近年人工智能和物联网就像佛道两教，经过“有机交融”逐渐为对方所接纳，如此背景下，一些企业正在经历从“物联网”到“智联网”的蜕变。一方面，物联网正在从“连接”走向“智能”，另一方面，人工智能正在从“云端”走向“边缘”，两者形成合力推进着“物联网”向“智联网”的进化。
如今，已经起跑的智联网初创公司逐步扎稳了根基，获得了“天使客户”的认可，产生了持续造血能力。
是时候来梳理一下这批公司的***进展，看看他们做了些什么，做对了什么。
占领数据制高点是智联网公司生存的根本
纵观智联网企业，他们当中大部分所选择的切入动作高度一致，那就是首先为B2B领域的企业提供设备的状态监测和预测性维护服务。
预测性维护，属于事先维护，基于安装在设备上的各种传感器，实时监控设备运行状态，通过数据透析，如果发现故障隐患，则能防患于未然，自动触发报警或修理命令。
如此整齐的动作背后，具有相当充分的理由。
- 首先，市场规模够大。由于市场中的存量设备数目可观，80%以上的设备还没采用有效的预测性维护方案，而设备维护产生的费用超过设备总体生命周期成本的50%。根据IoT Analytics的市场报告，2016-2022年预测性维护的复合年均增长率CAGR为39%，到2022年总体支出将达到10.96亿美元。
- 其次，经济收益容易衡量。从B2B企业内部来看，预测性维护用于优化生产操作，将会带来20-30%的效率增益;从外部来看，OEM设备制造商如果引入预测性维护服务，将有可能扭转竞争业态，获得附加收益。
- ***，从战略角度评估，预测性维护正在成为触发制造业服务化重大转变的“催化剂”，初创公司甚至有望借助预测性维护这个全新引擎弯道赶超传统巨头们。
前段时间大热的人工智能，利用新型算法，为我们提供了崭新的数据处理与分析的方式。然而为什么人工智能在2014年之后，热度才开始野蛮生长突破次元呢?
AlphaGo战胜李世石的历史性事件只是将AI带入了大众视野，完成从专业到普及的转变，真正让AI浮出水面的底层驱动力是各行业中数据资源累积到一定程度后由量变引发的质变。
巧妇难为无米之炊。从上世纪70年代互联网诞生之后，大量的数据从互联网、移动互联网、物联网的各种智能设备中源源不断产生，积累到一定的规模和阶段，才提供了人工智能的用武之地。
因此，智联网如能***化的发挥各种机器学习算法的超能力，足量的结构化数据是必要的基础条件。
也就是说，智联网公司首先需要解决数据获取的问题，并且不断抢占数据之争的制高点，可以说谁掌握了底层数据，谁就掌握了智联网未来的基石。
智联网并不是“新手段”
对于预测性维护而言，人工智能其实是解锁了前人“无米之炊”而被迫搁浅的“笨办法”，并不是创造了什么“新手段”。
首先，以前的故障诊断，一些致命的故障发生的情况非常罕见，几百台机器才有可能重复发生同一种故障，好不容易分析出一种故障模式，到了机器报废也没有再次发生，故障模式提炼出来可能也派不上用场。
其次，在设备并没有普遍联网的情况下，部署昂贵的传感器和监控系统，进行远程故障诊断，往往只有拥有重型设备和网络基础设施完善的大企业才能负担得起。面对数量众多的中小型设备，状态监测主要靠工人巡检完成，加之当人力成本较低时，一次性投入开销不大，反而是持续监控的投入太大，***都知道该怎么选。
随着停机检修和人力成本的提升，大多数企业已经认识到“拐点”的到来，开始抛弃一次性投入的思维，学着计算总账，也就是总体拥有成本TCO，这种思维的转变使得预测性维护逐步在中小型企业中有了市场。
***，很多应用场景中原先没有数据采集的传统，需要想办法把数据采集上来，完成从0到0.1的突破。由于IT成本的下降，以及传感器和工业通讯等成本的降低，通过人工智能等算法分析多个维度的大量历史数据，进行设备画像，让精准预测性维护成为一个长期“经济”选项。
因此我们就从智联网初创公司获取数据的3种典型方式开始谈起：包括读取机器故障库的数据资源、与汇聚过程数据的平台打通，以及通过虚拟或轻量传感器逐步积累数据。
智联网公司掌握数据大权的3种典型方式
1. 当实时状态信号遇到机器故障数据库
虽然许多企业拥有的大量的历史设备和流程数据，但却往往缺乏故障数据，因为这些数据很难捕捉和保存。缺乏故障数据，即便仍可进行状态监测，但预测性维护的有效性无法保证。
最直观的想法是在设备故障数据库上下功夫，如果某家企业能够掌握成千上万台设备的历史故障数据，这样当一台设备出现故障时，成千上万台设备中有很大概率出现过类似情况，别人处理相同故障的经验可以被复用，及时解决故障问题，不仅让旧数据价值释放，同时创造了新的个体价值。
那么世界上是否存在这样的数据库呢?你能想到的，前人早就想过了。
比如，APT公司(Asset Performance Technologies)的资产战略资料库ASL，可以说是全球最全面的工业设备故障数据库。虽然APT公司成立于2004年，但ASL资料库此前便开始积累，利用超过20年的时间，收集了关于电力、采矿、炼钢等行业近800种重要设备的故障相关信息，可以提供FMEA失效模式效应分析和维护策略建议。
ASL资料库对于智联网公司的战略意义不言而喻。如果将实时机器振动数据与故障数据库中宝贵的专家经验相结合，就可以更加有效的监测、过滤和响应故障情况，极大提升预测性维护的智力和执行力。
具备战略眼光，看重ASL价值的智联网公司名为Uptake，他们以并购的方式获得了APT公司以及ASL资料库的控制权。目前Uptake的估值是23亿美元，客户包括卡特彼勒、伯克希尔哈撒韦公司的能源部门等。
2. 振动信号与过程数据相结合
企业中的数据格式差异很大，有些是高度结构化的，比如传感器数据，相对容易解析;有些是非结构化的，比如维护日志——针对同一台设备出现的同一种状况，一名操作员可能会记录“压缩机泄漏了一种闻起来像臭鸡蛋的浅棕色液体”，而另一名有可能则会写下“压缩机流出一种像酱油一样的东西，闻起来没有食欲”…
训练机器学习模型，理解这些信息的含义，以及进行多种维度的数据集成，对来自不同信号源的数据重要性予以划分，以便自动对故障模式和维护建议进行分类，这些工作耗费了智联网公司很多的时间和精力。
但只做这些仍旧是不全面的。如果只获取机器振动相关的信号，对于预测性维护来说，往往还不够完备。虽然处理振动相关的多变量时序数据，从中提取特征已经不容易，但做好预测性维护是个难上加难的课题，振动数据需要进一步与过程运营数据相结合，才能准备掌握设备的健康状态。
在电力、石油、化工、冶金等各种流程行业，普遍将实时数据库和过程控制系统进行整合来实现生产过程的优化。这些系统中流动着生产过程中的实时数据，是企业最有价值的信息财富，是整个企业信息系统的核心和基础。
但在一般情况下，设备振动数据和流程控制数据分别存储在两个独立的系统中，彼此之间并不集成。预测性维护恰恰需要振动数据与运营数据紧密反馈和频繁融合，而且这种操作***自动完成，以减轻中小企业对于人力和资本投入的负担。
于是有些智联网公司想到与现有的实时数据库企业合作，通过数据库的打通来降低双方独自作战模式下进入预测性维护的门槛，比如Petasense和OSIsoft之间的合作。Petasense成立于2014年，是初创的智联网公司，监控关键旋转机器的运行状况，提供预测性维护解决方案。OSIsoft成立于1980年，是一家实时数据管理软件制造商，旗下的PI实时数据库系统已经被广泛应用于流程行业。Petasense和OSIsoft联合推出的预测性维护解决方案，正在被硅谷电力公司使用。
3. 虚拟化或轻量型传感器
意识到数据的重要性，一些智联网公司开始使用低成本的创新手段采集数据，比如针对石油和天然气行业的虚拟多相流量计。这种虚拟流量计基于云平台的数据应用驱动，将物理模型和机器学习相结合，降低购买、安装和维护成本。
还有一些智联网公司正在想办法，利用软硬件一体化的低成本无线传感器，从原先没有数据的哑设备和哑环境中把数据采集上来，完成从0到0.1的突破。
能够实现这种突破的技术背景和根本原因有4点：
- 无线连接的普遍存在，以及连接成本的持续降低
- 小型化的低成本传感器大量可用
- 企业开始接受边缘计算和云平台协同的思路
- 使用人工智能监控时序传感器数据变得可行
当上述这些趋势形成组合方案时，便有可能形成突破性的力量。这些软硬件一体化的无线传感器采集现场信号，按照一定的周期，或者超过阈值时，将数据上传到云端。如果情况比较复杂，无线传感器有可能搭载分析模块，利用AI芯片检测设备异常。
提供相关产品的智联网公司不少，此处不再一一列举。还有一些公司的做法是，通过在其传统设备外挂“可穿戴式”传感器的方式，完成功能升级、产品迭代。
决定智联网公司能走多远的，不是算法，而是数据。除了以上3种模式之外，面对数据从哪里来的问题，更多的智联网公司正在给出自己的答案。
文中选出作为代表的智联网公司，普遍创立于2014年左右，也就是在AlphaGo战胜李世石之前。在各种趋势的潮起潮落中，如果想“落潮应该体面，谁都不要说抱歉”，那么在涨潮前就要想好要承担的责任。
本文小结
- 智联网公司首先需要解决数据获取的问题，并且不断抢占数据之争的制高点，可以说谁掌握了底层数据，谁就掌握了智联网的未来。
- 智联网初创公司获取数据的3种典型方式：读取机器故障库的数据资源、与汇聚过程数据的平台打通，以及通过虚拟或轻量传感器逐步积累数据。
- 对于预测性维护而言，人工智能其实是解锁了前人没法运用的“笨办法”，并不是什么“新手段”。
