预测性维护 是工业大数据和人工智能结合落地的重要应用场景。而状态监测是预测性维护的基础和必然路径。 直接建立设备运行的机理模型或精确的故障诊断十分困难，而通过获取设备运行数据数据，结合基于规则和基于AI的信息处理，感知设备运行的异常信息，提醒维修人员关注，是当前维修策略升级的现实手段。

以设备全生命周期的视角实现设备状态的直观可视化。

即可以根据预设判断规则果断采取维修行动的提示，也可以通过丰富的设备信息，采用机器学习帮助设备工程师完成诊断挖掘，也可以辅助进行设备管理策略的完善优化

核心功能

设备状态实时可见

◆ 多种设备控制控制数据采集网关

◆ 强大的工业时序数据管理能力

◆ 集成多个来源的数据，获取关键状况的洞察

◆ 提供个性化的数据自定义展示门户 ：仪表盘 、设备热点图 、自定义看板……

基于规则的状态计算

◆ 建立设备实时状态的数据环境

◆ 基于时间窗口的流式分析

◆ 用户可自定义和不断扩展的经验

          ▲ 灵活的脚本语言

          ▲ 可集成Python的AI模型和算法

          ▲ 基于大数据建立阀值模型

          ▲ …

基于AI的状态预测

◆ 使用高级分析和 AI，利用运行历史记录中的数据快速检测问题

◆ 可使用深度学习分析流程和输出，以持续改进错误和缺陷检测方式并执行根本原因分析

◆ 导入定制模型，快速部署到工业现场

报警中心及工单对接

◆ 集中的报警管理中心，数据驱动维护的状态一目了然

◆ 与运维智能助手对接，报警信息到人

◆ 与EAM2系统对接，触发运维工单或点检工单

          ▲ 定义好的触发模板

          ▲ 可对接故障经验库

          ▲ 微信、短信、邮件支持