前不久，微信后台的一条留言引起了我们的关注：恰恰是新上的“生产设备故障诊断系统”增加了故障面积。我就是因为“故障诊断系统”出故障被叫上门的。

在需要24h不停运转的工业生产环境中，突发故障会造成难以挽回的损失。但试想一下，如果故障诊断系统坏了，给出错误诊断，工程师再对设备进行不当的排查和处置，很有可能导致故障处置时间、人力、成本等的增加，甚至为后续工作留下隐患。

工业设备状态监测与故障诊断，是近年来比较热的话题之一，更是被称为工业互联网落地的最好着力点之一。但其应用是否成熟？市场现状如何？今天，我们就来讨论下工业设备状态监测与故障诊断的那些事儿。

故障诊断需求猛增，运维不是难题

随着现代自动化技术水平的不断提高，工业设备制造和工程系统的复杂性大大增加，系统的可靠性与安全性变得尤为重要。

通过在现场设备上加装功率传感器、振动传感器等各类传感器，通过联网实时采集设备数据，并将数据传输到设备故障诊断系统。

设备故障诊断系统再对采集到的设备状态数据、运行数据和现场视频数据进行全周期监测，建立设备故障知识图谱，对发生故障的设备进行诊断和定位，通过数据挖掘技术，对设备运行趋势进行动态智能分析预测，并通过网络实现报警信息、诊断信息、预测信息、统计数据等信息的智能推送。

工业设备状态监测与故障诊断主要包括：

状态评估或叫状态监测，目的是根据测试信号来判断机器是不是有故障；

故障诊断，经过第一层次判断，如果有故障，需要判断故障的类型、部位和严重程度；

剩余寿命预测，即目前为止，机器还能使用多久，为下一步提前更换设备，降低损耗，做出预测。

技术很好，应用成熟吗？

目前，国内企业根据规模大小、技术研发实力以及提供诊断服务能力大致可以分为三大类型：

第一类是具有较强的自主研发创新能力和拥有强大的故障诊断分析专业团队，能够为客户提供符合行业特征和企业需求的个性化状态监测、专业化故障诊断服务和技术支持的整体解决方案提供商。其自主研发、生产和销售的产品能够应用于多个细分行业和领域，拥有一定规模的网络化在线监测客户群体，积累和掌握了大量的监测数据及经过验证的诊断案例库，拥有较为丰富的故障诊断经验积累。

第二类是具有一定的技术研发能力，企业规模较小，专注于某一个细分行业或领域的设备状态监测产品的生产和销售，不具备为客户提供专业化的故障诊断服务能力。

第三类是设备集成商或产品代理商，自身不具有研发和生产能力，凭借自身在特定领域的客户开发能力进行产品集成和销售。

在与一些工程师交流中，也有人表示现在做的企业不少，但还没有见过特别成功的案例，实现智能诊断道路还有很远很远。

以装配为例，首先很多企业的装配大多数是不严谨的，这会直接影响机械地振动特征。通过实验室做出来智能诊断是可行的，但是实际应用到现场的准确性还是概率问题。再比如，很多企业的生产现场，传感器没有布置完全，采集的信号很多是不完善的，也就造成了诊断很难……

通过翻阅相关企业的介绍以及其招股上市书，我们可以发现，工业设备状态监测与故障诊断，需要深度掌握所服务行业的设备制造和运行机理，同时还要了解设备运行的各类影响因素才能实现准确的监测和故障诊断，需要企业具备雄厚的技术储备和经验积累。

但目前，国内工业设备状态监测与故障诊断行业发展时间较短，尚处于快速发展阶段，行业内的大多数企业规模较小，不具备为客户提供工业设备状态监测与故障诊断系统解决方案能力。

此外，不同行业的工业设备在实际运行中存在各种各样的复杂环境和工况。提供符合特定行业需求的状态监测系统产品需要较高的研发能力、综合的技术背景和丰富的诊断经验，具有较强的技术壁垒。

智能故障诊断会替代工程师吗？

在工业领域中，设备状态数据是普遍存在并作为衡量设备状态的重要指标，当设备内部发生异常时，随之会出现设备状态数据的变化。

但是对于工业领域的企业来说，首先，多数企业并不会公开自己的数据；其次，很多工业企业在设计之初并未考虑安装相关采集设备，所以大量设备并没有能力收集到数据；再者，针对一些偶发出现的故障，故障数据样本非常少，不利于发现问题。由此可见，目前行业还属早期，还要经过长时间数据积累、分析。

小编非常认为，故障诊断对于像风电、航空航天等重要领域企业来说，十分有必要。毕竟这些行业里的设备如果出现故障，其造成的后果太严重了，承受不起。并且这些领域内的企业数字化程度较高，对关键数据的采集频率更高，更利于开展故障诊断。

但有一点，无论人工智能技术怎样发展，技术怎样进步，故障诊断工程师都扮演着不可或缺的角色。就像是无论技术多么发达，对病人下诊断结论的时候，还是需要经验丰富的医生进行最后的拍板。

据了解，全球工业互联网平台约有83%开展了设备和产品在线监测、故障诊断、远程运维等应用服务。

很多新技术一样，在概念的阶段，会被炒得非常的热，炒得火热之后从投资到消费到整个产品的供应链，都会对它报以极高的期望。但是实际落地的时候，成本、可靠性和技术成熟度，很多问题就会涌现出来，往往没有大家期望得那么快。

就像是近几年非?；鸬摹霸げ庑晕ぁ?，这是一个很热的话题。多企业也投入了大量精力去做，但真实情况如何？前不久，在某企业举办的活动中，该企业负责人就表示：目前预测性维护在业界使用的程度还不是很高，解决方案还是不太成熟。可见，其概念虽火，但在业界使用的程度还不是很高。