人們對風險管理技術和企業工具的應用由來已久，但是主要集中在保險，金融和銀行業。隨著工業物聯網產業和物聯網終端設備的迅速發展，原始設備制造商和工業客戶將有更多機會將相似的技術應用于工業設備的故障預警和維護領域。正如我們的客戶（ABT【電源設備管理公司】）就表明有必要使用最先進的規范性分析工具，以此來降低設備故障風險并在各工業場景中對設備的維護成本模型進行優化。

應用最先進的分析工具可以有效地改善物聯網領域中的故障風險管理：

1.日益細化的物聯網數據，增加了其與對應的故障信息相匹配的難度

我們對于金融交易中的人類行為和欺詐案件的研究由來已久。然而，對于來自新連接設備、子組件等相關機器的故障信息數據而言，可以說我們的研究才剛剛起步。對于如何將新歸檔的數據與已記錄的故障信息關聯起來，我們缺乏相關的歷史經驗。因此就有必要將傳統人工經驗（業務規則）嵌入到預測性分析（機器學習）工具中。

2.多個物聯網組件數據難以與單個故障行為相匹配

隨著物聯網傳感器和設備組件變得越來越普遍，可能很難將某個特定組件的行為與單個故障關聯起來。例如，在商業釀酒廠中，混合物中餾出液溫度的升高和酒精轉換率的降低可能是冷卻水流的減少或者二次蒸餾盤堵塞所導致的，甚至可能是因為蒸汽閥出現了相關故障。通過跟蹤每個組件上的傳感器數據并將它們與對應操作員的經驗行為相關聯，機器可以更精確的預測出針對特定的蒸餾設備，需要進行何種清潔和維護措施。

在其他業務場景中，從多個工業物聯網組件中收集數據，并與業務經驗相結合進行機器學習，將顯著增強機器對設備故障和維護需求的預測能力。

3.機器學習提高了維護洞察力，降低了維護成本

現如今，無論需要與否，設備生產商們都會對生產設備進行定期維護。然而，通常這樣的維護計劃并不能有效降低設備出現故障的概率。因此，對于廠商們來說，一方面將是不必要的維護，另一方面則是還會遇到不可預知的設備故障。這兩方面都會增加成本并延長耗費極高的設備宕機時間。相反，如果能有效的將預測性分析與決策邏輯相結合，結果將變得完全不同。例如，我們的一位客戶--一家位于澳大利亞西部的主要電力經銷商，就將二者進行了有機結合，以定位可能發生故障的電網組件，從而進行針對性維護。

現代決策管理平臺（如SMARTS明策智能決策引擎），就可以從根本上改善風險管理問題。該平臺支持智能工業機械的自我迭代，令其在維護間隔期前后能夠自行對設備故障的行為模式進行學習和故障預判。我相信，先進的設備制造商和工業廠商能夠通過使用這些決策工具，成功的制定出高度靈活的維護計劃并在大多故障發生之前對廠商進行提醒。

總之，工業廠商和設備制造商都需要現代化工具來管理相關的物聯網終端，并最終采用先進的工業物聯網風險管理解決方案。這些技術將帶來更長的設備運營時間，更低的維護成本和更高的生產力。這種現代化規范性分析工具提供了兩個關鍵的專業功能：

預測性分析
快速分析物聯網設備數據并對其進行可視化操作，同時學習和預測各種設備故障的行為模式，并最終提出最優的解決方案或改進后的維護計劃。

決策管理/規則引擎
以便捷、圖形界面的形式呈現預測結果，同時在多種故障場景中進行測試驗證，并及時部署預測工業故障的決策邏輯。當我們部署這些經過自動優化的故障風險決策邏輯后，即使是業務不熟悉的操作員也可以高效地管理最復雜的工業系統。