IBM 和亚马逊等大型公司长期以来一直依赖一种名为“预测性维护”的策略来确保其工业运营平稳运行。预测性维护技术结合硬件和软件，用于监测工业机械的健康状况，并在问题恶化之前发现问题，例如部件过热或压力泄漏。传感器收集设备的性能数据，然后软件分析这些数据以查明问题所在。

预计该技术的需求将会上升：《财富商业洞察》预测全球预测性维护市场每年将增长 26.5%，到 2032 年将达到 707.3 亿美元。

这正是人工智能发挥作用的地方。包括生成式人工智能和人工智能机器人在内的人工智能领域的进步，或许能促进这一增长。随着人工智能能力的不断提升，制造商正在将先进的算法集成到他们的维护系统中，他们坚信更智能、更快速的预测将改善业务运营并节省成本。

也就是说，如果成长的烦恼不会阻碍的话。

人工智能和机器人正在增强预测性维护

制造商用于识别潜在机械故障的旧系统经常会发出误报，导致维护团队不堪重负，导致不必要的零件更换和劳动力浪费。现在，一些像 Aquant 这样的初创公司正依靠人工智能来更快、更准确地发现问题。

Aquant 表示，其人工智能算法可以分析过去的维护数据，以确定是否需要采取维护措施。例如，交叉引用技术人员的笔记和行业基准可以帮助识别冗余。

然后，其平台会分析机器的实时传感器数据（例如振动、声音和温度变化）以及来自客户关系管理系统和其他信息存储库的历史记录。

Aquant 总裁兼联合创始人 Assaf Melochna 表示，专有算法可以对信息进行分类，从而“大海捞针”，诊断出需要解决的问题及其根源。Melochna 解释说，该平台还可以过滤误报，然后建议采取特定措施，例如关闭机器，以防止故障。

Aquant 表示，通过关注影响正常运行时间的工厂机械部件，其 AI 平台正在帮助可口可乐、惠普和 Hologic 等客户减少停机时间并避免不必要的维修，每年可节省高达 23% 的服务成本。

人工智能还可以使检查更加安全。Gecko Robotics 制造了配备超声波传感器、高分辨率摄像头以及光探测和测距技术的爬墙机器人、无人机和机器狗。

这些机器人旨在检查水坝、发电厂以及油气设施等关键基础设施，收集管道、储罐、容器和其他工业设备的详细数据。Gecko 的 AI 平台 Cantilever 可以分析这些数据，在故障发生之前检测出腐蚀、侵蚀和开裂情况。

Gecko Robotics 联合创始人兼首席执行官杰克·卢萨拉里安 (Jake Loosararian) 表示，机器人获取的数据与用于分析数据的人工智能平台相结合，有助于为 Gecko 的客户（包括西门子能源和美国空军）提供资产健康状况的实时预测视图，并补充说，这使得在问题升级之前规划维护变得更加容易。

生成式人工智能即将应用于维护

一些公司正在将对话式人工智能融入到他们的维护工具中。

自 2006 年以来，预测性维护公司 Waites Sensor Technologies 已在特斯拉、DHL 和其他设施安装了超过 500,000 个振动和温度传感器。

联合创始人兼首席执行官罗布·拉特曼 (Rob Ratterman) 告诉 BI，Waites 最近将大型语言模型集成到其预测系统中，以便技术人员直接查询他们的系统。Waites 的 LLM 接受机器手册、维修历史记录以及公司传感器收集的传感器数据的训练。

维护人员可以使用现场计算机等设备，向韦特斯的系统询问哪些机器最容易发生故障、过去需要进行哪些维修以及哪些维护任务应该优先执行。例如，技术人员可以向聊天机器人询问“哪些设备最容易出现问题？”，以识别问题所在；或者询问“如何重新润滑轴承？”，以在机器手册中查找说明。

拉特曼解释说，通过简化对维护见解的访问，LLM 可以帮助团队做出更快、数据驱动的决策，而无需深入研究复杂的仪表板或报告。

信息技术研究集团咨询实践负责人 Kevin Tucker 告诉 BI，随着人工智能的进步，预测性维护现在正在演变为规范性维护。

预测性维护能够识别问题，而规范性维护则会告诉您如何解决该特定问题。预测性维护系统捕获和分析的数据越多，其预测就越准确，从而增强其做出明智决策的能力。

“这有点像在车里跟着 GPS 走，”塔克说，强调了规范维护作为可靠指南的潜力。

前期成本和对人工智能的担忧可能会阻碍其采用

虽然有优点，但人工智能驱动的预测性维护并不容易实施。

一个主要障碍是成本。包装和加工技术协会（PMMI）市场开发副总裁 Jorge Izquierdo 表示，安装智能传感器、集成 AI 平台以及升级传统设备都需要大量的前期投资。

Izquierdo 称预测系统是包装行业智能制造“最容易实现的目标”，但 Tucker 表示，将新技术融入传统系统可能难以优先考虑。毕竟，投资回报并非立竿见影，而且系统复杂性（包括数据孤岛和制造商在整个业务中使用的不同软件）可能会使集成更加困难。

塔克说：“你很可能会在一年半到两年内获得投资回报。”

卢萨拉里安强调，对于公司来说，尤其是预算紧张的公司，很难分配资源来大规模实施新技术。“创新预算很快就会用完，”他说。

劳动力技能差距是另一个障碍。预测性维护需要数据分析和人工智能工具管理方面的新专业知识——这些技能是许多传统维护团队所不具备的，而且可能难以学习。

这种阻力因人们担心预测性维护系统（尤其是配备先进人工智能功能的系统）可能会取代维护技术人员和检查员的工作而加剧。但一些制造业领导者表示，这项技术可以支持维护人员，而不是取代他们。

Arix Technologies 是一家开发用于检测工业管道腐蚀的机器人和人工智能系统的公司，其首席执行官 Craig Malloy 表示，其人工智能工具有助于节省维护人员的时间，使他们能够专注于决策和长期规划。“我们的目标是更智能、更安全、更有效的检查，而不是减少人员数量，”Malloy 告诉 BI。

洛萨拉里安补充说，用人工智能工具武装劳动力可以成为解决美国制造业日益严重的劳动力短缺问题的一步。

接受BI采访的预测性维护领导者们一致认为，人工智能的进步在改变维护系统方面仍处于早期阶段。但制造商是否愿意投入并坚持克服成长的阵痛，可能决定着企业是蓬勃发展还是落后。

正如马洛伊所说：“人工智能彻底改变了游戏规则。”