预测性维护解决什么问题
据估计，由于计划外停机，工业制造商每年要承担高达500亿美元的成本，维护费用占总生产成本的15％至40％。在汽车制造业中，一条关键的生产线闲置数小时，或数十名员工在操作系统中断期间被迫恢复为手动流程。停机时间每小时可能会惊人的达到130万美元。
预测性维护，是以状态为依据（ConditionBased）的维护，在机器运行时，对其主要（或需要）部位进行定期（或连续）的状态监测和故障诊断，判定设施设备所处的状态，预测设施设备状态未来的发展趋势，依据其发展趋势和可能的故障模式，预先制定维护计划。
预测性维护中的关键技术-振动分析以及相关实现方式
制造商使用多种参数来确定启动维护操作的时间，这些参数包括振动、噪声、温度测量等。在可测量的物理量中，振动频谱测量能够针对旋转机器（发动机、发生器等）中的问题的根源提供最多信息。异常振动可能是滚珠轴承故障、轴偏差、不平衡、过度松散等问题。每个问题都有自己特有的症状。
传感器：针对旋转设备的不平衡问题，松散问题，轴承故障，齿轮故障，需要配置高性能的振动传感器才能判断更广范围的潜在故障。
基于机理模型的诊断可能出现的问题。
这一种是基于机理模型，它根据已有的设备的机械特征参数，并将实时参数进行对比，对故障进行预测，这种系统往往会依赖于长期的数据积累，形成“专家系统”，类似于“查表”的方式，对故障进行预测、定位与分析
基于大数据深度学习的预测。从数据角度出发，进行多维度异常分析输出RUL（使用寿命，这里表示距离下一次维修的时间）
预测性维护的传统部署和实施方案，以及存在的问题
1.网络部署困难，成本高昂，需要大量传感器连接RTU然后连网。
2.系统对接困难，网关和云端如果是异厂商需要进行协议对接。如发生数据解析异常，难以定界定位定责。
3.RTU到云端平台需要大数量传输和存储，实施成本非常高。由于机器学习的数据量需要TB级数据进行分析，因此将数据存在云端是成本非常高的方式。
4.数据标注和模型训练都放在云端实施，效率比较低。数据标注需要有经验的现场工程师进行解释和标注，而模型训练需要模型开发工程师进行，两边最好是能快速推进。
后米物联预测性维护一体机，一机打包完美解决问题
预测性维护一体机，产品功能全景图
我们的优势 - 深度学习驱动的工业物联网分析预测报警平台
