2017年，麦肯锡针对蒸汽机、早期机器人技术和信息技术进步等技术转型所带来的生产力增长做了研究。目前，自动化所带来的新驱动力使制造业面临巨大的压力。麦肯锡预计，未来几十年，它将带来前所未有的高达0.8-1.4%年生产力增长，超过早期的增长率。机器人、人工智能和机器学习的发展进步将在某些工作中达到甚至超越人类能力，包括快速、精确、重复的行动和认知能力。现在，在竞争日益激烈的全球市场，对于那些致力于推动自动化和提高效率的制造商，当务之急是要快速部署这些新功能。目前，仅在流程行业，每年因计划外停机而造成的生产损失就高达200亿美元，因此，消除计划外停机造成的生产损失已成为现阶段的首要任务。

问题依然存在

在过去50年间，维护方式不断进化，以解决设备的可靠性和可用性问题。所取得的进展包括：运行至故障检修、定期维护、按使用情况维护、按状况维护以及可靠性中心维护（RCM）。然而，设备仍然会发生故障。为何会发生这种情况？首先，与维修和检查间隔相比，维护工作的进度更难以测定。然而，ARC等行业分析机构指出，超过80%的设备故障是因为操作设备时不遵守设计和安全限制造成的；目前的操作无法检测出这种看似“随机”的设备故障。只有将维护和操作相结合才能制定出解决所有故障的解决方案。

资产绩效管理（APM）2.0

ARC认为, 资产管理APM 2.0采用了包含传统工厂历史数据源和新数据源（包括检修、化验室、设备震动和事件跟踪系统）的新分析工具。不同的数据源保证了可以优化装置设备的机械与操作的可用性及性能。维护和操作都需要数据驱动的机制来评估性能降低问题，对生产进行微调，并提供早期干预措施（改变工艺过程操作运行），以避免装置设备的损坏。出色的预测诊断和规范性指导使操作人员能够更早、更快、更有效地做出反应。实现突破的关键技术主要采用基础分析和数据科学策略；特别是机器学习。

APM 2.0的灵丹妙药

先进的机器学习软件能够在早期成功地识别工艺设备微小的性能变化，这些变化可能是性能降低和发生故障的预兆。尖端的软件技术结合其他相关数据，通过机器设备和工艺过程以及周围的传感器产生的数据流来学习行为模式。只有行业内自主性较高的领先解决方案才几乎不需要人为干预。当运行条件改变时，这种应用方法不断地学习并适应新信号模式进行相应调整。通过在一台机器上学到的故障特征就可以避免这一问题，确保同样的情况不再发生。学到的故障特征很容易应用于类似的机器，防止相同的问题影响机器正常运行。

例如，一家北美的能源公司电动潜水泵故障频发，由此产生的维修费和收入损失高达一百万美元。先进的机器学习软件应用从存档的历史数据和维修事件中学习了18台泵的操作行为。在学习过程中，它在一台泵上检测到引起环境事故的机壳泄漏的明显模式。该软件将这一故障特征应用于18台泵，为可能发生相同故障的其他泵提供预警。通过早期采取行动来移除并维修泵，有效避免了重复事故频发而遭受重大损失。

另一个例子：美国一家行业领先的铁路货运公司在23个州开展业务，他们使用机器学习软件解决长期机车发动机故障，从而避免了高达数百万美元的维修费、罚款和营运收入损失。机器学习软件应用部署在大量机车上，通过检查润滑油数据来检测发动机故障的极早期指标。这种早期检测有效避免数十起灾难性的发动机故障。在一次重大事件中，一台发动机通过了低压泄漏测试，并准备重新投入使用。然而，机器学习软件检测到发动机泄漏的性能降低，高压测试则发现发动机在八个位置发生泄漏，证实了这一诊断。发动机得到及时修复，避免了一次灾难性的事故。这种在故障发生之前发出的预警给管理人员预留充裕的时间作出决定。检测到问题后，机车仍然有时间完成一段行程，然后再进行维修。避免这样的故障可以减少成本高昂的停机和罚款，为公司节省多达数百万美元。 

绩效全面提升

麦肯锡注意到，伴随着工业4.0这一与工业物联网（IIoT）密切相关的行业趋势，新颖的、价格合理的制造分析方法和解决方案正在不断涌现。这个新阶段包括监测物理过程以进行分散化决策的网络物理系统。资产和过程分析共同创建一个多维的资产视图，允许在更广泛的平衡因素中作出基于事实的决策。需要涵盖的资产类型数量是一个非常关键的挑战。工业4.0还带来了基于大数据和机器学习的新机制。事实上，机器学习可以对海量数据进行深入研究，以确定模式并预测未来的结果。然而，它无法解决一切业务挑战。模型和机器学习相结合可以检测并避免危险的工艺过程运行状态。它可以随时解释各种具体的装置设备状态，进行校准，并通过机器学习自动调整模型，以通过更简单的校准来实现及时、准确的确定装置设备过程状态。

结论

只有具备敏锐触觉和强烈责任心的企业才能踏上这个征程。要成功使用分析工具来提高安全性和可靠性，需要具备几个要素。其中包括许多基于人类（企业）的行为和文化。最终用户必须专注于具体的业务问题，才能找到符合业务目标的最佳解决方案（而不是技术）。在选择正确的问题解决方案团队时，企业需要准备好面对有关解决方案的准确性、及时性、部署方便程度、可扩展性和有效性的严峻问题。在这个激动人心的新市场中，只有领先的解决方案提供商才能施展出在设计、运行、过程优化和维护管理方面的经验，以及数据科学可靠性分析和机器学习的新功能。所有这些都是全面的生命周期资产绩效管理必不可少的。