预测性维护是当前基于大数据、工业互联网、智能制造等热门概念领域的重要应用场景之一，很多时候都被用作诠释上述理念的典型例子。
事实上，预测性维护涉及到机器学习、传感采集等核心关键技术，那么来自机器设备本身的运行数据是极其重要的，一是数据量，二是数据的实时性和准确性。
对于维护管理来说，已经经历了事后维护、预防性维护阶段，开始实现基于状态的维护甚至更加智能化的预测性维护阶段。
可以发现，如果我们最终达到真正的预测性维护目标，不但能够尽早发现潜在故障，提出预防性措施，避免发生事故，保障设备安全运行，而且还可以对故障加以预测，指导制定合适的维护计划，帮助业主完全避免过度维修，节约大量设备维护成本。
那么对于后二者来说，关于设备本身的运行状态信息和数据是实现先进维护方式的基础。
数据积累
来自设备的实时状态数据的种类和数量的积累，对于建立设备机理模型和故障预测模型都十分关键，是能够完成机器自我学习的前提。
所谓“设备状态监测”，就是对运行中的设备的振动、噪声、电流、温度、油质等状态参数实施定期或连续监测、有关参数分析、有效地对设备运行状态进行系统自动监测分析或人工分析，读取相应的自诊断状态报告，进而具体指导维修工作。
据不完全统计，通过预测性维护可以为企业带来生产率增加：2%~40%，维修费用减少7%~60%，设备寿命延长1~10倍，备件库存减少10%~60%，能量消耗减少5%~15%，过程停机减少多达70%……。
1. 振动; 2. 温度; 3. 相对湿度; 4. 环境气压
BCM——数据积累的利器
首先，巴鲁夫公司的BCM系列状态监测传感器可以实现多功能变量数据采集，能探测多种物理变量，如震动、温度、相对湿度和环境压力，从而大大在降低系统成本的同时大大提高了状态监测的数据种类和数据量。
其次，BCM可以对这些数据进行预处理，能在一个设备内预处理大量原始数据并提供评估分析的标准。
另外，BCM可以通过IO-Link实现双向通信，将必要数据传输至主系统，进而能简便的调整参数并用于数据评估。
随着人工智能、大数据、云计算和物联网的发展，基于设备状态监测的预测性维护将成为主流，成为企业设备自动化管理能力和智能化应用推广的必备手段。作为传感检测自动化的专家，巴鲁夫公司正在为这一方向提供强大技术助力。
