近年来，预测性维护受到市场的广泛关注与重视，一度被预言是工业物联网的“杀手级”应用，吸引着众多企业涉足该领域，但它的应用却一直不及预期，被认为是当下最有需求、最有前途，也是最难落地的技术之一。
本文为e-works记者对加拿大工程院院士、广州大学人工智能研究院院长杨春生的采访内容整理而成。
那么，预测性维护落地难的原因是什么？在实施前应做好哪些准备？如何有效推进预测性维护的落地？带着这些问题，e-works记者采访了加拿大工程院院士、广州大学人工智能研究院院长杨春生。
技术复杂性和数据迁移性
加剧落地难度
在工业领域，预测性维护（Predictive Maintenance，PdM）和故障预测与健康管理（Prognostics and Health Management，PHM）是企业提高设备效率和可靠性的两大关键技术，两者既密切相关又有所区别。
预测性维护主要通过设备状态数据来识别设备的潜在故障，并据此制定维修计划；它通常关注设备的某一特定部分或系统，并实施有针对性的监测和诊断，着眼于预测和预防故障，以防患于未然。相较之下，PHM是一个更为宽泛的概念，它不仅包含预测性维护活动，还涉及对设备整体健康状况的全面监控和管理。它基于设备的剩余命使用寿命（Remaining Useful Life，RUL)来确定最合适的维护时间及维修计划，致力于提升整个系统的运行可靠性与寿命。“不过，目前PHM的推进核心仍然是故障预测，且99%以上故障预测项目是针对复杂系统的关键部件，而非整体，即以预测性维护为主。”杨春生院士指出。
作为当前主流的现代化维护策略，预测性维护在制造业领域的应用正迅速扩展。然而，预测性维护的落地却面临着诸多挑战，不仅在于技术本身的复杂性，其涉及多学科技术的融合、需深度结合工业知识等；另外，随着数据科学的发展，越来越多的企业将人工智能算法用于预测性维护，希望通过数据驱动的方法实现模型的建立与训练。面对复杂多变的运营环境，数据驱动模型的精度，极易受到数据分布的迁移，而出现性能下降，这无疑增加了系统落地的难度。杨春生院士解释说，数据驱动模型的有效性依赖于一个关键假设，即建模时使用的数据分布与后期应用场景的数据分布保持一致。但随着时间的推移，数据分布可能因运维环境变化、设备性能退化等因素的影响而发生偏移，造成模型准确率降低。
此外，杨春生院士认为，智能化技术还没有完成成熟或者产品化，数据驱动模型泛化性不足，需根据具体的设备和运行环境进行训练和优化，从而无法简单的复制到其他企业；在推进项目过程中，企业信念不足、实施目标不清晰、数据采集挑战以及投资回报不明确等也是预测性维护难以落地的重要原因。
从三大维度
提升预测准确性
推进预测性维护是一个复杂的过程，涉及多方面的考量和准备。首先，企业需明确实施目标，并评估设备对生产流程的影响程度，确定需求紧迫性；其次，理清问题所在，明确哪些子系统或设备最需要预测性维护；接着，评估是否具有可靠的数据基础。在此基础上，进行模型开发和上线，包括数据采集及预处理、特征提取，建立预测模型，对模型进行评估和优化等。在这一过程中，模型是预测性维护策略的核心组成部分，而其准确性和可靠性是衡量预测性维护项目成功的关键因素。
在杨春生院士看来，建模数据量不足、运维环境不稳定/改变、物理系统和系统特征变化、问题描述不清是当前大部分预测性维护项目预测准确率低的主要原因。他建议企业从提升数据质量、明确问题边界、加强模型鲁棒性三个维度提升预测模型准确性。
1、提升数据质量
对于工业现场来说，数据质量的要求可以概括为两个词——准确和完整。因此，杨春生院士认为，企业可以从这两个方面提升数据质量：一是确保数据的完整性，如部分企业虽然部署了SCADA之类的系统，但因数据存储期限或物理容量限制，或未建立长期存储策略，导致数据遗失；二是按照既定标准保护数据，避免由于传感器周围抗干扰措施处理不当，使采集的数据不符合行业或应用标准，从而形成污染数据。
2、明确问题边界，最大化预训练模型潜能
数据是推进预测性维护的基石。那么，数据量多少合适？是否越多越好？杨春生院士认为，在工业领域，获取足够大的数据量并不实际或可行。对于预测性维护，确保模型有效性的关健在于解决小数据问题。即通过定义问题的边界，来确定数据采集的范围。正如孙悟空为唐僧划定的安全范围，企业应清楚模型需要解决的具体问题，再围绕这些问题进行有针对性的数据采集。过多无关的数据，反而会使模型的性能发生偏离。
杨春生院士还强调，要充分发挥预训练模型（而不是大模型）在预测运维中的加速作用。预训练模型是在大规模数据集上预先训练的模型，包含了通用的特征和知识，迁移学习非常灵活，在应用到具体任务时，可以通过微调和优化适应不同的任务，这大大减少了从头开始训练模型所需的时间和计算资源，加速了模型的部署和应用。因此，企业可以高效利用预训练模型，通过小数据集进行模型微调，快速构建出适应自身业务需求的定制化模型。
3、加强模型鲁邦性和泛化能力
针对由于运维环境、物理系统性能变化等因素，引起的数据分布变化，进而影响模型性能的问题。杨春生院士表示，加强模型的鲁棒性和泛化能力至关重要。即模型需要具有抵抗各类干扰和变化的能力，以保持稳定的性能，还需要能根据数据分布的变化，具有自适应调节能力。在业界，通常利用在线学习、连续学习、迁移学习等方法，提高模型的鲁棒性和泛化能力。杨院士建议，为了确保模型的长期准确性，通常应在模型建立后的2至3年内进行一次偏差评估，再通过持续学习或迁移学习等人工智能技术，对模型进行必要的更新和重新训练，以维持其性能和准确性。
此外，模型的选择和优化是一个复杂且多维度的过程，其目标是在特定任务或场景中实现最好的性能。企业可以通过机器学习算法筛选出最适合的模型，确保模型在性能稳健、属性复杂性和部署便捷性之间达到均衡。
预测性维护技术落地困难，不仅源于技术本身的复杂性和难度，还在于企业缺乏一套系统化的实施方法论。在杨春生院士看来，尽管预测性维护技术在当前实施阶段仍面临重重挑战，但作为一种先进的维护策略，其潜在价值无可估量。前路漫漫，行则将至！
