? ? ? 人们对风险管理技术和企业工具的应用由来已久，但是主要集中在保险，金融和银行业。随着工业物联网产业和物联网终端设备的迅速发展，原始设备制造商和工业客户将有更多机会将相似的技术应用于工业设备的故障预警和维护领域。正如我们的客户（ABT【电源设备管理公司】）就表明有必要使用最先进的规范性分析工具，以此来降低设备故障风险并在各工业场景中对设备的维护成本模型进行优化。
? ? ? ?应用最先进的分析工具可以有效地改善物联网领域中的故障风险管理：
1.日益细化的物联网数据，增加了其与对应的故障信息相匹配的难度
? ? ? ?我们对于金融交易中的人类行为和欺诈案件的研究由来已久。然而，对于来自新连接设备、子组件等相关机器的故障信息数据而言，可以说我们的研究才刚刚起步。对于如何将新归档的数据与已记录的故障信息关联起来，我们缺乏相关的历史经验。因此就有必要将传统人工经验（业务规则）嵌入到预测性分析（机器学习）工具中。
2.多个物联网组件数据难以与单个故障行为相匹配
? ? ? ?随着物联网传感器和设备组件变得越来越普遍，可能很难将某个特定组件的行为与单个故障关联起来。例如，在商业酿酒厂中，混合物中馏出液温度的升高和酒精转换率的降低可能是冷却水流的减少或者二次蒸馏盘堵塞所导致的，甚至可能是因为蒸汽阀出现了相关故障。通过跟踪每个组件上的传感器数据并将它们与对应操作员的经验行为相关联，机器可以更精确的预测出针对特定的蒸馏设备，需要进行何种清洁和维护措施。
? ? ? ?在其他业务场景中，从多个工业物联网组件中收集数据，并与业务经验相结合进行机器学习，将显著增强机器对设备故障和维护需求的预测能力。
3.机器学习提高了维护洞察力，降低了维护成本
? ? ? ?现如今，无论需要与否，设备生产商们都会对生产设备进行定期维护。然而，通常这样的维护计划并不能有效降低设备出现故障的概率。因此，对于厂商们来说，一方面将是不必要的维护，另一方面则是还会遇到不可预知的设备故障。这两方面都会增加成本并延长耗费极高的设备宕机时间。相反，如果能有效的将预测性分析与决策逻辑相结合，结果将变得完全不同。例如，我们的一位客户--一家位于澳大利亚西部的主要电力经销商，就将二者进行了有机结合，以定位可能发生故障的电网组件，从而进行针对性维护。
? ? ? ?现代决策管理平台（如SMARTS明策智能决策引擎），就可以从根本上改善风险管理问题。该平台支持智能工业机械的自我迭代，令其在维护间隔期前后能够自行对设备故障的行为模式进行学习和故障预判。我相信，先进的设备制造商和工业厂商能够通过使用这些决策工具，成功的制定出高度灵活的维护计划并在大多故障发生之前对厂商进行提醒。
? ? ? ?总之，工业厂商和设备制造商都需要现代化工具来管理相关的物联网终端，并最终采用先进的工业物联网风险管理解决方案。这些技术将带来更长的设备运营时间，更低的维护成本和更高的生产力。这种现代化规范性分析工具提供了两个关键的专业功能：
预测性分析
快速分析物联网设备数据并对其进行可视化操作，同时学习和预测各种设备故障的行为模式，并最终提出最优的解决方案或改进后的维护计划。决策管理/规则引擎
以便捷、图形界面的形式呈现预测结果，同时在多种故障场景中进行测试验证，并及时部署预测工业故障的决策逻辑。当我们部署这些经过自动优化的故障风险决策逻辑后，即使是业务不熟悉的操作员也可以高效地管理最复杂的工业系统。
