预测性维护，机械运营“香饽饽” ⎪ 十万个是什么

预测性维护，利用主要硬件、软件及其他服务组件的数据以预先明确机械类资产的维护要求。它用于监控潜在或新出现的故障、预测容量超限、识别故障并确定剩余资产的使用寿命等。此外，AIOps 通过将 AI 技术用于 IT 运营，也是预测性维护的主要技术力量。

长期以来，预测故障并为其做好充分准备，一直是机械类运营的常态。直至近期，定期更换零部件成为避免发生服务性故障的最常见形式。

它一般很有帮助，但并非所有零件的故障率都相近，过早更换是一种对平均值和近似值的浪费，此外，仅仅依赖定期维护，系统很可能无法检测到预期之外出现缺陷的零件其实际或将发生的故障。另一种减少停机时间的策略是在某处出现故障时，更换全部部件，都不用确定具体是哪个部件出现了问题，这种策略的缺点非常明显——成本太高。

细分行业不同，但合同服务水平协议 (SLA) 一般要求企业组织严格在 24×7 全天候的基础上交付服务或材料，否则将面临严重处罚以及高昂罚金。其他情况下，设备故障可能会因供应链中断、库存损失、客户流失以及运营减缓等状况而引发的连锁反应，招致额外的收入损失。

但预测性维护有助于减轻系统停机的所有潜在后果：通过统计分析、传感器监控、高级分析和 AI 等，以准确预测何时、何处会发生故障，这是预测性维护的一大进步。

通过传感器，持续监控每一部件的健康状况，系统因而可以在故障“现身”之前就提醒到位，这是实施预测性维护计划的核心优势——您只需对应更换出现缺陷的部件，从而节省劳力与不必要的支出，并同时尽量保持最高的正常运行时间。此外，运行良好的预测性维护系统让您有充足的时间来安排维护计划，以尽力那个减少对正常业务的干扰。

引入机器学习和超大数据集处理的大数据技术已经发展成熟，可最大限度地减少停机时间和 MTTR（平均恢复时间）。它的好处显而易见，但现代企业组织依旧面临许多挑战，包括：

从传统被动的刺激反应

到现代化的预测性维护

▼

湖仓一体的统一分析平台 Vertica 将是您部署预测性维护的首要之选。在数据源源不断生成时，它甚至能持续监控来自设备组件极其庞大的数据集。

Vertica 拥有超过 650 个内置的有用函数，以同步、并行执行多种对预测性维护有用的高性能分析，如时间序列分析、事件模式匹配和机器学习等。处理流程见下图：

当机器学习用于预测性维护时，历史维护日志以及多年来所收集的传感器信息等，将累积在数据存储系统中，如 HDFS 等文件系统或 S3 等对象存储位置。机器学习模型可基于该数据训练，以识别所指示的潜在问题模式；然后，最新数据从设备及其组件流入，并由经过训练的模型审查，任何潜在问题被发现时会触发警报，以便您的团队在故障真正发生之前就计划好并采取补救措施。

别犹豫了，Vertica 就是您的理想之选。