IDC 都强推的预测性维护分析平台，到底是？

作  者 ⎪ Dan Vesset，IDC 集团分析和信息管理副总裁

Aly Pinder，IDC 服务创新和互联产品项目总监

《IDC 制造业洞察简报》的“2021 年产品和服务创新调查”通过数据表明，制造商已开始注意到服务及维护工作在向“预测性/预防性”范式（30.5% 的受访者持此观点）和“规范性”范式（19.9%）转变，但这需要在数据与行动之间建立更好的联系。

与预测故障同样重要的能力是触发恰当反应，并同时分配正确的技能、零件和工具资源，以预测性地解决问题，这是主动维护的未来。因此，企业需要精确掌握真实的产品和设备信息，并利用分析更深入了解故障根因、何时应介入行动以避免意外停机，以及何时需要哪些特定资源来促进问题解决。

现代化、可扩展的数据分析平台，是推动企业整体智能化（包括预测性维护）的关键技术之一。这种平台应同时支持两大类型的决策，如下图所示：

 图 3：决策、数据和分析范式

【数据探索和调查】

由关键因素驱动的识别

受指导的根本原因分析

【决策自动化】

条件性决策自动化

基于算法的决策自动化

分析师及数据科学家，通常会使用描述性、诊断性和预测性的分析方法，但最终负责运营决策的是各级监管及管理人员。正如上图所示，数据探索和调查主要两大子分类是：

• 由关键因素驱动的识别。涉及分析人员（或自动化系统）探索数据，以确定对维护事件有因果影响的驱动因素；

• 受指导的根本原因分析。主要与上述模式有关，但仅仅了解与输出因变量具备最大因果关系的驱动性因素，不足以揭示所有内外部因素的问题根因。最先进的软件能帮助分析员在基于历史数据的系统指导下，发掘问题的根本原因。

决策自动化则代表了运营流程中的战术决策。自动化，无论是条件性的（基于规则）还是算法的（基于机器学习），都应当在无人工参与的情况下直接处理整个端到端进程，或者通过任务自动化和背景推荐来增强操作者的能力。主要包括：

• 条件性决策自动化。这一范式的目标是当新数据涌现时持续接收、处理和评估，对问题和机遇快速反应，并利用优化自动决定下一步行动。这一类型的决策自动化可以快速识别并反映全过程中众所周知的、以及变化缓慢的各种条件；

• 基于算法的决策自动化。其目标是使用人工智能/机器学习算法和实时数据，来自动检测异常情况和机会，判断是否需要进一步采取行动，并利用优化来实现自动化或增强决策。这一类型的决策自动化，旨在促进对即将发生的问题或即时机会进行快速预测、反映并从中实现商业利益，当条件不断变化时，数据也高度可变。

IDC 还建议，当您在规划适当的数据和分析技术平台时，考虑以下预测性维护决策特点：

• 范畴。详细解释就是“特定决策的影响范畴”，比如，它影响的是单一资产还是多重资产，单一活动还是全流程或多个流程？

• 潜伏期。作出决定、解决问题的时间窗口/时间间隔是多少？有些决定只需要几秒钟，比如实时决策；有些则需要几周甚至几个月的准备时间，比如，收购另一家公司或进入一个新市场；

• 变化性。问题在多大程度上是预先确定好的，或者完全是临时性的？这是定期或持续、重复出现的，还是很少需要做的决策？

• 模糊性。问题有多大的开放性？作出决定所需数据的开放性如何？

• 风险性。决策相关的风险及商业化价值几何？范畴较窄的决策往往具备较低的风险水平，然而，风险和范畴之间并不存在完美的关联性。例如，一个规划可能影响企业的范畴有限，但却有与合规性相关的高风险；同样地，一个定义狭窄的战术决策，则可能有着很高的声誉风险。

据此了解，现代企业需要现代化的数据、分析和人工智能/机器学习架构，同样需要一个云原生并以服务为中心的方法，按需配备一系列的数据处理引擎。这样的平台有几个“Must-have”（必备项），以充分支持预测性维护用例：

• 最大限度减少数据移动的需要，以及确保是实现分布式[边缘]和集中式[云和企业内部数据中心]利用数据、分析和人工智能资源的平衡；

• 常用分析方法“开箱即用”或预建支持，必须包括对人工智能/机器学习算法的支持；

• 提供数据科学家熟悉的语言和工具，可自主通过定制化的独特算法来扩展分析能力；

• 云存储 API 的可用性；

• 对关系型数据仓库和非关系型分析数据管理系统的支持和整合能力，包括开放源码框架以及商业 OSS 发行版；

• 对标准开发语言和相关技能的支持（如 SQL、Java、C++、Python 及 R）；

• 支持实时服务水平协议；

• 能实现计算和存储资源分离，以便灵活将技术资源及成本分析工作负荷的变化相匹配；

• 支持“大数据”的处理需求，甚至是对于每秒数千 TB 数据输入和数百 EB 数据存储的要求而言。

从前往后，维护和服务团队缺乏并不是数据和信息。而是情报与洞察力，这也是从传统的被动式反映向预测性维护转向的关键障碍。一般团队无法了解：资产何时会出现故障、故障会出现在哪个点位、问题最可能是什么以及如何解决。

弥补情报的差距需要可扩展的洞察力，以协调所有必要活动。我们的目标是，不仅要准确预测问题，还要争取在故障前就将事故扼杀于襁褓之中。为了变得更积极、主动且具有预测性，公司必须以下面 5 点作为指导性原则：

• 制定长期数据及分析战略，预先考虑到各种类型的决策模式以及相关的数据和分析需求——用于大规模流式和批量数据的处理分析；

• 评估数据质量和可用性，保证数据能达到驱动智能决策的标准；

• 认真考虑能立即提供现代化数据、分析和人工智能平台的 IT 合作伙伴，因为没有单个供应商可以做到所有，这一标准将引导您找到将开源和商业技术结合在一起的最佳解决方案；

• 不指望单一技术能解决所有的要求。正如上文所述，单一尺寸并不适合所有体型。比如，基于 SQL、列式和 MPP 的分析数据库可以发挥作用，基于非关系型数据存储库的数据湖也可以大获成功，流媒体数据处理工具，以及一系列的上下游数据集成和商业智能应用，在克服某些疑难障碍时也是有用的；

• 选择最适合您企业特色的数据分析技术，而不仅仅是寻找具备最高计算能力、最大存储容量及灵活性的解决方案，还要同时考虑安全性、支持性和灵活性，以及最重要的，总体拥有成本（TCO）。

IDC 始终认为，现实世界中复杂性的元素已经太多，维护复杂性这事不应该比问题本身还更复杂。通过自动化、高相关、可操作的洞察力，企业的维护和服务团队足以证明这一点——极简、至美。在风暴真正来临之前，就将其扼杀于襁褓之中，所有人的体验都会长久如一日般美好。

 • 了解 IDC《主动与预防性行为：专为预测性维护设计的高拓展分析》洞察简报全内容，点击跳转上文。