PHM行业具备哪些特征？

PHM 行业具备长、宽、厚三大特征。

1. 行业之“长”：渗透率低潜力无限，市场广阔开拓可期

PHM（故障预测与健康管理系统）是设备运维服务的最新发展方向。PHM 是一种基于对设备运 行状态的实时监测与分析，预测潜在故障并提前开展维护工作的策略，是运维服务行业最新的发 展方向。运维服务发展经历四个过程： 1）响应式维修：此种维修方式是一种消极维护策略，它是指设备故障后再进行到场维修，此时 设备本身损坏程度较高，容易造成维修时长和成本的增加，甚至提高停产时间成本； 2）计划性维护：此种维修方式是基于设备厂商的保养计划来进行停产检修，由于各个部件在实 际工况运行中的使用寿命很难预估，此种运维方式容易造成维修过早或过度保养等问题； 3）基于条件的维修：此种维修方式是通过对设备运行状态的监控来进行有针对性的维修，主要 结合设备本身的运行监控数据等进行简单判断，仍然容易产生维修不及时的情形； 4）基于故障预测的维护：随着大数据、人工智能等技术的发展，通过对设备运行状态进行故障 预测成为可能，此种维修方式可以最大化提升设备部件的使用效益，减少停工停产时间，是目前 运维服务的最终发展形态。

当前设备运维存在痛点，制约企业效能提升。当前行业主要的运维服务停留在第二三阶段，设备 运维仍存在诸多难点：1）管理模式落后：管理及决策高度依赖人的经验与规章制度，管理模式 和经验数据电子化程度低，经验传承和应用难度大；2）智能化不足：设备数智化基础较差，缺 乏统一规范的运维数据和高效的数据分析工具，影响设备预测性维护；3）维修成本高：传统的 点检定修制存在过修、频修等问题，维修成本维持高位；4）体系运作效率低：设备全生命周期 管理流程繁琐复杂，各环节衔接不畅，限制整体效率提升，影响企业效能释放；5）运行不可控： 设备运行稳定性较差，非计划停机难以彻底规避，影响企业生产流程的连贯性、产品质量的稳定 性以及能源管理的有效性。 PHM 可复制性强，提效明显，是企业在制造业数字化转型背景下运维服务的破局之道。PHM 的 应用具备以下优势：1）对产线影响小：PHM 无需改造产线与工艺，仅需建立设备与服务器连接 就可以实现最大限度维持生产连续性；2）复制性强：相同设备可快速复用解决方案，设备接入 越多，积累数据越丰富，模型预测精度越高；3）效率提升明显：据罗兰贝格项目经验，PHM 可 降低 5-10% 的 MRO 及总体维护成本，提升 10-20% 设备正常运行时间，减少 20-50% 维护时间，保障产品质量；4）应用场景广：PHM 应用领域从设备维修逐步拓展至排程制定、资产管理等领 域，未来发展潜力大。

设备预测性维护整体渗透率仍处于较低水平。随着近年来智能制造的推进，我国企业设备的数字 化水平有所提升，但智能运维方面的渗透率仍较低。根据中国电子技术标准化研究院数据，截至 2020 年底，中国企业设备数字化率达到 50%，但实施设备预测性维护的比例仅为 14%。在下游 行业需求的刺激下，我们认为，未来中国企业设备预测性维护的渗透率将快速提升。

PHM 行业市场空间广阔。根据 IOT Analytics 数据，2021 年全球预测性维护市场规模为 69 亿美 元，随着人工智能、机器学习、大数据和云计算等技术发展，2026 年全球预测性维护市场规模将 达到 282 亿美元，CAGR 为 32.4%。我国是制造业大国，随着制造业的转型升级，国内预测性维 护市场有望实现长期发展，其市场规模 2021 年达到 5.44 亿美元，到 2026 年将增长至 32.14 亿美 元，CAGR 为 42.7%。

2.行业之“宽”：场景多元而丰， 技术融合为用

设备运维是通用性需求，下游应用场景丰富。设备是工业的底层根基，是生产活动的物理载体和 动能来源。海量的各类设备，尤其如泵、减速机、风机、电机、压缩机、注塑机、冲压机、轧机 等动设备，均需专业的运维保障，才能确保生产活动正常进行。因此，PHM 的需求覆盖各行各 业。随着制造业的数字化及智能化建设进程不断推进，PHM 也将在更多的行业渗透和普及。

PHM 系统的实现需要融合人工智能、大数据等多类技术。PHM 系统的运行主要包括以下几个步 骤：1）通过传感器或可编程逻辑控制器（PLC）实时采集设备运行数据，并借助本地数据传输设 备，将数据实时传输到本地边缘计算设备进行初步处理。2）利用人工智能技术，在本地边缘计 算设备上对机器运行状态展开实时监测与故障预测，完成数据分析和状态诊断。3）故障预警信 息与制造执行系统联动，生成故障预警报告。4）依据预警信息和数据分析结果，合理安排维修 计划，制定生产计划及维修排程决策，并依托持续积累的数据不断优化算法精度，提高预测准 度。从 PHM 的工作流程中可以看出，实现预测性维护在数据采集端需要振动、温度、油液、红 外等各类传感器技术，结合融合振动与噪声理论、信号分析与数据处理，依托大数据以及人工智 能算法来完成设备的看护，同时基于诊断云平台来完成客户的设备管理工作。此外，依托智能化 诊断分析功能，PHM 还能为设备的定期检查、不定期抽检以及维修工作提供依据，降低设备维护 成本，优化维护资源。

3. 行业之“厚”： 技术沉淀日深，数据积累渐厚

传感器的种类以及工程经验需要不断积累。设备部件的损坏过程会有不同的表征特征，如振动、 油液、温度、噪音等，这些表征数据均需要通过不同的传感器来获取，因此传感器种类需要不断 丰富，同时通过不同传感器的组合来实现整体设备或者产线的维护。此外，工业设备具有复杂的 运行环境和独特的运行机理，因此传感器安装的位置、组合、阈值等参数的调节均需要工程经验 的积累，才能匹配对应的机理模型使预测性维护效果达到最佳。

数据、算法以及功能需要不断迭代优化。数据是 AI 的核心要素之一，闭环的故障案例数的积累是 决定 PHM 系统准确性的关键因素。故障案例数越多，AI 算法模型的效果就越好，而闭环的故障 案例数需要在实际看护过程中不断累积获得。预测性维护涉及的运维规划调度、供应链优化管 理、故障原因分析等各个环节的功能实现、不同类型的智能诊断模型也要逐步积累和优化，设备 运维的智能化程度才能不断加深。