數字運維與工業互聯網融合-提升平均故障間隔時間（MTBF↑）　

　　相對于被動式的事后維修，企業更應該關注主動式的預防性維修和預測性維修，這對于處于智能制造時代的工業企業尤為重要。
　　其中對于復雜系統而言，針對易損部位的周期性的預防性依然必不可少，這是因為復雜系統零部件數量較多，故障失效點多和部件的可靠度要求較高的原因。數字運維系統根據設定預防性維修周期，自動下達和跟蹤周期性保養項目，實現預防性維修閉環管理。
　　預防性維修雖能夠依據復雜設備失效模型，針對性的開展計劃性的維修業務，但并不值得大力推廣，這是由于過度的預防性維修一方面會帶來維修費用攀升，占用大量的生產時間，另一方面會因為設備本身和工業備件供應質量條件制約，會帶來越修越壞的窘況。
　　為此，強調狀態的預測性維修成為主動維修的主要通道，核心在于發現制造系統早期隱患和缺陷的能力，并構成動態的隱患和缺陷消除機制，這包括：
1.點檢與AI診斷輔助系統。通過配置點檢基準，設定點檢的項目、方法、周期和異常判定條件，周期性的推送至維修人員工業APP終端，這一方面有利于強化點檢的執行效率，有效避免錯檢和漏檢，同時也通過數據分析結構導向督促點檢人員發現問題的能力，避免走形式主義，另一方面通過數據深度分析，智能識別出影響運維能力制約條件，開展針對性的維修作業、技改和業務改善。
2.委外精密點檢與狀態診斷輔助。診斷技能是預測性維修的重要基礎，培養診斷人才依然是制造企業面臨的重要任務，利用專業點檢儀器輔助診斷，提高預測性維修診斷準確性是實施預測性維修的在數字運維的隱患發現的輸入之一。同時借助于第三方的精密點檢，如特種設備檢驗，是預測性診斷和處理的必要措施和支持手段。
3.工業互聯網自診斷系統。在高度數字化、智能化和自動化的智能制造復雜系統中，制造系統的復雜性使得影響系統穩定性的不確定性因素更多，基于業務數據和設備物理實時數據的多源數據采集、分析和應用變得更加重要。其中，用于故障診斷分析的數據，將反饋到數字運維系統中形成維修業務閉環，是工業互聯網十分重要的應用場景。
　　備注：當前影響工業互聯網發展的制約條件，包括數據質量、與故障分析相關的傳感器質量、故障失效模型基礎研究、以及工業企業自身設備的可靠性和維修性水平、裝備制造企業的設計、制造水平，都存在的較大的缺陷。就當前而言，工業企業借助先進信息技術的重要抓手依然是數字運維，或者說在未來10年-20年內，人機和數據協同，依然是工業互聯網發展的主流方向和應用場景。