具有数据分析功能的网络传感器可以实施基于状况的维护，以预测设备何时可能出现故障。依靠大型昂贵设备的公司负有维护资产完整性和安全性的基本责任，不仅要保护员工和客户，还要降低运营成本。这种责任在所有工业部门中都很普遍。公用事业公司需要维护大型发电厂和广泛的输配电线路。基础设施运营商负责确保大型分散资产的安全性和可操作性，例如道路，桥梁，隧道，水路，下水道和供水。运输和分销公司必须继续维护和维修分散的火车，公共汽车和卡车车队。飞机公司和航空公司必须可靠地确保其喷气飞机在每次飞行中都是100％安全的。制造工厂和加工厂需要确保机器处于最佳工作状态，以防止机器意外故障并关闭整个生产线。此类关键设备的停机时间可能会给公司及其供应链造成代价高昂的中断。解决此复杂问题的最具成本效益的解决方案是采用预测性维护系统。预测性维护（PdM）是一种监视高价值设备在运行期间的状态和性能以了解其健康状况，预测故障时间并采用寿命延长机制，计划和执行维护以减少即将发生的故障的影响的方法。从而减少了意外故障的可能性。自1990年代以来，该行业一直在考虑进行预测性维护，但是，在实现全部收益方面仍然存在一些障碍。困难的一部分是需要为设备配备可以观察到所关注事件的传感器。另外，有必要收集，存储和分析来自分散资产（例如大型车队）的传感器数据。解决分析问题的一种方法是为每个工业企业开发数学模型和算法库。然后可以将这些模型应用于每个特定设备的标准化体系结构。工业物联网（IIoT）中的分析技术通过通信和传感器部署中工业物联网（IIoT）的最新发展，使影响广泛的工业设备的预测性维护更加可行。经过精心设计和训练以识别设备故障的基于物理学的模型和机器学习系统的强大组合，也可以做出准确的预测，以预测特定设备的故障时间。这样，工业公司不再需要进行昂贵的程序来进行定期检查或维护时间表，而这实际上是不必要的。相反，预测性维护系统可以在逻辑上对任何必要的维护进行优先级划分，以防止发生故障，从而大大节省了宝贵的时间，金钱和资源。此过程的第一步涉及异常检测，其中网络边缘的智能传感器将检测似乎不正确的事物-尚不知道出了什么问题。下一步是对任何已标记的设备进行诊断，以确定问题的根本原因。最后，预测算法可以准确估计设备何时发生故障。名为MOXI的工业物联网系统分析技术平台使工程师，操作员和维护专业人员可以远程监视和主动管理意外的系统故障和维护问题。 MOXI专为制造业，电网，铁路，桥梁和其他重型基础设施等领域的大型工业资产而设计。工业物联网套件将嵌入式传感，复杂的系统模型和人工智能技术相结合，以高精度，可忽略的误报率和接近零的漏检率来预测不利的系统状况。部署预测性维护以提高铁路效率在一个案例中，PARC正在与东日本铁路公司（也称为JR-East）进行一项试点项目。由于基础设施老化和定期维护预算的缩减，东日本铁路一直面临着成本上涨的问题。 PARC与野村综合研究所（NRI）合作，采访了JREast的工程师，研发团队和维护技术人员，以全面了解问题并确定如何使用预测性维护技术。然后，PARC创建了一个仪表板模型，收集了来自JR-East的反馈，并开始了算法和软件开发的快速迭代。该团队通过应用高级机器学习和基于模型的系统分析方法，开发了定制的故障检测和诊断试验软件。还为JR-East工程师开发了仪表板，以可视化并更好地理解