前不久，微信后臺的一條留言引起了我們的關注：恰恰是新上的“生產設備故障診斷系統”增加了故障面積。我就是因為“故障診斷系統”出故障被叫上門的。

在需要24h不停運轉的工業生產環境中，突發故障會造成難以挽回的損失。但試想一下，如果故障診斷系統壞了，給出錯誤診斷，工程師再對設備進行不當的排查和處置，很有可能導致故障處置時間、人力、成本等的增加，甚至為后續工作留下隱患。

工業設備狀態監測與故障診斷，是近年來比較熱的話題之一，更是被稱為工業互聯網落地的最好著力點之一。但其應用是否成熟？市場現狀如何？今天，我們就來討論下工業設備狀態監測與故障診斷的那些事兒。

故障診斷需求猛增，運維不是難題

隨著現代自動化技術水平的不斷提高，工業設備制造和工程系統的復雜性大大增加，系統的可靠性與安全性變得尤為重要。

通過在現場設備上加裝功率傳感器、振動傳感器等各類傳感器，通過聯網實時采集設備數據，并將數據傳輸到設備故障診斷系統。

設備故障診斷系統再對采集到的設備狀態數據、運行數據和現場視頻數據進行全周期監測，建立設備故障知識圖譜，對發生故障的設備進行診斷和定位，通過數據挖掘技術，對設備運行趨勢進行動態智能分析預測，并通過網絡實現報警信息、診斷信息、預測信息、統計數據等信息的智能推送。

工業設備狀態監測與故障診斷主要包括：

狀態評估或叫狀態監測，目的是根據測試信號來判斷機器是不是有故障；

故障診斷，經過第一層次判斷，如果有故障，需要判斷故障的類型、部位和嚴重程度；

剩余壽命預測，即目前為止，機器還能使用多久，為下一步提前更換設備，降低損耗，做出預測。

技術很好，應用成熟嗎？

目前，國內企業根據規模大小、技術研發實力以及提供診斷服務能力大致可以分為三大類型：

第一類是具有較強的自主研發創新能力和擁有強大的故障診斷分析專業團隊，能夠為客戶提供符合行業特征和企業需求的個性化狀態監測、專業化故障診斷服務和技術支持的整體解決方案提供商。其自主研發、生產和銷售的產品能夠應用于多個細分行業和領域，擁有一定規模的網絡化在線監測客戶群體，積累和掌握了大量的監測數據及經過驗證的診斷案例庫，擁有較為豐富的故障診斷經驗積累。

第二類是具有一定的技術研發能力，企業規模較小，專注于某一個細分行業或領域的設備狀態監測產品的生產和銷售，不具備為客戶提供專業化的故障診斷服務能力。

第三類是設備集成商或產品代理商，自身不具有研發和生產能力，憑借自身在特定領域的客戶開發能力進行產品集成和銷售。

在與一些工程師交流中，也有人表示現在做的企業不少，但還沒有見過特別成功的案例，實現智能診斷道路還有很遠很遠。

以裝配為例，首先很多企業的裝配大多數是不嚴謹的，這會直接影響機械地振動特征。通過實驗室做出來智能診斷是可行的，但是實際應用到現場的準確性還是概率問題。再比如，很多企業的生產現場，傳感器沒有布置完全，采集的信號很多是不完善的，也就造成了診斷很難……

通過翻閱相關企業的介紹以及其招股上市書，我們可以發現，工業設備狀態監測與故障診斷，需要深度掌握所服務行業的設備制造和運行機理，同時還要了解設備運行的各類影響因素才能實現準確的監測和故障診斷，需要企業具備雄厚的技術儲備和經驗積累。

但目前，國內工業設備狀態監測與故障診斷行業發展時間較短，尚處于快速發展階段，行業內的大多數企業規模較小，不具備為客戶提供工業設備狀態監測與故障診斷系統解決方案能力。

此外，不同行業的工業設備在實際運行中存在各種各樣的復雜環境和工況。提供符合特定行業需求的狀態監測系統產品需要較高的研發能力、綜合的技術背景和豐富的診斷經驗，具有較強的技術壁壘。

智能故障診斷會替代工程師嗎？

在工業領域中，設備狀態數據是普遍存在并作為衡量設備狀態的重要指標，當設備內部發生異常時，隨之會出現設備狀態數據的變化。

但是對于工業領域的企業來說，首先，多數企業并不會公開自己的數據；其次，很多工業企業在設計之初并未考慮安裝相關采集設備，所以大量設備并沒有能力收集到數據；再者，針對一些偶發出現的故障，故障數據樣本非常少，不利于發現問題。由此可見，目前行業還屬早期，還要經過長時間數據積累、分析。

小編非常認為，故障診斷對于像風電、航空航天等重要領域企業來說，十分有必要。畢竟這些行業里的設備如果出現故障，其造成的后果太嚴重了，承受不起。并且這些領域內的企業數字化程度較高，對關鍵數據的采集頻率更高，更利于開展故障診斷。

但有一點，無論人工智能技術怎樣發展，技術怎樣進步，故障診斷工程師都扮演著不可或缺的角色。就像是無論技術多么發達，對病人下診斷結論的時候，還是需要經驗豐富的醫生進行最后的拍板。

據了解，全球工業互聯網平臺約有83%開展了設備和產品在線監測、故障診斷、遠程運維等應用服務。

很多新技術一樣，在概念的階段，會被炒得非常的熱，炒得火熱之后從投資到消費到整個產品的供應鏈，都會對它報以極高的期望。但是實際落地的時候，成本、可靠性和技術成熟度，很多問題就會涌現出來，往往沒有大家期望得那么快。

就像是近幾年非?；鸬摹邦A測性維護”，這是一個很熱的話題。多企業也投入了大量精力去做，但真實情況如何？前不久，在某企業舉辦的活動中，該企業負責人就表示：目前預測性維護在業界使用的程度還不是很高，解決方案還是不太成熟。可見，其概念雖火，但在業界使用的程度還不是很高。