机器即服务（MaaS）新模式——预测性维护时代的到来！

供应商和客户之间的这种利益冲突一直存在。设备制造商如何通过预测性维护技术来保持盈利能力，而又不影响工业设备更换和服务合同带来的收益?

 预测性维护技术

预测性维护技术通常涉及到的工业自动化产品有：智能  传感器 (例如振动传感器、温度传感器等)、便携式监视设备、专用预测维护软件以及专用于预测维护功能的网关。工业自动化硬件通过收集相关数据来测量设备的性能，例如用于机器振动和机器温度的智能传感器。

然后，通过应用了机器学习算法的软件来检测这些读数中的异常。随着时间的流逝，经过振动传感器和温度传感器训练的这些软件算法，可以更好地预测工业设备何时会出现故障。

尽管状态监视这一概念已经出现一段时间了，但是更复杂的预测性维护产品的市场仍然非常年轻。大多数预测性维护解决方案都是按单位销售的，供应商通常对每个传感器按年或按月收取费用，这样可以访问用于进行分析的专用软件。这种定价方法将继续增长，但它不能直接解决机器设备供应商和用户之间的利益冲突。

 机器即服务模型

创新技术应用的改变可以解决这种利益冲突，并且将成为未来预测性维护技术实施的主要趋势。该概念被称为机器即服务(MaaS)。

MaaS模式采用软件即服务(SaaS)的模型，重新考虑价格并将其应用于机器。它不是按年度订阅来定价的解决方案，而是根据性能进行定价。客户和供应商之间已就关键绩效指标(KPI)达成一致;合同的价格取决于这些目标实现的程度。

例如，在此模型下，生产各种类型包装机的Pearson Packaging公司采用了新的定价策略。该公司没有直接出售机器，而是保留了设备的所有权，并根据包装箱的数量(无论是竖立的还是密封的)向客户收费。

这种方法可以激励机器制造商尽可能长时间保持机器的运行，并尽可能延长正常运行时间，而这两个方面都可以通过预测性维护技术解决。

 工业数据所有权

工业数据所有权是采用预测性维护的一个障碍，MaaS模型有助于克服这一障碍。数据所有权是实施预测性维护解决方案的用户与工业自动化或OEM厂商之间的关键讨论点。

研究表明，由于数据可能被恶意方用来收集商业秘密或未公开的运营信息，因此制造商在共享其工厂的运营数据时通常会比较保守。欧洲的制造商通常对共享此数据最敏感，美国次之，亚太地区则最不敏感。

预测性维护产品的供应商，通常会通过使用数据来改善其产品的功能，间接实现数据的商业化。毕竟更多的数据可以更好的训练算法。

有人担心，预测性维护供应商会将数据出售给经纪人，或出售给使客户能够对现实运营数据中的趋势产生自己见解的应用程序，直接实现数据的商业化。预测性维护供应商出售运营数据的能力可导致客户的安全问题。

MaaS不能完全解决数据所有权问题;但是由于必须共享数据才能使该模型运行，因此我们认为MaaS是人们共享此类机器数据风险较小的一种。

通过MaaS模型，可以协调供应商和客户之间的激励机制，将两者置于同一团队中，为合作共享数据打开大门，并可以据此优化预测性维护以更有效地运行机器。

 更好的服务定价模型

电机设备制造商SKF就在其轴承产品上采用了MaaS模型。该解决方案产品的定价，围绕降低轴承的历史故障率而定。而且，这类模型协调了供应商和客户的激励机制，因此现在双方都期望通过延长设备的使用寿命而不是通过讨价还价来获得收益。

当然这类模型肯定不是"一刀切"。向最终用户销售时，此类模型效果很好。但是，向机器制造商销售时，"由谁付费"的问题变得更加复杂，因为机器制造商并不是设备的最终使用者。这并不是说设备制造商在向机器制造商出售产品时不能采用这种模型，只是需要进行更多的协商才能确定谁在机器的安装位置监视轴承状况等细节。

由于需要为每个客户协商特定目标，因此该模型需要更主动的销售流程，并且可能适用于最关键的应用程序。减少的设备资本支出和激励措施的结合，使该模型对制造商具有吸引力，并且是从竞争对手中脱颖而出的有效方法。

随着时间的流逝，MaaS模型可能会变得越来越普遍，新业务模型将有助于推进预测性维护技术的广泛采用。预测性维护的价值主张变得越来越显著，已不容忽视，并且最近随着智能传感器和新的创新商业模式的出现，该市场已经为快速增长做好了准备。、