近年来，随着对设备可用性和整体效率要求的不断提高，状态监测和预测性维护的应用正显著增长。大数据、智能算法、云计算和无线技术等技术发展正逐步进入市场，不仅拓展了自动化分析的可能性，也为重塑监测与分析流程创造了机遇。
工业云
基于状态的维护（CBM），即预测性维护，是云端系统的核心。这些系统基于针对特定机械和工艺定义的模型/算法，提供数据分析和解读。系统检测到的偏差将触发维护建议。此类系统使企业能够从被动维护转向主动维护，从而在实际故障发生前就实施维护。
预测性维护
需要明确的是，预测性维护或基于状态的维护（CBM）并不依赖于云端系统。许多提供此类解决方案的公司将预测性维护作为新概念进行推广。但事实并非如此；现有的状态（振动）监测系统已在工业市场应用数十年。 自（在线）状态监测系统投入使用以来，预测性维护策略便已具备可操作性。这些系统提供的数据可用于监测振动行为、建立振动趋势，并能应用于预测性维护。此外，支持自动化分析的系统并不一定基于云端。
为何使用自动化分析？
企业正面临专业知识水平急剧下降的困境。这主要是由于专家退休以及年轻专家或受过相关培训的人才匮乏所致。这种专业知识的缺失可以通过实施一个支持自动化分析的系统来解决，该系统将专业知识实质上转移到了系统中。该系统利用模型/算法来分析和解释振动数据，从而得出具体的维护建议。
通过自动化旋转机械的振动分析与解读，开展此类工作所需的本地工程师数量将减少。对于那些正面临合格振动专家数量不断减少困境的企业而言，转向自动化系统或许是不可避免的。
按需提供专业知识
我们认为，这些发展带来的主要机遇在于提升状态监测的效率和效果。利用自动化数据处理提供一线分析，而无需依赖本地专业知识，这可能带来革命性的变化。 无线传感器和互联监测系统可减轻监测系统对基础设施的影响并降低初期投资。共享数据可优化自动分析算法，并为远程支持提供机会。这些技术提高了状态监测系统和架构的整体效能与价值，并将服务模式转变为“按需专家服务”。
注意事项
尽管这些新技术带来了机遇，但必须进行恰当的考量。
“随着分析和决策逐渐转移至自动化系统和远程专家，现场工程师将越来越少地参与机械设备的操作。”
1. 数据验证
输入数据是任何自动化或远程分析的关键，因为这些分析完全依赖于这些输入提供的信息。因此，必须对数据输入进行验证，包括：
- 为应用选择合适的传感器
- 传感器校准
- 信噪比
此外，必须验证数据的准确性。所呈现的数据必须相关且准确，才能构建起有效的预测性维护体系。准确性较低的数据不能用于监测。鉴于数据准确性的限制，很难处理（异常的）环境影响，例如环境变化、异常工艺条件或人为错误。例如，由另一台机器引起的振动（交叉振动）可能会触发自动化系统产生误报。
2. 物流与维护
为收集相关数据，必须确保测量和数据流的可靠性。必须建立完善的维护和后勤保障体系，其中包括：
- 防止传感器接线错误
- 防止传感器安装位置/定位错误
- 相关数据采集间隔
- 备用传感器的供应情况
- 传感器电池管理与更换策略
- 稳定、安全且可靠的网络连接
3. 本地专业知识
随着分析和决策职能转移至自动化系统和远程专家，现场工程师将越来越少地参与机械设备的操作。因此，对外部专家在分析和支持方面的依赖程度日益加深。
4. 安全与隐私
随着传感器和监控硬件连接到互联网，网络安全成为一项风险，而关于数据存储和处理的新指南（如 ISO 27001）也随之适用。这些漏洞和法规增加了互联系统实施的复杂性。
