工业4.0下机器即服务的预测性维护，是否成为新趋势？

尽管对于工业的终端客户来讲，延长工业设备的使用寿命，并确保其生产线不会计划外停机是其最大利益所在，但对很多原始设备制造商（OEM）来讲，一方面部件使用的时间越长，OEM厂商就会丧失设备更换所带来的益处；另一方面设备频繁故障，待问题出现后再进行被动维保的方式，也会对OEM厂商造成多方面的负面影响。而OEM厂商和终端客户之间的这种利益冲突一直存在。

近年来，OEM厂商寻求一些主动运维并提供服务的方式。预防性维护——作为一种和终端用户增强服务粘性的方法，好处是避免了非计划的停机和维修，合理安排运维人员；而其局限性是依赖于“平均法则”，简单概括即：会对设备进行过维保或欠维保。久而久之，这种方法对OEM来说并没有充分利用设备的价值。

OEM如何实现长期连续收益的战略，同时又满足终端用户的要求，以保持机器正常运行而不出现故障？ 技术方面的答案是“设备预测性维护”。Witium提供从硬件MEMS振动传感器、边缘计算网关到WitExpert设备健康管理系统的整体化预测性维护解决方案，结合机理建模+数理驱动的工业AIoT技术，实现设备故障诊断及预测。从市场及用户群体角度，终端用户希望提高设备OEE从而实现成品利润，而OEM厂商则需要使机器出现故障或进行维修以实现最大的盈利。因此当运用设备预测性维护时，还需找到在OEM厂商与终端用户间打破矛盾的一个融合点。一个被称为“机器即服务(MaaS)”的定价模型的形式大概率可以实现这一融合点。

该定价模型严格根据机器性能基准（KPI）而不是固定的订阅或服务合同模型来调整定价。举例来说，假设A是一家专注于各种食品饮料加工设备的OEM。A不是按传统方式以设备价格向B啤酒厂出售灌装机；而是保留了设备的所有权，根据商定的KPI(例如，在设备的使用寿命内灌装、灌装到封盖的瓶子数量等)向B收取价格。在这一点上，A作为设备制造商，通过最大化灌装机的效能以实现最大的收益。B作为终端用户，生产过程中最大化设备稼动率及鲁棒性，从而实现降本增效，OEE的提升。为了让A和B都能专注于设备工艺生产的正常运行时间和生产，OEM厂商必须在设备的设计和业务策略中，应用强大且可扩展的预测性维护技术。

受困于传统制造业困境的OEM厂商，都开始寻求终端用户的想法和OEM服务模型之间的契合点与转型方向。而基于MaaS下强大多元化的预测性维护系统，不仅可以提供常见设备部件的故障诊断、设备健康度分析，更重要的是通过人工智能AI+机器学习，不再只是关注于设备故障预测下阈值极限的偏差，而是还可以根据综合的历史数据、实时数据、设备KPI和经营结果为最终客户提供价值1+1>2，而成本1+1<2的解决方案。其中要实现0-1的突破、1-10与10-N的复制，最关键的是始终探索、优化和改进预测性维护和MaaS相结合的方法。该新型业务模式将促进预测性维护更广泛地应用，其无论是对原始设备制造商（OEM）还是终端用户的价值主张也会随之更加显著。