具有数据分析功能的网络传感器可以实现基于状态的维护，从而预测设备何时可能出现故障。
依赖大型昂贵设备的公司负有维护资产完整性和安全性的基本责任，不仅要保护员工和客户，而且还要降低运营成本。
这一责任在所有工业部门中非常普遍。公用事业公司需要维护大型发电厂以及分布广泛的输配电线路。基础设施运营商需要负责确保道路、桥梁、隧道、水道、下水道和供水等大型分散资产的安全性和可操作性。运输和配送公司必须持续维护和修理分散在各地的火车、公共汽车和卡车车队。飞机公司和航空公司必须可靠地确保其喷气飞机在每次飞行中都是100％安全的。制造厂和加工厂需要确保机器处于最佳工作状态，以防止机器意外故障并关闭整个生产线。
重要设备的这种停机可能会对企业及其供应链造成代价高昂的中断。解决此复杂问题的最具成本效益解决方案是采用预测性维护系统。预测性维护（PdM）是一种监测高价值设备在运行期间状态和性能的方法，以了解其健康状况，预测故障时间，并采取寿命延长机制、计划和执行维护来减轻即将发生故障的影响，从而降低意外故障的可能性。
自1990年代以来，工业界就一直在考虑进行预测性维护，然而，在实现全部好处方面还存在一些障碍。困难的部分原因是需要为设备配备可以观察到所关注事件的传感器。此外，还需要收集、存储和分析来自分散资产(如大型车队)的传感器数据。解决分析问题的一种方法是为每个工业企业开发数学模型和算法库，然后，这些模型可以应用于每个特定设备的标准化架构中。
工业物联网（IIoT）中的分析艺术
通过工业物联网（IIoT）在通信和传感器部署方面的最新进展，使得预测性维护对于影响深远的工业设备更加可行。经过精心设计和训练以识别设备故障的基于物理的模型和机器学习系统的强大结合，也可以做出准确的预测，以预测特定设备的故障时间。
通过这种方式，工业公司不再需要通过昂贵的程序来定期进行检查或通过时间表来进行维护，这实际上是没必要的。相反，预测性维护系统可以在逻辑上优先考虑任何必要的维护，以防止故障发生，从而大大节省宝贵的时间、金钱和资源。
此过程的第一步涉及异常检测，其中网络边缘的智能传感器会检测出看起来不对劲的事情——尚不知道到底出了什么问题。下一步是对任何标记的设备执行诊断，以确定问题的根本原因。最后，预测算法可以准确估计设备何时会出现故障。
一个名为MOXI的工业物联网系统分析技术平台使工程师、操作员和维护专业人员能够远程监测和主动管理意外的系统故障和维护问题。MOXI是为制造业、电网、铁路、桥梁和其他重型基础设施等部门的大型工业资产而设计的。工业物联网套件结合了嵌入式传感、复杂的系统模型和人工智能技术，以高精度、可忽略的误报率和接近零的漏检率预测不利的系统状况。
部署预测性维护以提高铁路效率
在一个案例中，PARC正在与东日本铁路公司（也称为JR-East）进行试点项目。由于基础设施老化以及定期维护预算缩减，东日本铁路公司一直面临成本上涨问题。
PARC与野村研究所（NRI）合作，采访了JR East的工程师、研发团队和维护技术人员，以充分了解问题所在，并确定应如何使用预测性维护技术。然后，PARC创建了仪表板模型，收集了来自JR-East的反馈，并开始了算法和软件开发的快速迭代。
该团队通过应用高级机器学习和基于模型的系统分析方法，开发了定制的故障检测和诊断试点软件。还为JR-East工程师开发了仪表板，以可视化并更好地理解所获得的数据。最初的试点工作集中在列车门和铁轨的维护上，目标是随着时间推移逐步扩展该计划，使其包括铁路、车站、桥梁和隧道等其他资产。
铁轨和列车门故障检测的初步测试表明，真阳性率非常高，误报/漏检率非常低。仪表板使JR-East技术人员能够在即将到来的问题升级为资产故障/停机之前发现并修复这些问题。目前正在进行进一步的测试，以验证调查结果并进行全面的部署实施。
JR East试点项目只是预测性维护的众多例子之一。通过应用基于人工智能的预测模型，工业公司可以对其设备的状况、安全和性能产生可操作的见解，以保持设备平稳、优化地运行，同时最大限度地减少停机时间。