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）或预测性维护是云系统的核心。这些系统根据为特定机械和流程定义的模型/算法提供数据分析和解释。系统检测到的偏差将提出维护建议。这些系统使公司能够从被动维护转变为主动维护。维护工作可以在实际故障发生之前进行。
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。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。
为什么要使用自动分析？
企业面临着专业人才严重不足的问题。这主要是由于专家退休和年轻专家或接受过相关培训的人员稀缺造成的。要解决专业人才缺乏的问题，可以采用自动分析系统，将专业人才转移到系统中。该系统使用模型/算法来分析和解释振动数据，从而提出某些维护建议。
通过对旋转机械进行自动化振动分析和解释，可以减少对本地工程师的需求。对于那些因有能力的振动专家越来越少而苦恼的公司来说，转向自动化系统可能是不可避免的。
按需提供专业知识
我们认为，这些发展带来的主要机遇是提高状态监测的效率和效果。利用自动数据处理来提供一线分析，而不需要当地的专业知识，可以改变游戏规则。无线传感器和联网监测系统可以减少监测系统对基础设施的影响和初期投资。共享数据可以改进自动分析算法，并为远程支持提供机会。这些技术提高了状态监测系统和结构的整体效率和价值，并将服务模式转变为按需提供专业知识。
考虑因素
尽管这些新技术带来了机遇，但必须做出正确的考虑。
"随着分析和决策工作转移到自动化系统和远程专家手中，本地工程师将越来越少地参与机械设备的工作"。
1.数据验证
输入是任何自动或远程分析的关键，因为它们完全依赖于这些输入提供的信息。因此，数据输入必须经过验证，包括：
- 为应用选择合适的传感器
- 传感器校准
- 信噪比
此外，还必须验证数据的准确性。要建立一个有效的预测性维护结构，所提供的数据必须相关且准确。精确度低的数据无法用于监控。鉴于数据的准确性，很难处理（特殊的）环境影响，如环境变化、特殊工艺条件或人为错误。例如，另一台机器引起的振动（交叉振动）可能会触发自动系统发出错误警报。
2.后勤和维护
要收集相关数据，必须保证测量和数据流。适当的维护和后勤工作必须到位，包括：
- 防止传感器交叉接线
- 防止错误放置/定位传感器
- 相关数据收集间隔
- 备用传感器的可用性
- 传感器电池管理和更换策略
- 稳定、安全、可靠的网络连接
3.当地专门知识
随着分析和决策工作转移到自动化系统和远程专家手中，本地工程师对机器的参与将越来越少。因此，对外部专家的分析和支持的依赖性越来越大。
4.安全与隐私
随着传感器和监测硬件连接到互联网，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。
