預測性維護

閱讀時間：15 分鐘

1 3 秒看懂

預測性維護（Predictive Maintenance，PdM）本質是“讓機器在壞之前告訴你”，通過感測器、物聯網和工業 AI，在裝置實際停機前預測其剩餘可用時長或即將出現的故障，從而在最優時間視窗執行檢修，而不是按固定週期浪費備件，或等壞了再搶修。它把維護決策從“按時執行”轉成“按需執行”，核心價值是降低非計劃停機、減少備件庫存和延長裝置壽命。

2 3 分鐘產業解釋

在製造、能源、交通等重資產行業，裝置維護長期處於一種兩難境地：一是“過度維護”，哪怕裝置狀態良好也按時更換，造成備件、人力和生產時間的大量浪費；二是“維護不足”，故障突然發生導致產線停工、安全事故甚至環境災難。根據美國能源部資料，預測性維護可使裝置可用性提升 15%~20%，維護成本降低 25%~30%（來源：U.S. Department of Energy，常見運營管理口徑，2020 年引用）。

預測性維護的產業落地依賴三大要素：第一是裝置聯網與資料基礎，需要振動、溫度、油液、電流等多維感測器，以及 PLC、MES 等系統產生的高頻時間序列資料；第二是工業 AI 演算法與模型，尤其是異常檢測、退化建模和剩餘使用壽命（RUL）預測；第三是維護決策系統，將預測結果嵌入生產排程與備件供應鏈，形成閉環。隨著邊緣計算和 5G 的普及，風機、電網變壓器、工程機械、高鐵、化工反應器等裝置正加速部署預測性維護，使其成為工業網際網路最先規模商業化的應用場景之一。

3 技術原理

預測性維護的技術棧從下到上可分解為六個層次：

• 感知層：加速度計、電渦流位移感測器、紅外熱像儀、油品顆粒計數感測器、超聲麥克風陣列等，以高頻採集裝置狀態資料。典型取樣率從 1Hz 的低速溫度採集到 20kHz 以上的振動頻譜分析。
• 資料治理與邊緣預處理：在邊緣閘道器或 PLC 上完成時間對齊、重取樣、濾波、缺失值填補和工況分割，將原始資料轉化成可用特徵流，並壓縮上雲端，降低傳輸與儲存成本。
• 特徵工程與物理對齊：從時域（均方根、峭度、峰值因子）、頻域（FFT 頻譜、包絡譜）、時頻域（小波變換、短時傅立葉變換）提取特徵，並與故障物理（如軸承內圈、外圈、滾動體損傷特徵頻率）對應，增強模型可解釋性。
• 異常檢測：早期故障訊號微弱且無標籤，常用無監督或半監督方法，如隔離森林、自編碼器、高斯混合模型，識別離群點並觸發初步告警。
• 退化建模與 RUL 預測：對檢測到異常的裝置，利用維納過程、指數退化模型或基於深度學習的序列模型（LSTM、TCN、Transformer）估計剩餘使用壽命，並給出不確定性區間。訓練依賴大量歷史全生命週期資料或遷移學習方法。
• 決策融合與維護排程：將多個模型的報警得分融合，結合業務約束（備件週期、人員班次、生產計劃）生成維護工單，並通過數字孿生模擬不同策略的成本與風險。

領域知識貫穿始終：沒有對軸承、齒輪、動平衡、熱膨脹等機理的深刻理解，特徵選擇和模型評估極易掉入過擬合或資料漂移陷阱。

4 關鍵引數

評價預測性維護方案技術水平的量化指標，主要包括：

• 預測時間視窗 (Prediction Horizon)：提前多長時間發出可靠預警。風電齒輪箱要求至少提前 7~14 天，航空發動機則期望提前 50 飛行小時以上。
• 虛警率 (False Positive Rate) 與漏報率 (False Negative Rate)：虛警導致不必要的維護，漏報直接造成事故。工業界通常要求虛警率低於 10%，漏報率低於 5%，但在小樣本故障資料下平衡二者極難。
• RUL 預測精度：常用均方根誤差（RMSE）或平均絕對百分比誤差（MAPE），航空領域要求故障時刻預測誤差不超過實際壽命的 20%。
• 模型漂移與更新週期：因裝置磨損、負載變化或批次差異，模型需線上增量更新或定期重訓，更新週期從數天到數月不等。
• 邊緣端推論延遲：對高速旋轉機械，需在毫秒級完成推論以嵌入即時控制迴路；對慢變過程如變壓器溫度，秒級延遲即可接受。
• 資料覆蓋度與取樣率：振動資料至少 2kHz 以上，油液分析可能按小時或天級取樣，資料缺失率是關鍵工程指標。
• 投資回報率 (ROI)：客戶方考核的綜合經濟指標，通常要求專案投資回收期不超過 2~3 年。公開資料未見統一行業中位數，但據波士頓諮詢 2023 年一份報告，智慧維護專案平均 ROI 可達 200%~500%，來源：BCG《AI in Operations》，2023 年，樣本涵蓋全球 200 家制造企業。

5 技術路線

當前預測性維護主要存在三條技術路線，並在實踐中逐步融合：

• 物理模型驅動：以轉子動力學、疲勞壽命方程、熱力學模型等為基礎，結合卡爾曼濾波或粒子濾波估計健康狀態。優點是可解釋強、小樣本下可靠，缺點是建模週期長、受工況變化影響，需要精確的 CAD 和材料引數。以航空發動機的葉片裂紋擴充套件模型、燃氣輪機的熱力學效能衰退模型為代表。
• 資料驅動（AI 優先）：不依賴物理方程，直接從歷史感測器資料和維修工單中學習模式。典型方法包括時序深度學習、梯度提升樹、自編碼器。優勢是部署快，適合資料豐富且工況複雜的場景；劣勢是缺乏黑箱解釋性、對資料分佈漂移敏感，以及故障資料量嚴重不足導致的“冷啟動”問題。
• 混合模型 (Hybrid)：將物理簡化模型與資料驅動模組串聯，如先由物理模型進行殘差生成，再對殘差做異常檢測；或用物理知識設計特徵後再訓練輕量網路。這是工程落地的折中選擇，也是西門子、ANSYS 等工業軟體廠商主推的方向。

此外，聯邦學習正被探索用於跨工廠、跨企業的模型共享，解決單個客戶故障樣本稀缺的問題；因果推斷方法則試圖區分“相關”與“因果”，避免季節性負載變化被誤判為部件退化。

6 上游

預測性維護產業的上游供給方，主要包括：

• 感測器與晶片：高精度 MEMS 加速度計（博世、ST、ADI）、電渦流感測器（本特利、Metrix），工業紅外熱像儀（FLIR、高德紅外），超聲感測器等。以振動感測器為例，2022 年全球工業振動感測器市場規模約 14.6 億美元（來源：MarketsandMarkets, 2023 年釋出，口徑含感測器模組與變送器）。
• 邊緣計算硬體與閘道器：工業邊緣閘道器（研華、凌華科技、戴爾邊緣）、FPGA/GPU 推論卡（輝達 Jetson、英特爾 Myriad、Xilinx Kria），用於現場即時推論。2023 年全球邊緣計算硬體在工業領域的支出約 42 億美元（來源：IoT Analytics，2023 年 5 月報告，口徑含閘道器、伺服器、嵌入式裝置）。
• 雲端基礎設施與 IoT 平台：AWS IoT、Azure IoT Hub、阿里雲端 IoT 等提供裝置管理、資料入湖、時序資料庫等基礎能力，通常按連線裝置數或資料流量收費。
• 工業自動化系統與資料來源：PLC、SCADA、MES 廠商（西門子、羅克韋爾、施耐德、艾默生）所掌握的控制系統，既是預測模型的資料輸入來源，也常常成為模型下發控制指令的執行器。

上游的技術迭代直接影響預測性維護成本：更廉價的 MEMS 感測器和更高頻寬的 5G 模組使得原本因部署成本高昂無法監控的輔助裝置也開始納入預測維護範疇。

7 下游

下游應用行業高度分散，落地深度不一：

• 風力發電：最為成熟的細分場景，對齒輪箱、主軸軸承、發電機軸承進行振動和溫度監控，可降低海上風電運維船出動頻率。據全球風能理事會（GWEC）2023 年報告，全球風機預測性維護滲透率已超過 40%，領先整機商均配套 CMS（狀態監測系統）與預測分析。
• 航空航天與國防：發動機健康管理（EHM）是預測性維護理唸的起源領域。GE、羅羅、普惠等基於飛行資料即時分析發動機效能退化，代表產品有 GE 的 Predix Asset Performance Management 適配發動機艦隊。
• 油氣與石化：壓縮機、泵、管道閥門等關鍵裝置的預測維護，三一、科氏工業等佔據領先。通常結合工藝引數（流量、壓力、溫度）與振動訊號。公開資料顯示，國際油氣巨頭的 PdM 專案投資回報週期可短至 1~2 年。
• 流程製造（鋼鐵、水泥、造紙）：著重於旋轉窯、軋機、碎磨機等大型連續運轉裝置，停一小時的損失常達數十萬至上百萬美元。預測性維護與工藝最佳化融合，例如減少停機次數保證連續生產。
• 離散製造（汽車、電子）：機器人關節、機床主軸、AGV 電池健康度的預測維護開始興起，但受困於裝置品牌多、資料協議碎，部署成本較高。
• 電力與電網：變壓器、斷路器、電纜接頭等電力裝置的狀態監測，藉助局放、油中溶解氣體和紅外測溫等，預防電網大面積停電。國家電網、南方電網已開展大規模試點。
• 軌道交通：高鐵軸溫、受電弓、軌道的預測維護，以中國中車、鐵科院牽頭，結合軌旁檢測系統和途中的資料回傳，中國在該領域部署處於全球前列。

8 受益公司

以下列舉在預測性維護產業鏈佔據不同環節的代表性企業，不構成任何投資建議：

• 獨立 AI/IoT 預測平台

  • Uptake：聚焦重型裝備和風電，提供 PaaS 級預測維護。2023 年起逐步將技術嵌入保險與裝置租賃業務。
  • C3.ai：企業級 AI 套件，包含預測性維護模組，面向製造、能源、國防。2024 財年營收約 3.1 億美元（來源：C3.ai 2024 年 5 月釋出的 FY2024 財報，口徑為總營收）。
  • SparkCognition：以航空航天與能源預測性維護見長，2023 年與殼牌合作開發海上油田數字孿生解決方案。

• 工業巨頭自建平台

  • 西門子：通過 MindSphere 與 Xcelerator 整合，推出 Industrial AI 預測維護服務，覆蓋機床、電機、配電等，內部資料來自西門子自動化產品的天然安裝基數。2023 財年數字化工業業務營收 240 億歐元（來源：西門子 2023 財年年報，口徑含整個數字化工業部門，非單純預測性維護）。
  • GE Vernova：繼承原 GE Digital 的 Predix 平台，聚焦發電和電網裝置 APM，2024 年分拆獨立後，繼續擴充套件對氣電、風電、水電資產的即時監控。
  • ABB：在其 Ability™ 平台下推出 Genix Asset Advisor，結合運動控制與電氣裝置領域專家知識，2024 年 3 月更新版本加入了基於 Causal AI 的預測功能。
  • 施耐德電氣：EcoStruxure 開放自動化平台上整合電氣資產預測維護，通過 EcoStruxure Machine Advisor 觸達中小型機械廠。

• 國內廠商

  • 樹根互聯（根雲端平台）：源於三一重工，深耕工程機械與裝備製造，截至 2023 年接入工業裝置超 128 萬臺，預計 2024 年營收超過 20 億元（來源：公開市場估算，尚未上市）。
  • 蘑菇物聯：專注通用工業裝置（空壓機、冷站、乾燥機）預測性維護，已服務上千家工廠，2023 年完成 D 輪融資，估值未揭露。
  • 雪浪雲端、朗坤智慧：偏向流程工業與電力，提供以數字孿生為底座的預測維修模組。
  • 科大訊飛工業：“工業聽診”利用音訊感測器和聲紋識別技術實現旋轉機械與變壓器預測性維護，在多家石化、電力企業落地。

• 上游硬體與工具

  • 本特利內華達（Bently Nevada，貝克休斯旗下）：振動位移感測器與監測系統的龍頭企業，2023 年與 AWS 合作推出雲端端預測分析服務。
  • NI（現為 Emerson 測試與測量）：提供資料採集硬體和邊緣分析平台，廣泛用於實驗室到現場原型部署。

9 市場規模

不同諮詢機構對預測性維護市場規模的統計口徑差距較大，通常將軟體、服務、硬體整合估算。以下列出主要公開資料，均標註年份和來源：

• MarketsandMarkets 2023 年報告：2023 年全球預測性維護市場規模約為 69 億美元，預計到 2028 年達到 211 億美元，年複合增長率（CAGR）約 25.3%。其中，服務與軟體佔據約 70%，北美和歐洲合計佔 65% 以上。
• Grand View Research 2024 年釋出：2023 年市場規模 78 億美元，至 2030 年有望達到 320 億美元，CAGR 為 21.8%。該口徑納入了更廣泛的遠端監測服務。
• IoT Analytics《Predictive Maintenance Market Report 2024–2028》：2023 年市場規模 65 億美元（軟體和服務），預計 2028 年達到 168 億美元，CAGR 20.9%。該機構強調變造與能源兩行業合計貢獻超過 55% 的市場份額。
• 中國工業網際網路研究院 2023 年白皮書：中國預測性維護市場 2023 年約 116 億元人民幣（含軟體、硬體、服務），預計 2027 年將突破 360 億元人民幣，年均增速 32.5%。增速高於全球主要由於大中型國企數字化轉型政策推動和龐大的裝置基數。

需要指出，上述資料為市場測算，實際頭部公司相關業務營收暫未達到百億人民幣量級，市場仍處於早期規模化階段，大量收益分散於系統整合商和自動化服務商手中。

10 玩家對比

基於公開資訊，將關鍵玩家在行業側重、部署模式和技術特點上進行非排名的橫向對比（口徑截至 2024 年 6 月）：

玩家	核心產品/平台	主要行業	部署模式	演算法特色
Uptake	Uptake Platform	風電、礦業、工程機械	公有雲端/私有部署	無監督異常檢測與資產級 RUL 融合
C3.ai	C3 AI Reliability	能源、國防、製造	公有雲端 (Azure/AWS)	統一型別系統，整合多資料來源，因果模型
西門子	MindSphere + Industrial AI	機床、電機、配電、汽車	雲端邊協同（邊緣完成主要推論）	深度結合 SIMATIC/SINUMERIK 控制器的物理模型
GE Vernova	SmartSignal + APM	發電、電網	混合雲端	基於相似裝置比較的智慧預警
ABB	Ability Genix	運動控制、電機、化工	邊雲端一體	2024 年引入 Causal AI 進行根因分析
樹根互聯	根雲端平台	工程機械、混凝土、車	公有雲端+私有化	基於三一裝置海量資料的定製演算法，側重工況自適應
蘑菇物聯	雲端邊一體工業網際網路	空壓機、製冷、泵	邊緣閘道器+ SaaS	專注通用裝置，特徵庫標準化，輕量級 LSTM
科大訊飛	工業聽診系統	電力、石化、鋼鐵	邊緣麥克陣列+雲端端聲紋庫	自研聲紋識別模型，非侵入式安裝
本特利	System 1 + 雲端端分析	油氣、電力、乙烯	邊緣採集，雲端端可選項	結合轉子動力學模型和振動特徵頻率

注：由於大部分公司未單獨揭露預測性維護業務營收，公開資料未見精確市場份額資料。上表僅反映技術路徑差異。

11 風險

預測性維護的大規模推廣仍面臨多重結構性風險：

• 資料質量與標籤缺失：多數工廠缺乏系統化的故障標籤與完整生命週期資料，且感測器本身量測噪音大。無監督模型易產生大量虛警，導致使用者失去信任。
• 高部署與定製成本：儘管雲端服務降低了准入門檻，但前端感測器安裝、資料工程與專家調參仍需耗費大量人力，導致單個專案很少低於人民幣 50 萬~100 萬元，限制了中型企業滲透。
• 模型漂移與可遷移性差：裝置執行環境、工況、維護記錄一旦變化，模型準確率可能斷崖式下降，需頻繁再訓練或重調特徵，長期運營成本被低估。
• 網路安全與物理安全耦合：將裝置聯網並遠端下發維護指令，增加了被網路攻擊的暴露面。極端的場景如通過操控振動資料掩蓋真實故障，可能引發災難性事故。
• 組織與流程變革阻力：維護決策從人工經驗轉向資料驅動，觸動了維修團隊、備件採購等部門的現有利益格局，企業內部推廣困難。
• 缺乏統一標準：預測性維護的術語、評估指標、資料介面均未形成國際通用標準，導致系統整合難度大，甲方難以橫向比較方案，易產生劣幣驅逐良幣。

12 誤讀糾偏

產業和資本市場對預測性維護存在一些典型誤解，需澄清：

• “預測性維護可以完全避免故障”：現實中即使最先進的系統也無法在 100% 情況下提前預報，特別是在全新失效模式或外物撞擊等偶發事件下。正確預期是在 80%~90% 的常見模式內實現可靠預警。
• “有感測器和 AI 就能做預測維護”：感測器是前提，但裝置機理、故障物理和長期運維經驗才是核心。大量專案失敗源於輕視特徵工程與領域知識，盲目上深度學習。
• “預測性維護就是 CBM（基於狀態的維護）”：CBM 僅根據當前閾值報警，預測性維護的價值在於回答“還能用多久”和“何時修最優”，需要時序建模和規劃，遠不止告警。
• “上雲端最安全最高效”：預測性維護對即時性要求極高，許多場景必須邊緣推論。純雲端端方案受網路延遲和穩定性制約，只適用於秒級及以上容忍度的場景。
• “這會完全替代維修工人”：相反，預測性維護旨在提升人員效率，使其從計劃性巡檢中解放，專注於高價值診斷和緊急處理，本質是人機協同而非替代。

13 最新事件

按時間順序整理 2023 年至 2024 年 6 月與預測性維護相關的公開事件，來源為官方新聞與公開報告：

• 2023 年 1 月：工信部釋出《工業網際網路專項工作組 2023 年工作計劃》，明確將“推動裝置預測性維護、健康管理等應用”列入重點方向，若干省份相繼出臺配套補貼政策。
• 2023 年 6 月：貝克休斯宣佈將其本特利 Nevada 系統與 AWS 深度融合，推出面向油氣行業的雲端端 APM 解決方案，標誌著傳統硬體廠商加速向 SaaS 轉型。
• 2023 年 10 月：西門子在慕尼黑髮布了 Industrial AI 模組，嵌入 Xcelerator 平台，首次將預測維護與生成式 AI 結合，用於輔助維修工程師的自然語言查詢和故障排查建議。
• 2024 年 2 月：GE Vernova 正式分拆上市後，宣佈投資 2 億美元擴建其數字化資產績效管理（APM）業務，重點為電網變壓器和儲能系統開發預測性維護模型。
• 2024 年 3 月：ABB 推出 Ability Genix Asset Advisor 的因果分析擴充套件，聲稱可在數小時內識別導致報警的根本原因，並在某化工廠試點中將誤報降低 42%。
• 2024 年 4 月：樹根互聯完成科創板 IPO 問詢，招股書揭露 2023 年其預測維護相關營收約 2.8 億元人民幣，年增率增長 68%，主要來自工程機械和新能源裝備。（來源：上交所問詢回覆檔案）
• 2024 年 5 月：中國工程院釋出的《智慧製造發展戰略研究》中，將預測性維護列為制約國產工業軟體突破的關鍵技術之一，呼籲加快制定國家標準。
• 2024 年 6 月：特斯拉得州超級工廠被媒體報道在沖壓與壓鑄車間大規模應用自主開發的預測性維護系統，利用內部約 2 萬個感測器資料即時監控模具壽命，暫無官方詳細技術揭露。

14 追蹤指標

持續追蹤預測性維護賽道景氣度和產業進展，可關注以下高頻指標：

• 工業網際網路平台連線裝置數：樹根互聯、卡奧斯、雪浪雲端等平台定期揭露的接入裝置數量及增速，反映滲透率提升。
• 感測器出貨量資料：工業振動感測器、油液感測器、紅外熱像儀的年度出貨量（通常可由廠家如博世、ADI 財報及 IHS 報告獲得）。
• 預測性維護相關專利年申請量：通過世界智慧財產權組織或中國國家智慧財產權局檢索 “predictive maintenance” 或 “預測性維護” 關鍵詞，衡量技術活躍度。
• 重點企業訂單與營收增長：如 Uptake（若非上市則關注融資和夥伴公告）、C3.ai 的訂閱營收增長率、樹根互聯的合同負債變化。
• 政策與標準落地：工信部、各省市釋出的智慧化改造補貼、診斷政策覆蓋率，以及預測性維護國家標準制定進度。
• 故障資料開放與競賽：如 PHM（Prognostics and Health Management）協會舉辦的挑戰賽、Kaggle 上相關競賽數量，反映學界和產業對資料的需求熱度。
• 典型案例公開的 KPI 節約：風電場機組非計劃停機時間、化工廠關鍵裝置連續執行天數等，通常由使用者企業 ESG 報告或供應商白皮書揭露。

15 信源

梳理本文引用的主要資訊源與建議持續關注的公開報告：

• 市場研究：
  • MarketsandMarkets, “Predictive Maintenance Market – Global Forecast to 2028”, 2023.
  • Grand View Research, “Predictive Maintenance Market Size & Trends Report, 2030”, 2024.
  • IoT Analytics, “Predictive Maintenance Market Report 2024–2028”, 2024.
  • 中國工業網際網路研究院，《中國預測性維護產業發展白皮書》，2023.
• 企業公開檔案：
  • 西門子 2023 財年年報；C3.ai FY2024 年報；樹根互聯招股說明書（上交所問詢回覆）；貝克休斯 2023 年年報與新聞稿。
  • ABB、GE Vernova 官方產品釋出部落格，2024 年 3-6 月。
• 行業組織與機構：
  • 美國能源部（U.S. DOE）《Operations & Maintenance Best Practices Guide》，2020 版。
  • 全球風能理事會（GWEC）《Global Wind Report 2023》。
  • 波士頓諮詢（BCG）《AI in Operations: The Engine of the Next Industrial Revolution》, 2023.
• 媒體與專項分析：
  • 路透社/彭博社關於特斯拉工廠維護體系報道，2024 年 6 月。
  • 中國工信部網站，《工業網際網路專項工作組 2023 年工作計劃》。
  • PHM Society 官網公開學術論文及競賽資料。
• 其他參考：凡未在上述資料或公開新聞中找到明確資料的，均已在文中標註“公開資料未見”。