预测性维护

趋势分析

设备运维场景的主要发展趋势

预测性维护已经在全球各行业尤其是工业制造领域得到认可并开始规模应用。将状态监测、故障诊断、状态预测和状态决策融合为一体，状态监测和故障诊断是基础，状态预测是重点，维护决策得出最终的维护状态要求，预测性维护是人工智能在工业制造领域的应用和实践，主要趋势包括：

运维服务化

通过预测性维护提供支撑设备、设施运维的增值服务和全生命周期的质保服务，增加客户粘性与客户满意度

模块实时化

实时状态监测和故障诊断，通过智能化、组态化、模块化的监控装置，实现对设备、设施状态参数进行在线监测、故障诊断、离线分析、报警预警等功能

远程运维

针对长寿命服役的设备设施的运维保养，建立健康监测服务系统，通过基于测量的量化指标来确定维护的优先次序

智能化模型

建立疲劳模型，对结构性能进行评估，对结构生命周期的预测，估算结构整个周期的修复或维护费用，通过设备跟踪和网络平台进行远程监测等在线支持服务

业务挑战

工业设备类型繁多，接入复杂度高

工业现场长期以来存在大量异构的总线联接，多种制式的工业以太网并存，如何兼容多种联接并且确保联接的实时可靠是必须要解决的现实问题

边缘设备缺乏智能，数据处理和分析效率低

处于网络边缘的工业现场设备，由于缺乏轻量级的计算框架，无法在边缘进行实时响应，实现对数据的聚合、过滤、预测，也无法和云端充分协同

故障模型难以沉淀，运营效率低

传统制造企业熟悉设备的机理和典型的故障模型，但企业内部缺少专业的数据科学家，也缺乏应用新兴数据分析/AI工具处理海量数据的能力

工业应用APP开发难度大，用户体验差

制造企业的IT能力有限，而IoT场景多涉及新应用开发，如果缺乏面向IoT场景的端云协同的应用开发使能能力，使得客户不能充分聚焦在业务创新本身，造成业务创新缓慢

解决方案架构

预测性维护解决方案架构

设备预测性维护场景，提供包括边缘计算、IoT平台、大数据等一系列能力，并将边缘计算作为华为云的能力延伸到靠近工业产品的网络边缘处，携手行业合作伙伴，加速实现工业各领域中的设备预测性维护

架构优势

实现设备快速接入

IoT hub支持不同网络、不同协议的设备接入方案，满足企业设备多样化接入的诉求

边缘与云的协同

智能边缘平台支持AI/大数据在边缘运行，满足端侧低时延业务响应需求

工业数据建模

预集成预测性维护场景相关的模型和算法，加速预测场景开发

推荐产品

方案优势

支持多网络、多协议、多场景，实现设备快速接入

边缘智能化，实现设备端实时处理和分析决策能力

提供全栈全场景AI服务，工业数据洞察易

生态体系广，快速构建工业APP和业务创新