近年人工智能和物聯(lián)網(wǎng)就像佛道兩教，經(jīng)過“有機(jī)交融”逐漸為對方所接納，如此背景下，一些企業(yè)正在經(jīng)歷從“物聯(lián)網(wǎng)”到“智聯(lián)網(wǎng)”的蛻變。一方面，物聯(lián)網(wǎng)正在從“連接”走向“智能”，另一方面，人工智能正在從“云端”走向“邊緣”，兩者形成合力推進(jìn)著“物聯(lián)網(wǎng)”向“智聯(lián)網(wǎng)”的進(jìn)化。

如今，已經(jīng)起跑的智聯(lián)網(wǎng)初創(chuàng)公司逐步扎穩(wěn)了根基，獲得了“天使客戶”的認(rèn)可，產(chǎn)生了持續(xù)造血能力。

是時(shí)候來梳理一下這批公司的***進(jìn)展，看看他們做了些什么，做對了什么。

[[242320]]

占領(lǐng)數(shù)據(jù)制高點(diǎn)是智聯(lián)網(wǎng)公司生存的根本

縱觀智聯(lián)網(wǎng)企業(yè)，他們當(dāng)中大部分所選擇的切入動作高度一致，那就是首先為B2B領(lǐng)域的企業(yè)提供設(shè)備的狀態(tài)監(jiān)測和預(yù)測性維護(hù)服務(wù)。

預(yù)測性維護(hù)，屬于事先維護(hù)，基于安裝在設(shè)備上的各種傳感器，實(shí)時(shí)監(jiān)控設(shè)備運(yùn)行狀態(tài)，通過數(shù)據(jù)透析，如果發(fā)現(xiàn)故障隱患，則能防患于未然，自動觸發(fā)報(bào)警或修理命令。

如此整齊的動作背后，具有相當(dāng)充分的理由。

• 首先，市場規(guī)模夠大。由于市場中的存量設(shè)備數(shù)目可觀，80%以上的設(shè)備還沒采用有效的預(yù)測性維護(hù)方案，而設(shè)備維護(hù)產(chǎn)生的費(fèi)用超過設(shè)備總體生命周期成本的50%。根據(jù)IoT Analytics的市場報(bào)告，2016-2022年預(yù)測性維護(hù)的復(fù)合年均增長率CAGR為39%，到2022年總體支出將達(dá)到10.96億美元。
• 其次，經(jīng)濟(jì)收益容易衡量。從B2B企業(yè)內(nèi)部來看，預(yù)測性維護(hù)用于優(yōu)化生產(chǎn)操作，將會帶來20-30%的效率增益;從外部來看，OEM設(shè)備制造商如果引入預(yù)測性維護(hù)服務(wù)，將有可能扭轉(zhuǎn)競爭業(yè)態(tài)，獲得附加收益。
• ***，從戰(zhàn)略角度評估，預(yù)測性維護(hù)正在成為觸發(fā)制造業(yè)服務(wù)化重大轉(zhuǎn)變的“催化劑”，初創(chuàng)公司甚至有望借助預(yù)測性維護(hù)這個(gè)全新引擎彎道趕超傳統(tǒng)巨頭們。

前段時(shí)間大熱的人工智能，利用新型算法，為我們提供了嶄新的數(shù)據(jù)處理與分析的方式。然而為什么人工智能在2014年之后，熱度才開始野蠻生長突破次元呢?

AlphaGo戰(zhàn)勝李世石的歷史性事件只是將AI帶入了大眾視野，完成從專業(yè)到普及的轉(zhuǎn)變，真正讓AI浮出水面的底層驅(qū)動力是各行業(yè)中數(shù)據(jù)資源累積到一定程度后由量變引發(fā)的質(zhì)變。

巧婦難為無米之炊。從上世紀(jì)70年代互聯(lián)網(wǎng)誕生之后，大量的數(shù)據(jù)從互聯(lián)網(wǎng)、移動互聯(lián)網(wǎng)、物聯(lián)網(wǎng)的各種智能設(shè)備中源源不斷產(chǎn)生，積累到一定的規(guī)模和階段，才提供了人工智能的用武之地。

因此，智聯(lián)網(wǎng)如能***化的發(fā)揮各種機(jī)器學(xué)習(xí)算法的超能力，足量的結(jié)構(gòu)化數(shù)據(jù)是必要的基礎(chǔ)條件。

也就是說，智聯(lián)網(wǎng)公司首先需要解決數(shù)據(jù)獲取的問題，并且不斷搶占數(shù)據(jù)之爭的制高點(diǎn)，可以說誰掌握了底層數(shù)據(jù)，誰就掌握了智聯(lián)網(wǎng)未來的基石。

智聯(lián)網(wǎng)并不是“新手段”

對于預(yù)測性維護(hù)而言，人工智能其實(shí)是解鎖了前人“無米之炊”而被迫擱淺的“笨辦法”，并不是創(chuàng)造了什么“新手段”。

首先，以前的故障診斷，一些致命的故障發(fā)生的情況非常罕見，幾百臺機(jī)器才有可能重復(fù)發(fā)生同一種故障，好不容易分析出一種故障模式，到了機(jī)器報(bào)廢也沒有再次發(fā)生，故障模式提煉出來可能也派不上用場。

其次，在設(shè)備并沒有普遍聯(lián)網(wǎng)的情況下，部署昂貴的傳感器和監(jiān)控系統(tǒng)，進(jìn)行遠(yuǎn)程故障診斷，往往只有擁有重型設(shè)備和網(wǎng)絡(luò)基礎(chǔ)設(shè)施完善的大企業(yè)才能負(fù)擔(dān)得起。面對數(shù)量眾多的中小型設(shè)備，狀態(tài)監(jiān)測主要靠工人巡檢完成，加之當(dāng)人力成本較低時(shí)，一次性投入開銷不大，反而是持續(xù)監(jiān)控的投入太大，***都知道該怎么選。

隨著停機(jī)檢修和人力成本的提升，大多數(shù)企業(yè)已經(jīng)認(rèn)識到“拐點(diǎn)”的到來，開始拋棄一次性投入的思維，學(xué)著計(jì)算總賬，也就是總體擁有成本TCO，這種思維的轉(zhuǎn)變使得預(yù)測性維護(hù)逐步在中小型企業(yè)中有了市場。

***，很多應(yīng)用場景中原先沒有數(shù)據(jù)采集的傳統(tǒng)，需要想辦法把數(shù)據(jù)采集上來，完成從0到0.1的突破。由于IT成本的下降，以及傳感器和工業(yè)通訊等成本的降低，通過人工智能等算法分析多個(gè)維度的大量歷史數(shù)據(jù)，進(jìn)行設(shè)備畫像，讓精準(zhǔn)預(yù)測性維護(hù)成為一個(gè)長期“經(jīng)濟(jì)”選項(xiàng)。

因此我們就從智聯(lián)網(wǎng)初創(chuàng)公司獲取數(shù)據(jù)的3種典型方式開始談起：包括讀取機(jī)器故障庫的數(shù)據(jù)資源、與匯聚過程數(shù)據(jù)的平臺打通，以及通過虛擬或輕量傳感器逐步積累數(shù)據(jù)。

智聯(lián)網(wǎng)公司掌握數(shù)據(jù)大權(quán)的3種典型方式

1. 當(dāng)實(shí)時(shí)狀態(tài)信號遇到機(jī)器故障數(shù)據(jù)庫

雖然許多企業(yè)擁有的大量的歷史設(shè)備和流程數(shù)據(jù)，但卻往往缺乏故障數(shù)據(jù)，因?yàn)檫@些數(shù)據(jù)很難捕捉和保存。缺乏故障數(shù)據(jù)，即便仍可進(jìn)行狀態(tài)監(jiān)測，但預(yù)測性維護(hù)的有效性無法保證。

最直觀的想法是在設(shè)備故障數(shù)據(jù)庫上下功夫，如果某家企業(yè)能夠掌握成千上萬臺設(shè)備的歷史故障數(shù)據(jù)，這樣當(dāng)一臺設(shè)備出現(xiàn)故障時(shí)，成千上萬臺設(shè)備中有很大概率出現(xiàn)過類似情況，別人處理相同故障的經(jīng)驗(yàn)可以被復(fù)用，及時(shí)解決故障問題，不僅讓舊數(shù)據(jù)價(jià)值釋放，同時(shí)創(chuàng)造了新的個(gè)體價(jià)值。

那么世界上是否存在這樣的數(shù)據(jù)庫呢?你能想到的，前人早就想過了。

比如，APT公司(Asset Performance Technologies)的資產(chǎn)戰(zhàn)略資料庫ASL，可以說是全球最全面的工業(yè)設(shè)備故障數(shù)據(jù)庫。雖然APT公司成立于2004年，但ASL資料庫此前便開始積累，利用超過20年的時(shí)間，收集了關(guān)于電力、采礦、煉鋼等行業(yè)近800種重要設(shè)備的故障相關(guān)信息，可以提供FMEA失效模式效應(yīng)分析和維護(hù)策略建議。

ASL資料庫對于智聯(lián)網(wǎng)公司的戰(zhàn)略意義不言而喻。如果將實(shí)時(shí)機(jī)器振動數(shù)據(jù)與故障數(shù)據(jù)庫中寶貴的專家經(jīng)驗(yàn)相結(jié)合，就可以更加有效的監(jiān)測、過濾和響應(yīng)故障情況，極大提升預(yù)測性維護(hù)的智力和執(zhí)行力。

具備戰(zhàn)略眼光，看重ASL價(jià)值的智聯(lián)網(wǎng)公司名為Uptake，他們以并購的方式獲得了APT公司以及ASL資料庫的控制權(quán)。目前Uptake的估值是23億美元，客戶包括卡特彼勒、伯克希爾哈撒韋公司的能源部門等。

2. 振動信號與過程數(shù)據(jù)相結(jié)合

企業(yè)中的數(shù)據(jù)格式差異很大，有些是高度結(jié)構(gòu)化的，比如傳感器數(shù)據(jù)，相對容易解析;有些是非結(jié)構(gòu)化的，比如維護(hù)日志——針對同一臺設(shè)備出現(xiàn)的同一種狀況，一名操作員可能會記錄“壓縮機(jī)泄漏了一種聞起來像臭雞蛋的淺棕色液體”，而另一名有可能則會寫下“壓縮機(jī)流出一種像醬油一樣的東西，聞起來沒有食欲”…

訓(xùn)練機(jī)器學(xué)習(xí)模型，理解這些信息的含義，以及進(jìn)行多種維度的數(shù)據(jù)集成，對來自不同信號源的數(shù)據(jù)重要性予以劃分，以便自動對故障模式和維護(hù)建議進(jìn)行分類，這些工作耗費(fèi)了智聯(lián)網(wǎng)公司很多的時(shí)間和精力。

但只做這些仍舊是不全面的。如果只獲取機(jī)器振動相關(guān)的信號，對于預(yù)測性維護(hù)來說，往往還不夠完備。雖然處理振動相關(guān)的多變量時(shí)序數(shù)據(jù)，從中提取特征已經(jīng)不容易，但做好預(yù)測性維護(hù)是個(gè)難上加難的課題，振動數(shù)據(jù)需要進(jìn)一步與過程運(yùn)營數(shù)據(jù)相結(jié)合，才能準(zhǔn)備掌握設(shè)備的健康狀態(tài)。

在電力、石油、化工、冶金等各種流程行業(yè)，普遍將實(shí)時(shí)數(shù)據(jù)庫和過程控制系統(tǒng)進(jìn)行整合來實(shí)現(xiàn)生產(chǎn)過程的優(yōu)化。這些系統(tǒng)中流動著生產(chǎn)過程中的實(shí)時(shí)數(shù)據(jù)，是企業(yè)最有價(jià)值的信息財(cái)富，是整個(gè)企業(yè)信息系統(tǒng)的核心和基礎(chǔ)。

但在一般情況下，設(shè)備振動數(shù)據(jù)和流程控制數(shù)據(jù)分別存儲在兩個(gè)獨(dú)立的系統(tǒng)中，彼此之間并不集成。預(yù)測性維護(hù)恰恰需要振動數(shù)據(jù)與運(yùn)營數(shù)據(jù)緊密反饋和頻繁融合，而且這種操作***自動完成，以減輕中小企業(yè)對于人力和資本投入的負(fù)擔(dān)。

[[242321]]

于是有些智聯(lián)網(wǎng)公司想到與現(xiàn)有的實(shí)時(shí)數(shù)據(jù)庫企業(yè)合作，通過數(shù)據(jù)庫的打通來降低雙方獨(dú)自作戰(zhàn)模式下進(jìn)入預(yù)測性維護(hù)的門檻，比如Petasense和OSIsoft之間的合作。Petasense成立于2014年，是初創(chuàng)的智聯(lián)網(wǎng)公司，監(jiān)控關(guān)鍵旋轉(zhuǎn)機(jī)器的運(yùn)行狀況，提供預(yù)測性維護(hù)解決方案。OSIsoft成立于1980年，是一家實(shí)時(shí)數(shù)據(jù)管理軟件制造商，旗下的PI實(shí)時(shí)數(shù)據(jù)庫系統(tǒng)已經(jīng)被廣泛應(yīng)用于流程行業(yè)。Petasense和OSIsoft聯(lián)合推出的預(yù)測性維護(hù)解決方案，正在被硅谷電力公司使用。

3. 虛擬化或輕量型傳感器

意識到數(shù)據(jù)的重要性，一些智聯(lián)網(wǎng)公司開始使用低成本的創(chuàng)新手段采集數(shù)據(jù)，比如針對石油和天然氣行業(yè)的虛擬多相流量計(jì)。這種虛擬流量計(jì)基于云平臺的數(shù)據(jù)應(yīng)用驅(qū)動，將物理模型和機(jī)器學(xué)習(xí)相結(jié)合，降低購買、安裝和維護(hù)成本。

還有一些智聯(lián)網(wǎng)公司正在想辦法，利用軟硬件一體化的低成本無線傳感器，從原先沒有數(shù)據(jù)的啞設(shè)備和啞環(huán)境中把數(shù)據(jù)采集上來，完成從0到0.1的突破。

能夠?qū)崿F(xiàn)這種突破的技術(shù)背景和根本原因有4點(diǎn)：

• 無線連接的普遍存在，以及連接成本的持續(xù)降低
• 小型化的低成本傳感器大量可用
• 企業(yè)開始接受邊緣計(jì)算和云平臺協(xié)同的思路
• 使用人工智能監(jiān)控時(shí)序傳感器數(shù)據(jù)變得可行

當(dāng)上述這些趨勢形成組合方案時(shí)，便有可能形成突破性的力量。這些軟硬件一體化的無線傳感器采集現(xiàn)場信號，按照一定的周期，或者超過閾值時(shí)，將數(shù)據(jù)上傳到云端。如果情況比較復(fù)雜，無線傳感器有可能搭載分析模塊，利用AI芯片檢測設(shè)備異常。

提供相關(guān)產(chǎn)品的智聯(lián)網(wǎng)公司不少，此處不再一一列舉。還有一些公司的做法是，通過在其傳統(tǒng)設(shè)備外掛“可穿戴式”傳感器的方式，完成功能升級、產(chǎn)品迭代。

決定智聯(lián)網(wǎng)公司能走多遠(yuǎn)的，不是算法，而是數(shù)據(jù)。除了以上3種模式之外，面對數(shù)據(jù)從哪里來的問題，更多的智聯(lián)網(wǎng)公司正在給出自己的答案。

文中選出作為代表的智聯(lián)網(wǎng)公司，普遍創(chuàng)立于2014年左右，也就是在AlphaGo戰(zhàn)勝李世石之前。在各種趨勢的潮起潮落中，如果想“落潮應(yīng)該體面，誰都不要說抱歉”，那么在漲潮前就要想好要承擔(dān)的責(zé)任。

本文小結(jié)

• 智聯(lián)網(wǎng)公司首先需要解決數(shù)據(jù)獲取的問題，并且不斷搶占數(shù)據(jù)之爭的制高點(diǎn)，可以說誰掌握了底層數(shù)據(jù)，誰就掌握了智聯(lián)網(wǎng)的未來。
• 智聯(lián)網(wǎng)初創(chuàng)公司獲取數(shù)據(jù)的3種典型方式：讀取機(jī)器故障庫的數(shù)據(jù)資源、與匯聚過程數(shù)據(jù)的平臺打通，以及通過虛擬或輕量傳感器逐步積累數(shù)據(jù)。
• 對于預(yù)測性維護(hù)而言，人工智能其實(shí)是解鎖了前人沒法運(yùn)用的“笨辦法”，并不是什么“新手段”。