使用互联传感器和机器学习，建筑运营商可以提前获得潜在系统故障的通知，并按时安排维护或维修。
感应传感器、天气状况、使用情况统计数据。..所有这些都共同创建了设备磨损和使用情况的综合视图。近实时数据与机器学习相结合，有助于在设备故障发生之前就确定潜在的设备故障。
智能建筑需要可持续发展
如今，大多数设备都有详细的说明和程序来定期执行预防性维护。许多系统要求操作人员定期检查磨损情况、更换某些部件、清洁过滤器或进行更新和调整。
虽然这些程序有助于避免或延迟设备故障，但并没有考虑到设备或机器用途、使用条件和其他因素的诸多差异。
在过去几年里，电梯、暖通空调、自动扶梯、安保系统和其他用于建筑和楼宇管理的设备制造商已经开始生产具有传感器和远程控制功能的机器和部件。
配备嵌入式传感器的新设备不仅有助于了解机器的不同状态，还可以帮助操作人员预测何时需要执行维护程序，以保障设备的工作和安全状态。
机器学习和人工智能可以帮助安排大型装置的不同维护时间
预防性维护通常基于时间或使用情况。另一方面，预测性维护是基于设备的实际状况，而不是日历。
虽然预测性维护不能取代常规检查的合规性要求，但它消除了一些工厂管理人员所谓的“剪贴板”方法。
从多个设备单元收集的数据有助于制造商了解不同地区和环境下的使用情况。例如，在干燥、炎热的地区安装的暖通空调可能与在寒冷和潮湿气候下安装的不同；安装在住宅建筑中的型号与安装在工厂或办公楼中的相同型号的工作时间和条件不同。温度和湿度传感器可以提供这些条件的清晰图像。
在上面的例子中，暖通空调的典型维护手册通常没有指定不同的使用条件。该手册它最有可能说明根据运行小时数或在季节之间执行预防性维护。
电梯是预测性维护优势的另一个绝佳例子。房地产维护公司 Enertiv 表示，得益于收集的数据，获得的收益令人瞩目。该公司使用的物联网预测性维护将维护成本降低了约 25%，设备故障减少了 50%，设备寿命延长了 20% 至 36%。
了解不同的条件并利用历史数据，操作人员和服务提供商可以分析使用模式和以前的维护问题，以确定在特定情况下设备出现故障的可能性。
收集传感器数据进行预测性维护的另一个好处是能够生成机器性能和行为的可审计跟踪记录，如果您提出保修索赔，您可以利用这些记录。
预测性维护有助于优化时间表和供应链
如今，供应链管理是大多数组织的必修课。材料的短缺，特别是电子设备的短缺，会扰乱生产设施和现场现有运行装置的定期维护。
因此，提前知道何时何地需要备用件，有助于保持正常运行，而不会造成运营中断。此外，可以提前申请备用件，并且可以安排受过适当培训的技术人员按时执行必要的维护，以避免昂贵的非工作时间维修。
对预测性维护的投资得到回报
预测性维护在许多行业都很受欢迎。虽然被称为工业 4.0 的第四次工业革命还远未被广泛采用，但在高级分析、大数据、边缘计算和云之间，我们对未来的工业将来的模样，以及制造商和服务提供商需要走多远才能完成转型之旅，已经有了很好的认识。
到目前为止，对于建筑行业来说，采用新技术有明显的好处：
- •减少灾难性设备故障：使用物联网传感器和强大的分析功能，维护公司 Enertiv 的重大设备故障减少了 50%。
- •降低维护成本：一栋 29 层办公楼的设施管理人员每年节省 16,700 多美元的运营费用以及 32,300 美元的维修费用。
- • 更好的安全性能：由于紧急维修工作对维护人员来说本就更危险，会使更多的工人处于危险之中，因此预测性维护有助于避免这些情况，从而提高安全性。
- •管理保修索赔：保修期内的新设备可能因多种原因而出现故障。使用收集的数据和分析，可帮助设施管理人员使用特定数据提交保修索赔，尤其是在故障长期反复出现的情况下。
重工业、铁路、能源生产和航空等行业已经是预测性维护的重要用户。设备故障会造成这些行业的大规模运营中断，每天都会造成数百万美元的损失。
纵观全局
建筑行业正在慢慢意识到物联网和人工智能的优势。随着设备和设施越来越智能化，预测性维护成为提高运营效率和安全性以及降低成本的一种方式。
