近年人工智能和物聯網就像佛道兩教，經過“有機交融”逐漸為對方所接納，如此背景下，一些企業正在經歷從“物聯網”到“智聯網”的蛻變。一方面，物聯網正在從“連接”走向“智能”，另一方面，人工智能正在從“云端”走向“邊緣”，兩者形成合力推進著“物聯網”向“智聯網”的進化。

如今，已經起跑的智聯網初創公司逐步扎穩了根基，獲得了“天使客戶”的認可，產生了持續造血能力。

是時候來梳理一下這批公司的***進展，看看他們做了些什么，做對了什么。

[[242320]]

占領數據制高點是智聯網公司生存的根本

縱觀智聯網企業，他們當中大部分所選擇的切入動作高度一致，那就是首先為B2B領域的企業提供設備的狀態監測和預測性維護服務。

預測性維護，屬于事先維護，基于安裝在設備上的各種傳感器，實時監控設備運行狀態，通過數據透析，如果發現故障隱患，則能防患于未然，自動觸發報警或修理命令。

如此整齊的動作背后，具有相當充分的理由。

• 首先，市場規模夠大。由于市場中的存量設備數目可觀，80%以上的設備還沒采用有效的預測性維護方案，而設備維護產生的費用超過設備總體生命周期成本的50%。根據IoT Analytics的市場報告，2016-2022年預測性維護的復合年均增長率CAGR為39%，到2022年總體支出將達到10.96億美元。
• 其次，經濟收益容易衡量。從B2B企業內部來看，預測性維護用于優化生產操作，將會帶來20-30%的效率增益;從外部來看，OEM設備制造商如果引入預測性維護服務，將有可能扭轉競爭業態，獲得附加收益。
• ***，從戰略角度評估，預測性維護正在成為觸發制造業服務化重大轉變的“催化劑”，初創公司甚至有望借助預測性維護這個全新引擎彎道趕超傳統巨頭們。

前段時間大熱的人工智能，利用新型算法，為我們提供了嶄新的數據處理與分析的方式。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，完成從專業到普及的轉變，真正讓AI浮出水面的底層驅動力是各行業中數據資源累積到一定程度后由量變引發的質變。

巧婦難為無米之炊。從上世紀70年代互聯網誕生之后，大量的數據從互聯網、移動互聯網、物聯網的各種智能設備中源源不斷產生，積累到一定的規模和階段，才提供了人工智能的用武之地。

因此，智聯網如能***化的發揮各種機器學習算法的超能力，足量的結構化數據是必要的基礎條件。

也就是說，智聯網公司首先需要解決數據獲取的問題，并且不斷搶占數據之爭的制高點，可以說誰掌握了底層數據，誰就掌握了智聯網未來的基石。

智聯網并不是“新手段”

對于預測性維護而言，人工智能其實是解鎖了前人“無米之炊”而被迫擱淺的“笨辦法”，并不是創造了什么“新手段”。

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

其次，在設備并沒有普遍聯網的情況下，部署昂貴的傳感器和監控系統，進行遠程故障診斷，往往只有擁有重型設備和網絡基礎設施完善的大企業才能負擔得起。面對數量眾多的中小型設備，狀態監測主要靠工人巡檢完成，加之當人力成本較低時，一次性投入開銷不大，反而是持續監控的投入太大，***都知道該怎么選。

隨著停機檢修和人力成本的提升，大多數企業已經認識到“拐點”的到來，開始拋棄一次性投入的思維，學著計算總賬，也就是總體擁有成本TCO，這種思維的轉變使得預測性維護逐步在中小型企業中有了市場。

***，很多應用場景中原先沒有數據采集的傳統，需要想辦法把數據采集上來，完成從0到0.1的突破。由于IT成本的下降，以及傳感器和工業通訊等成本的降低，通過人工智能等算法分析多個維度的大量歷史數據，進行設備畫像，讓精準預測性維護成為一個長期“經濟”選項。

因此我們就從智聯網初創公司獲取數據的3種典型方式開始談起：包括讀取機器故障庫的數據資源、與匯聚過程數據的平臺打通，以及通過虛擬或輕量傳感器逐步積累數據。

智聯網公司掌握數據大權的3種典型方式

1. 當實時狀態信號遇到機器故障數據庫

雖然許多企業擁有的大量的歷史設備和流程數據，但卻往往缺乏故障數據，因為這些數據很難捕捉和保存。缺乏故障數據，即便仍可進行狀態監測，但預測性維護的有效性無法保證。

最直觀的想法是在設備故障數據庫上下功夫，如果某家企業能夠掌握成千上萬臺設備的歷史故障數據，這樣當一臺設備出現故障時，成千上萬臺設備中有很大概率出現過類似情況，別人處理相同故障的經驗可以被復用，及時解決故障問題，不僅讓舊數據價值釋放，同時創造了新的個體價值。

那么世界上是否存在這樣的數據庫呢?你能想到的，前人早就想過了。

比如，APT公司(Asset Performance Technologies)的資產戰略資料庫ASL，可以說是全球最全面的工業設備故障數據庫。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年的時間，收集了關于電力、采礦、煉鋼等行業近800種重要設備的故障相關信息，可以提供FMEA失效模式效應分析和維護策略建議。

ASL資料庫對于智聯網公司的戰略意義不言而喻。如果將實時機器振動數據與故障數據庫中寶貴的專家經驗相結合，就可以更加有效的監測、過濾和響應故障情況，極大提升預測性維護的智力和執行力。

具備戰略眼光，看重ASL價值的智聯網公司名為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。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. 振動信號與過程數據相結合

企業中的數據格式差異很大，有些是高度結構化的，比如傳感器數據，相對容易解析;有些是非結構化的，比如維護日志——針對同一臺設備出現的同一種狀況，一名操作員可能會記錄“壓縮機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“壓縮機流出一種像醬油一樣的東西，聞起來沒有食欲”…

訓練機器學習模型，理解這些信息的含義，以及進行多種維度的數據集成，對來自不同信號源的數據重要性予以劃分，以便自動對故障模式和維護建議進行分類，這些工作耗費了智聯網公司很多的時間和精力。

但只做這些仍舊是不全面的。如果只獲取機器振動相關的信號，對于預測性維護來說，往往還不夠完備。雖然處理振動相關的多變量時序數據，從中提取特征已經不容易，但做好預測性維護是個難上加難的課題，振動數據需要進一步與過程運營數據相結合，才能準備掌握設備的健康狀態。

在電力、石油、化工、冶金等各種流程行業，普遍將實時數據庫和過程控制系統進行整合來實現生產過程的優化。這些系統中流動著生產過程中的實時數據，是企業最有價值的信息財富，是整個企業信息系統的核心和基礎。

但在一般情況下，設備振動數據和流程控制數據分別存儲在兩個獨立的系統中，彼此之間并不集成。預測性維護恰恰需要振動數據與運營數據緊密反饋和頻繁融合，而且這種操作***自動完成，以減輕中小企業對于人力和資本投入的負擔。

[[242321]]

于是有些智聯網公司想到與現有的實時數據庫企業合作，通過數據庫的打通來降低雙方獨自作戰模式下進入預測性維護的門檻，比如Petasense和OSIsoft之間的合作。Petasense成立于2014年，是初創的智聯網公司，監控關鍵旋轉機器的運行狀況，提供預測性維護解決方案。OSIsoft成立于1980年，是一家實時數據管理軟件制造商，旗下的PI實時數據庫系統已經被廣泛應用于流程行業。Petasense和OSIsoft聯合推出的預測性維護解決方案，正在被硅谷電力公司使用。

3. 虛擬化或輕量型傳感器

意識到數據的重要性，一些智聯網公司開始使用低成本的創新手段采集數據，比如針對石油和天然氣行業的虛擬多相流量計。這種虛擬流量計基于云平臺的數據應用驅動，將物理模型和機器學習相結合，降低購買、安裝和維護成本。

還有一些智聯網公司正在想辦法，利用軟硬件一體化的低成本無線傳感器，從原先沒有數據的啞設備和啞環境中把數據采集上來，完成從0到0.1的突破。

能夠實現這種突破的技術背景和根本原因有4點：

• 無線連接的普遍存在，以及連接成本的持續降低
• 小型化的低成本傳感器大量可用
• 企業開始接受邊緣計算和云平臺協同的思路
• 使用人工智能監控時序傳感器數據變得可行

當上述這些趨勢形成組合方案時，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場信號，按照一定的周期，或者超過閾值時，將數據上傳到云端。如果情況比較復雜，無線傳感器有可能搭載分析模塊，利用AI芯片檢測設備異常。

提供相關產品的智聯網公司不少，此處不再一一列舉。還有一些公司的做法是，通過在其傳統設備外掛“可穿戴式”傳感器的方式，完成功能升級、產品迭代。

決定智聯網公司能走多遠的，不是算法，而是數據。除了以上3種模式之外，面對數據從哪里來的問題，更多的智聯網公司正在給出自己的答案。

文中選出作為代表的智聯網公司，普遍創立于2014年左右，也就是在AlphaGo戰勝李世石之前。在各種趨勢的潮起潮落中，如果想“落潮應該體面，誰都不要說抱歉”，那么在漲潮前就要想好要承擔的責任。

本文小結

• 智聯網公司首先需要解決數據獲取的問題，并且不斷搶占數據之爭的制高點，可以說誰掌握了底層數據，誰就掌握了智聯網的未來。
• 智聯網初創公司獲取數據的3種典型方式：讀取機器故障庫的數據資源、與匯聚過程數據的平臺打通，以及通過虛擬或輕量傳感器逐步積累數據。
• 對于預測性維護而言，人工智能其實是解鎖了前人沒法運用的“笨辦法”，并不是什么“新手段”。