在大數據及云計算飛速發展的時代，工業互聯網領域無疑是“當紅炸子雞”。人家都說：站在風口上，豬都能飛起來。那么，在工業互聯網領域里該怎樣飛？

Uptake，一家美國工業互聯網領域的明星創業公司，目前已是估值23億美元的獨角獸。成立不過三年的時間，這家企業究竟找到了哪些痛點？提供什么樣的解決方案？產生怎樣的價值？成功的核心因素是哪些？今天，咱們拋開企業不談，就說下在如此短的時間內，掘金工業互聯網究竟有何秘訣？

國內有大量的工業互聯網公司，提供設備預測性維護，但是鮮有真正能大范圍落地的。我們也聽到一些聲音，認為設備預測性維護規模太小，需求不強烈，提供價值有限，并不是一個好的落地場景。所以，設備預測性維護有多大的價值？不如我們就以下的例子來看一下。

美國一家Class1的火車公司，在美國有大約一萬四千個火車頭，通過啟用人工智能做的預測性維護，幫助他們企業每年節省4700萬美金。AMEREN是美國一家發電廠，每年用了Uptake的人工智能應用平臺幫公司節省990萬美金。PaloVerde是一家核電廠，每年Uptake幫他們節省1000萬美金。某個重型機械經銷商，UPTAKE軟件服務幫助公司每年提高850萬美金的收入。

這些案例都清晰的表明，無論是提高收入還是降低成本，設備預測性維護可以發揮的價值巨大，能直接帶來企業的顯性經濟效益提升。設備性維護會為經銷商提供設備聯網運維系統，可以對所有其銷售的設備進行預測性維護分析，預判設備故障并及時告知客戶，快速高效完成相應維修。這樣可以保證客戶施工的不中斷，同時大大提高經銷商和原廠的售后服務收益，降低服務人工和備件成本。更重要的是將設備運行反饋傳遞給了原廠商，用于改造制造工藝和優化供應鏈，提高產品質量，從而形成良性的產品閉環。

Uptake是如何讓設備預測性維護產生這么大價值的？總結為3個關鍵點：“人工經驗+算法模型+閉環無限迭代”。這里可以延伸為兩點：

從數據來看，就是弄清楚客戶是怎么診斷設備故障的，怎么看參數和癥狀。然后建立一個故障模型，能判斷出：什么樣的設備數據，對應什么樣的故障。將故障模型用在分析實際問題上，讓技工判斷模型分析結果是否正確，這是模型優化過程。最終在這一步，已經能夠較準確實現算法自動診斷設備故障，但是還不能做到預測。根據采集的大量設備運轉數據，結合AI算法等進行擬合建模，得出：什么樣的設備數據表征和趨勢，對應什么樣的故障。這就得到了故障預測模型。

將該模型應用在實際問題分析上，結合技工的反饋，持續優化迭代。同時，根據以上邏輯流程，不斷建立新的故障預測模型。從而在故障預測種類和準確率這兩個指標上持續迭代，最終目標是“預知設備一切問題”。

特別說明的一點是，實現預測性維護價值的前提并不是“所有設備實時聯網”。一方面是數據源不僅是設備數據，還包括一些企業數據，如ERP數據，維修工單等，以及使用環境、地理位置、交通等一系列可能影響到設備運轉的數據。另一方面是故障預測模型可以直接植入設備，通過邊緣計算的方式進行判斷。這點也能給國內企業很多啟發，太多的公司都是不管能分析出什么，先把設備上云了再說。

另外，使用公有云提供SaaS形態的產品服務也很重要，可以將每個項目的經驗進行沉淀，并在更廣泛的類似項目中進行推廣。

當下正是中國工業互聯網火熱的時機，或許以上的成功經驗會對中國工業工業互聯網領域的企業有所借鑒？想要成為“核心”？先從“用心”開始！