预测性维护 (Predictive maintenance，PdM) 是通过对设备的状态监测，定期或连续地监测其运行的状况，预测设备未来发展的趋势，优化设备的性能和使用寿命。根据装备状态的发展趋势和可能的故障模式，预先制定预测性维修计划。预测性维护是以状态监测、异常检测和分类算法统计过程控制原理为基础，利用预测模型监测来预测设备状态变化趋势，从而确认未来合适的维护时机。
预测性维护是通过安装在工业设备上的传感器，实时监控设备的运行状态，预判故障可能发生的时间，如果存在故障隐患，将会自动触发报警或者维护命令。
预测性维护基于“数字孪生”技术，提供了很好的解决方案，被誉为工业4.0领域的核心创新之一。
一、预测性维护的优点
延长机器使用寿命
通过识别问题，使设备保持最佳状态并防止小问题变成大问题，有助于延长设备的使用寿命。
最大限度地降低维护成本
在物联网传感器的帮助下，很容易检测异常并在问题变得不可逆转之前进行修复。这最大限度地减少了由于计划外机器停机而导致运营受挫的可能性。
减少停机时间
预测性维护通过在故障发生前解决问题，从而显著减少停机时间。这有助于有效地优化资源计划或将维护安排在工作时间之外。预测性维护解决方案可以减少大约 45% 的停机时间。
增强安全性
在任何工业环境中，安全都是重中之重。设备故障会对人员和运营构成重大风险。预测性维护通过确保设备可靠运行并在潜在故障变得危险之前得到解决来提高安全性。
二、PHM技术可以做什么
对（大型）设备，在维修更换数据和实时退化数据建模的基础上，进行可靠性的动态评估和故障的实时预测，以及基于评估和预测的信息制定科学有效的健康管理策略。
PHM技术的六大功能点分别是数据获取、特征提取、状态监测、健康评估、故障预测和维修决策。
数据获取
就是使用各种传感器把设备参数采集起来。一些大V口中常说的万物互联，就是基于物联网（或细分行业中常说的车联网、船联网）来实现，物联网就是把待监测设备的各类型参数采集起来的大网络。就是对信号进行预处理，提取一些能表征设备状态的特征。比如想要判断一个人有没有发烧，就去测量体温。这里体温就是表征这个人是否发烧的特征。
状态监测
比如对上述提取的特征设置个阈值（不一定是硬阈值，如模糊逻辑，这里就不细说了）。比如37 ℃或37.3 ℃作为阈值，超过了就判断发烧了。健康评估。可以简单理解为使用上述众多特征及其对应的阈值，综合评估人的健康状态。比如使用体温、血压、心电图等等综合评估健康指数。
故障预测
基于上述结论，进一步预测病人病情是在好转还是恶化，如果可能恶化，那么恶化的速度会如何。维修决策。基于故障预测结果，制定治疗方案。比如预测病人病情正在好转为轻症，那就继续疗养；否则重症监护室、准备手术等措施就要提早准备及时跟进。
三、预测性维护技术应用在哪些行业领域
航空航天、轨道交通、风力发电、电力装备、机床刀具、工业机器人、汽车电子、智能制造等。
四、测试项目
1、状态监测算法测评
基于阈值的监测算法:状态监测算法可分为两种，分别是基于固定阈值的判别方法和基于相对阈值的判别方法。
2、故障诊断算法测评
专家系统测评:专家系统可应用人工智能技术和计算机技术，根据领域专家的知识和经验，进行推理和判断，基于专家系统的特征数据匹配度，获得故障诊断的结果。
机器学习算法测评:机器学习算法可通过状态特征的分类，获得故障诊断的结构。
3、寿命预测算法测评
基于用户定义的失效阈值，寿命预测算法能够推演预测特征的轨迹在何处与失效阈值相交，并得到寿命终点时间，进而获得寿命预测的结果。
五、检测标准
GB/T 43555-2023《智能服务 预测性维护 算法测评方法》