物聯網催生了一系列維護物理資產的新方法。從工廠車間的機器，到建筑物能源系統的元件，再到車輛，無數套件現在都配備了連網傳感器。
這些幾乎可以測量任何東西，從溫度、特定功能的執行次數、耗材水平到關鍵性能指標——然后這些數據可用于提供比以往任何時候都更主動、更智能的維護方法。反過來，組織會在問題升級之前解決小問題，在*的時間規劃維護，并延長其最復雜和最昂貴物理資產的使用壽命。
但是，這種數據驅動的維護方法不止一種。在這篇文章中，我們來看看兩種關鍵維護類型之間的區別——預測性和規范性。
這兩種形式的維護都是主動的而不是被動的。也就是說，它們不是在發現故障后才進行維護，而是專注于預測潛在的故障。
什么是預測性維護？
預測性維護在工業和制造環境中變得越來越普遍。它側重于確定實物資產何時真正需要維護——可能是因為性能開始略有下降，或者是因為已經執行了一定數量的任務。如上所述，這是通過支持物聯網的設備來實現的，這些設備實時工作，提供有關機器狀況的最新信息。
因此，預測性維護依賴于持續或定期監測這些條件，并將這些信息傳輸到集中分析平臺。反過來，該平臺會建議進行維護的最佳時間。如前所述，這意味著可以為機器和更廣泛的操作安排最佳的維護時間，從而大大節約成本。
什么是規范性維護？
規范性維護通過引入額外的自動化層使預測性維護更進一步。不是簡單地監測機器的狀況并提供關于何時以及如何進行維護的建議，規范性維護旨在使機器本身能夠就維護步驟做出自己的決定。
因此，這需要人工智能 (AI) 和機器學習 (ML) 技術，它們不斷從維護建議中學習并改進。例如，一臺機器可能會建議降低當前的生產力，以便將時間延長到下一次所需的維護活動。機器學習調整其操作條件以獲得最佳結果，并在需要時智能地精確規劃維護。隨著時間推移，機器會收集更多數據，因此其建議也會有所改進。
與預測性維護一樣，這需要實時數據收集，但也需要能夠比較整個環境中的不同機器。由于規范性維護通過隨著時間推移分析數據而得到改進，因此您為系統“提供”的數據越多越好。
在實踐中，所有這些意味著規范性維護提供了比預測性維護更主動的方法。預測性維護可預測何時可能發生故障，以便您提前安排維護，而規范性維護旨在幫助您*避免所有類型的故障。
隨著物聯網、人工智能和機器學習技術的速度和*性不斷提高，智能化、自動化和前瞻性維護的機會也將大大增加。
