6GK5798-8ML00-0AB3产品说明国内企业更加关心系统集成层面的风险。在实际接触了国内数十家相关企业之后，可以发现模型准确度不足、商业模式不够理想、供应商风险，都是预测性维护在发展中遇到的问题。（@王宇）***终用户的普遍顾虑包括：1.缺少技术***，模型准确度有待提升机理模型，是指根据对象、生产过程的内部机制或者物质流的传递机理建立起来的***数学模型。这个模型是进行预测性维护的基础之一，但工业中的数据思维刚刚开始建立，懂得机理的***毕竟是少数。对于设备机理的深刻了解，需要基于十几年甚至几十年的长期经验积累才能具备。比如一家工厂中的某台重型设备总是发生偏轴的情况，长期争论到底是设备问题还是组件问题，悬而未决。直到找来一位富有经验的老***，才***终发现问题所在。原来不是设备本身的问题，而是地基太软的问题，才导致传动轴总是发生故障。预测性维护中采集哪些数据，如何安装传感器，如何选择采集频率和周期…都需要建立在掌握机理模型和行业know-how的基础之上。可以说预测性维护的技术门槛很高，尤其是行业know-how知识的门槛高，如果只懂IT领域的技术，就会发现空有十八般武艺，完全无用武之地。6GK5798-8ML00-0AB3数据可移植性差你可能会问为什么数据需要可移植性？因为这是构成数据管理战略的基础。真正做到数字化的工业企业，必须***了解所拥有的数据，掌握完整且持续更新的数据可见性，根据业务需求按需对数据进行迁移。同时，工业数据的归属权和使用权问题一直都是敏感话题。因为工业数据存在价值密度低、企业属性强的特征，不太可能产生直接的数据交易。但是工业数据又非常有价值，各方都希望得到使用权：***终用户根据数据可以改善生产和经营；设备服务商根据数据可以提供更好的设备***和服务；设备制造商根据数据可以改进机器参数，优化设备指标…从类别上来看，工业数据大致可以分为两种，一种是设备数据，一种是工况数据。工况数据涉及企业内部经营信息，***终用户并不希望进行数据分享。预测性维护的准确度越高，价值越大，难度也越大。由于数据本身就是资产，***终用户的数据安全和隐私保护意识越来越强，预测性维护想要提升准确性，大量数据做算法训练又必不可缺，数据是否可得、可用、可复用？其中太多困难。3.供应商存在较大风险预测性维护被吹捧为“***级”应用之后，很多公司都在围绕这个领域开展业务。其中不乏鱼目混珠者，拿着“***”就来做预测性维护，让***用“CT机”认真诊断的只好苦笑。预测性维护项目在推进的过程中，还有可能引来不必要的***。提供预测***务的物联网企业，往往会遇到很多质疑。比如预测某台设备将会出现问题，***终用户有可能会对判断结果产生疑问。如果***终用户确信诊断结果，去找设备制造商解决，设备制造商有可能会认为是做预测性维护的过程中，内嵌了传感器，***和***设备才造成的故障。6GK5798-8ML00-0AB3)