图2：设备管理的本质是找到最佳维护平衡点◆◆◆◆
05 .想依赖“预测性维护”解决问题忽视了基础的数字化建设和数据积累“预测性维护”一直是工业互联网的热门话题 ， 声称通过IoT和AI实现了预测性维护的公司繁多 ， 许多工厂也期望将自己对设备故障的不确定性 ， 交给 “预测性维护”来解决 。 但据笔者观察 ， 目前大部分此类项目预测的准确率很低 ， 仍是概念和实验性的居多 ， 在可解释性可验证性、可复制性上都还存在有问题 。 预测性维护的落地比预想中困难 ， 是因为企图单纯依赖数据提取可解释的工业机理逻辑 ， 难度远超想象 。 主要有两个原因：一是因为许多企业的基础数据还缺乏积累 ， 比如设备基本的巡点检、维护保养、故障分析记录 ， 都还是散落在各种纸张、Excel中 ， 设备缺乏数字化档案 ， 基本维护保养数据、备件更换记录、故障和修理数据 ， 包括设备的故障特征数据还没有结构化的积累 ， 就不可能实现模型的训练和验证；二是许多厂商企图单纯依赖数据分析路径而忽略了设备工程师现有专业知识和经验的融入 ， 光靠数学和AI算法容易走入统计陷阱 ， 只是得到了相关性 ， 不容易得出可解释、可预测的因果性模型 。 所以我们建议工厂一是要重视设备数字化档案、基础维护、维修工单、故障树等这些基本数字化能力的建设 。 二是针对重点的高价值、停机高损失设备 ， 将经验模型和数据模型结合建模 ， 而且模型的输出 ， 目的是起到辅助人员维护维修的作用 ， 最后还是需要交给人来综合判断 。 总体来看 ， 设备之于工厂 ， 就像枪之于战士 。 许多设备维护维修技术体系 ， 也确实是从军队武器维护体系发展来的 。 构建新型的设备管理能力 ， 需要工厂管理者认识到设备是构建工厂核心竞争力的基础 ， 积极变革设备管理和作业方式 ， 向数字化、智能化发展 。 根据Gartner预测 ， 到2022年 ， 60%以上的设备将实现基于数据的智能运维方式 ， 设备智能化管理和运维能力将会是衡量一个工厂核心竞争力的重要标志 。 为了促进工厂设备管理新型能力的建设 ， 国家相关部门也正在起草和制定设备管理的国家标准、能力成熟度评估框架 ， 这将会对指导企业加强设备管理能力起到重要指引和促进作用 。