数字运维与工业互联网融合-提升平均故障间隔时间（MTBF↑）　

　　相对于被动式的事后维修，企业更应该关注主动式的预防性维修和预测性维修，这对于处于智能制造时代的工业企业尤为重要。
　　其中对于复杂系统而言，针对易损部位的周期性的预防性依然必不可少，这是因为复杂系统零部件数量较多，故障失效点多和部件的可靠度要求较高的原因。数字运维系统根据设定预防性维修周期，自动下达和跟踪周期性保养项目，实现预防性维修闭环管理。
　　预防性维修虽能够依据复杂设备失效模型，针对性的开展计划性的维修业务，但并不值得大力推广，这是由于过度的预防性维修一方面会带来维修费用攀升，占用大量的生产时间，另一方面会因为设备本身和工业备件供应质量条件制约，会带来越修越坏的窘况。
　　为此，强调状态的预测性维修成为主动维修的主要通道，核心在于发现制造系统早期隐患和缺陷的能力，并构成动态的隐患和缺陷消除机制，这包括：
1.点检与AI诊断辅助系统。通过配置点检基准，设定点检的项目、方法、周期和异常判定条件，周期性的推送至维修人员工业APP终端，这一方面有利于强化点检的执行效率，有效避免错检和漏检，同时也通过数据分析结构导向督促点检人员发现问题的能力，避免走形式主义，另一方面通过数据深度分析，智能识别出影响运维能力制约条件，开展针对性的维修作业、技改和业务改善。
2.委外精密点检与状态诊断辅助。诊断技能是预测性维修的重要基础，培养诊断人才依然是制造企业面临的重要任务，利用专业点检仪器辅助诊断，提高预测性维修诊断准确性是实施预测性维修的在数字运维的隐患发现的输入之一。同时借助于第三方的精密点检，如特种设备检验，是预测性诊断和处理的必要措施和支持手段。
3.工业互联网自诊断系统。在高度数字化、智能化和自动化的智能制造复杂系统中，制造系统的复杂性使得影响系统稳定性的不确定性因素更多，基于业务数据和设备物理实时数据的多源数据采集、分析和应用变得更加重要。其中，用于故障诊断分析的数据，将反馈到数字运维系统中形成维修业务闭环，是工业互联网十分重要的应用场景。
　　备注：当前影响工业互联网发展的制约条件，包括数据质量、与故障分析相关的传感器质量、故障失效模型基础研究、以及工业企业自身设备的可靠性和维修性水平、装备制造企业的设计、制造水平，都存在的较大的缺陷。就当前而言，工业企业借助先进信息技术的重要抓手依然是数字运维，或者说在未来10年-20年内，人机和数据协同，依然是工业互联网发展的主流方向和应用场景。