从“千里眼”和“顺风耳”监测到设备异常，到智能监测软件数据处理并推送报警，再到智能诊断平台的算法模型处理数据生成初步诊断信息，最终结合诊断分析师的评估和分析提供故障诊断服务。 PHM（Prognostics and health management）即故障预测和健康管理，最早源于航空领域，被用于减少军机的事故率，最具代表性的案例是美军 F-35 战斗机使用 PHM 系统后维修人力减少了 20-40%，出动架次率提高了 25%，总后勤保障成本降低了 50%。
系统原理
预测性维护采用硬件预先滤波，然后上传滤波后的信号，服务器收集到信号以后采用时域分析为主的分析方法，得到一段正弦振动波的均值、标准差、峰值（极大值与极小值之差）、峭值。由于是圆周旋转的振动，所以不管振动大小，总的均值是变化不大的，并成正态分布，只有在传感器异常移动后，因重力造成的分量变化，才会使得均值偏移较大，由此可把均值定义为基准线，并分析均值的长期变化而获得其正常的波动范围（根据正态分布的异常标准，3倍其标准差），根据其超出范围的程度，进行判定异常报警。总的标准差和峰值在随设备的使用和劣化而逐渐增大的，所以多个连续标准差和峰值是以一条上升曲线为基准的正态分布，所以我们可以以其上升幅度变化快慢来判定其异常。总的峭值是一个比较固定的值，不管振动大小，只要设备材料强度正常，峭值相对固定，并很容易得到其异常，在分析值有异常的时候，再通过FFT（快速傅里叶变化）进行频域频谱分析，从而最终得出异常问题点（能量频率的分布和能量大小，不同故障点的能量频率和大小和部分都不一样）和原因，然后通过行业大数据分析匹配对应解决方案。
PHM 智能运维：为客户实现安全性+经济性双重价值
PHM 利用传感器等方式得到装备的工况、周围环境、在线或历史的运行状态等各类数据，通过特征提取、 信号分析、数据融合建模，实现装备运行状态的监测、失效模型建模、剩余寿命预测和可靠性评估等，是一个 集机械、电气、传感、人工智能、通讯、网络等多学科交叉的高端技术。
大数据故障分析预测系统搭载了适合复杂环境中需要高鲁棒性的类脑算法，通过多尺度特征截取模型，建立基于态势感知的知识图谱，应用于故障分析预测系统中。目前企业监测系统的现状是分散且独立运行，管理人员无法及时了解生产设备的实施情况；由于企业内故障诊断专家数量稀少，不足以满足数量庞大的设备故障诊断及预测需求。传统方法是通过对关键设备定期关机来执行维护方案；通过部署了预测性维护系统，保存重要设备的历史数据，设置数据清洗规则，基于各类匹配分析算法和故障诊断规则，定期进行设备故障诊断；结合实时监控设备运行状态数据，通过大数据建模进行预测性维护，能提前发现潜在故障，降低非计划停机频率。
人工智能助力预测性维护技术发展
（来源SMEE）
近年来，工业互联网的发展势头迅猛，在智能制造、工业4.0等政策的推动下，5G、大数据、人工智能等新的技术是释放工业数据的要素价值的重要手段，在国家工业信息安全发展研究中心发布的《工业互联网创新发展白皮书》中，主要应用场景包括设备/及产品管理、业务与运营优化、社会化资源协作三大类。设备及产品管理场景行业的应用案例最为广泛，主要包括状态检测、故障诊断、预测性维护及远程运维。
在设备及产品管理中，状态监测与报警是最主要的应用场景。对绝大多数的工业企业来说，设备的正常运行是生产的前提，通过设备的状态检测能有效地避免非故障停机，从而降低设备故障带来的生产损失和维护成本。
然而，状态监测是被动地收集设备的运行数据，未能前瞻性的预测设备运行故障，随着“工业4.0”概念的提出，预测性维护成为该概念的重要创新点之一。更精巧的传感器、更高速的通信网络以及更强大的数据运算平台也为预测性维护的发展铺平了道路。
截止2017年底，在153家企业中，已经有超过80%的企业正积极着手处理有关预测性维护的相关问题。其受访企业类型包括输变电工程与液压动力、电气自动化与机器人、机床与制造系统、软件与数字化企业等。
预测性维护市场情况
市场规模
在《2019-2024年预测维护市场报告》中，2018年全球预测维护市场规模达33亿美元，预计到2024年，其复合年增长率将超过39%，达到235亿美元。
全球产业链
根据工业互联网产业联盟的分类，针对工业智能问题按照影响因素和复杂度分为四类：一是多因素复杂问题，二是多因素简单问题，三是少因素简单问题，四是少因素复杂问题。
其中深度学习和知识图谱是当前人工智能在工业实现的两大技术方向：深度学习侧重于解决影响因素较少，但计算度较高的复杂问题；知识图谱侧重与解决影响因素较多，但机理相对简单的问题。
而预测性维护概念是从“状态监测”这一概念发展而来，根据工业智能应用总体视图显示，机器学习与深度学习的发展极大的推动了预测性维护的落地应用。设备/系统预测性维护场景中，机器学习的方法拟合设备运行复杂非线性关系，能够提升预测准确率，减少成本与故障率。其常用的方法有时序模型预测法、灰色模型预测法和神经网络预测法。
轻量级的边缘实时检测
通过搭载边缘端设备，全息信息建模从多渠道、多视角地获取设备的时空状态信息，使设备信息更为可靠。多感知融合从多层次、多空间来对设备的数据进行信息互补和优化组合，使设备信息更加全面。基于AI算法与态势感知的故障监测及预测系统，使预测性维护响应更加精准和快速。
应用领域：气动执行器、步进电机、伺服电机、传送带、光电开关、视觉检测等工业自动化检测线与生产线，根据设备状态数据，使设备实时保持最优状态，并完成实时故障监测与预测。
应用领域：机械行业、电子电力行业、钢铁行业、石化行业等。
总之，随着智能制造，工业4.0的普及，国家对工业互联网的推动等诸多因素，预测性维护未来的发展令人期待，但如何真正的让其在行业中发挥最大的价值，仍需要各方不断的探讨，令其开花结果。
国内主要智能运维企业
01 容知日新 股票代码[688768]
安徽容知日新科技股份有限公司成立于2007年，是一家工业互联网领域的高新技术企业。为客户提供设备智能运维云平台解决方案和动设备预测性维护产品及服务。
02 东华测试 股票代码[300354]
江苏东华测试技术股份有限公司成立于1993年，是一家提供由传感器、调理放大器、数据采集仪、分析软件、工程应用软件及专业服务组成的“一站式”测试系统解决方案，广泛应用于科研、检测、教学、装备制造等领域。
03 沃德（天津）智能技术有限公司
（天津）智能技术有限公司是沃德传动（天津）股份有限公司的全资子公司。主要经营智能设备健康管理云平台，平台整合了现代传感器技术、无线通讯技术、物联网技术、云计算等多项前沿科技，为工业机器戴上智能监控设备，实时采集设备运行数据。
04 航天智控（北京）监测技术有限公司
航天智控（北京）监测技术有限公司于2018年12月由北京航天智控监测技术研究院整体改制成立，是我国知名的设备状态监测和故障诊断高新技术企业，公司以故障诊断、寿命预测为核心的智能运维工业互联网云平台包括智能点巡检管理系统、在线状态监测系统、设备故障AI诊断系统、设备资产管理系统等完备功能。
05 硕橙(厦门)科技有限公司
硕橙科技成立于2016年，以机械噪声识别切入预测性维护领域，机器学习与设备噪声分析相结合的高新技术企业。公司主营产品机器听诊大师，通过非接触式的方式收集机器噪声并应用独创的噪声特征集系统对其进行标准化、系统化的识别、分析和处理，为设备预测性维护、产品自动化质检、环境异常报警、设备远程监控。
06 成都安尔法智控科技
公司于2018年初正式运营，现已是成都市科技型中小企业、《智能化选煤厂建设 通用技术规范》等标准的参编单位，安尔法设备预测性维护系统（工业设备运维智慧平台）荣列《选煤厂智能化技术与装备推荐目录》。
成都安尔法智控科技有限公司是一家工业互联网领域的国家级高新技术企业。资源业智能运维及安全预警服务商。主要产品：智能设备健康管理及故障预警、运维数据服务、微震预警、磨机载荷磨音温度一体传感器，矿业生产运营大数据SAAS等。产品及服务远销巴西、摩洛哥、俄罗斯、菲律宾、蒙古国等主要资源业国家。
市场主要运维厂家对比
智能运维市面主要厂家领域分布
以上就是中盈基岩本期为大家挖掘的矿业领域第四批值得关注的“专精特新”公司。
.jpg)
.jpg)
.jpg)
.jpg)