还有一些物联网公司正在想办法，利用软硬件一体化的低成本无线传感器，从原先没有数据的地方把数据采集上来，完成从0到1的突破。

能够实现这种突破的根本性原因有4点：

无线连接的普遍存在，以及连接成本的持续降低

小型化的低成本传感器大量可用

企业开始接受边缘计算和云平台协同的思路

使用人工智能监控时序传感器数据变得可行

创新正在发生

最后来看看预测性维护的初创公司在修炼哪些能力？很多初创企业已经意识到，真正的机会是利用预测性维护创造全新的业务。

现在判断哪些企业将会冲出重围还为时尚早，我们不妨多看一些预测性维护企业的生存现状。此处被点名道姓的以国外企业为主。

1、Uptake

前文曾经提到，Uptake是一家成立于2014年的初创公司，而且可以说Uptake是IIoT创业公司中的大赢家。

据报道，Uptake曾在伯克希尔·哈撒韦能源公司一家子公司的风电场部署其“监测平台”。在部署平台的第一周，就发现变速箱主轴承可能会出现故障，并可能会导致其中一个涡轮塔的运转不灵。几小时的停机将造成风电场5000美元的损失，而如果这个涡轮机完全崩溃，损失将高达25万美元。

但是最近，通用电气GE将其告上法庭。GE诉讼的6名Uptake高管，均是GE的旧部，主要来自GE发电集团以及GE数字化集团。GE的诉讼理由是：Uptake有预谋地挖墙脚、窃取商业机密以及不正当竞争。

GE认为，这6名旧将由于职位所致，熟悉GE的商业机密，还参与了Uptake的“挖墙脚”谋划：不仅从GE挖走员工，还撬走GE的客户，试图将对GE的伤害扩至最大化。GE称，撬走的客户名单就在Uptake的官网上列着。这指的是伯克希尔·哈撒韦公司能源子公司的风电设备和卡特彼勒的机车业务。

Uptake自然不服。今年2月22日，Uptake反诉GE违反软件许可协议以及滥用商业机密。Uptake称，GE在滥用由Uptake并购的公司APT开发的软件协议。

GE和Uptake的官司还在继续。

更为严重的是，Uptake的经验似乎从反面证明了从大企业切入并不是明智之举。

2017年11月，卡特彼勒宣布不再对Uptake投资，只是保留Uptake的客户身份。据美国商业杂志《克瑞恩芝加哥商业》的报道，卡特彼勒意识到，如果对Uptake持续投资，将削弱自己的竞争力。

同时卡特彼勒在逐渐收回销售给代理商的监控软件的控制权。卡特彼勒的最终用户利用这些软件，可以检测设备运行，实现预测性维护。显然，卡特彼勒们希望把预测性维护的能力收回到自己“体内”。

2、Predikto

Predikto的独特优势在于，他的技术平台能够处理数百个不同的工业资产数据集，并自动完成80%的分析流程，以便快速从数据得出分析结论，提供可行的建议，让企业提前采取措施，避免故障，延长资产正常运行时间。 

Predikto已经被联合技术公司收购。

3、KONUX

KONUX专注于铁路领域，他们结合了智能传感器和基于人工智能的分析，通过预测性维护计划和铁路的优化利用，实现更高的列车正点率和网络容量。

这家公司在2019年2月刚刚完成了B轮融资，投资者包括阿里巴巴。KONUX的下一步计划是在中国开展业务。

4、Mtell

Mtell的产品主要是解决非计划停机的问题。他可以帮助企业提高资产利用率，并通过准确预测何时发生设备故障，了解为何发生故障以及规定如何避免故障，从而避免意外停机。

Mtell的创新之处在于，提出了新的分析方法：处方型维护。

简单的说，处方型维护就好比你去医院看医生，首先是症状分析，不仅仅是对现状进行分析，而是要回顾使用的历史，过去曾经出现的故障，以及当时故障如何解决的，根据这些信息进行最终的诊断。

Mtell通过机器完成这些工作，不仅通过传感器提供的信息，Mtell还要查看过去维护保养的历史，过去出现故障时，这个故障怎么发生的，为什么会发生，通过这些信息决定未来该如何解决，这样做出一个故障的诊断。

目前Mtell已经被AspenTech收购。

5、etasense

Petasense也成立于2014年，通过监控关键旋转机器的运行状况，提供预测性维护解决方案。

在电力、石油、化工、冶金等各种流程行业，设备振动数据和流程控制数据分别存储在两个独立的系统中，彼此之间并不集成。预测性维护恰恰需要振动数据与运营数据紧密反馈和自动迭代。为了更好的解决这个问题，Petasense选择与OSIsoft合作，联合推出的预测性维护解决方案，正在被硅谷电力公司使用。

值得一提的是，OSIsoft成立于1980年，是一家实时数据管理软件制造商，旗下的PI实时数据库系统已经被广泛应用于流程行业。在2017年，这家公司被软银投资数十亿美元。

我们喜欢高估五年，却总是低估十年。这句话用在预测性维护这里，看来非常合适。

为了推进预测性维护的落地，摆在物联网企业面前的路没有捷径。物联网企业需要具备对行业中特定应用的深刻见解，并提供更完整的端到端物联网解决方案。

当然，这并不容易。