本期看点：① 科学算命大师：故障预测与健康管理（PHM）

② 穿透作为底层资产的机器设备

③ 盘活规模庞大的固定资产

五一假期就要来了，你的出行计划好了吗？当你搭着地铁穿梭在城市的地下，乘着高铁奔驰在春天的大地，坐着飞机飞翔在湛蓝的天空，乘着游艇遨游在广阔的海洋，你可能没有意识到，这些交通工具的日常维护、正常运营和持续工作，越来越多地在采用PHM（Prognostics and Health Management，即故障预测与健康管理）。

科学算命大师：故障预测与健康管理（PHM）

对于驾车一族来说，驾驶过程中车辆出现故障是件麻烦事。针对车辆故障，你可以在车辆出现故障后再维修，但存在滞后性、被动性的问题；也可以基于时间定期维护，但往往过度维护，浪费零部件，成本高；还可以基于状态通过采集设备数据发现故障端倪，避免严重事故，但对数据的预测价值运用还不够充分。你会怎么做？

事实上，这些方式分别对应的就是过去传统的机器设备运维方法：反应式维护（Reactive Maintenance）、预防性维护（Preventive Maintenance）、基于状态的维护（Condition-based Maintenance）。正是在此背景下，PHM应运而生。

上个世纪七十年代中叶，创新的PHM模式在美国出现，早期应用主要是在飞机发动机监控系统等军工领域。作为一门新兴的系统工程学科，PHM可以专门用于对机器设备的故障预测与健康管理，聚焦于健康状况的监测、诊断、预测和管理。PHM分为故障预测（Prognostics）与健康管理（Health Management）两个部分，前者包括对设备潜在故障先兆的监测、对设备剩余使用寿命（RUL, Remaining Useful Life）的预测等；后者指的是对设备未来健康状况的预测。

不同于传统的设备运维方法，PHM的特别之处在于既可以预测设备的故障，又可以对设备进行健康管理，发挥预测性维护作用，进行预测和防范。一般而言，PHM的操作包括数据采集、数据处理、检测、诊断、预测、决策、人机交互等几个环节。在最初阶段，即数据采集阶段，通过各种传感器监测设备，采集和得到反映设备状况的数据；在数据处理阶段，对采集的数据进行清洗和分析，生成有价值的数据供使用；在检测阶段，根据设备性能变化情况，找出相关因素；在诊断阶段，发现设备毛病所在；在预测阶段，依照现有数据，预测设备的剩余使用寿命（RUL）；在决策阶段，针对设备情况，对症下药，精准施策；在人机交互阶段，解决问题，未雨绸缪，防范未然。

随着大数据和人工智能的发展，PHM的数字化和智能化程度在不断提升，已经成为一种长期发展趋势。借助于各种数字传感器，PHM可以采集到不同的相关数据；通过人工智能，PHM可以进行数据训练、智能决策、故障预测和健康管理等。目前，深度学习ANN、CNN等算法已经与PHM结合，用于机器设备故障预测诊断和健康管理等。

随着技术的成熟，PHM已经应用到军事和民事行业，包括军用飞机、武器装备、民用飞机、高铁、地铁、汽车、船舶、发电站、制造业等。已有的数据显示，PHM带来的降本增效效果明显。军用方面，以著名的F-35飞机为例，釆用PHM技术后，故障不可复现率降低82%，维修人力减少20-40%，后勤规模削减50%，出动架次率提高25%，飞机使用与保障费用减少50%以上，使用寿命达8000飞行小时。民用方面，根据一项研究，95%的受访公司表示，PHM有助于改善生产KPI；大约60%的公司表示机器设备正常运行时间提高了9%以上，并在节约成本、健康风险和资产生命周期上有进一步优化。

PHM作为一门有着重要价值的技术，国内外有许多重点研究单位进行相关研究，包括北京航空航天大学、国防科技大学、电子科技大学、中国电子科技集团公司第四十一研究所、中航工业集团上海航空测控技术研究所、美国国家航空航天局(NASA)、波音公司(Boeing)、空中客车公司(Air Bus)、霍尼韦尔空天公司(Honeywell)、Impact技术公司等。

根据分析机构的预计，到2024年全球预测性维护市场规模将达到千亿。千亿级市场吸引着众多企业不断推陈出新，呈现百花齐放局面。

穿透作为底层资产的机器设备

在产业数字金融的实践中，机器设备等企业存量固定资产被看作是可以产生未来现金流的资产。通过对企业经营性固定资产进行实体资产数字化赋能，将机器设备当作底层资产，为企业解决融资难题。

利用机器设备作为底层资产，对机器设备真实和实时情况的掌握既是重点，又是难点。机器设备的状况和性能如何，直接关系到作为底层资产的价值的有无和多少。因此，利用PHM对作为底层资产的机器设备的监控和管理显得尤为关键。同时，如同企业的风险分为看得见的主体信用风险、看不见的交易信用风险，机器设备的问题可以分为看得见的问题、看不见的问题。如果将机器设备看得见的与看不见的问题合在一起看作一座冰山，PHM则是既要解决和避免看得见的问题，又要解决和避免看不见的问题，可以在产业数字金融中发挥重要作用。

机器设备作为底层资产的价值，除了自身新旧，主要在于自身生产商品或者服务的能力和潜力如何：同样一种机器设备，新的肯定比旧的价值更高，始终正常作业的肯定比总出毛病的更加值钱，生产能力强的肯定比弱的更有价值。重点和难点就是如何准确判断机器设备的价值。将PHM运用到产业数字金融，对机器设备进行故障预测与健康管理，可以：

实现对生产环节的监控，相关数据用于进行产品质量和数量检测与分析，掌握产品生产情况，包括数量和货值等；

记录和分析机器设备的折旧情况，更准确地掌握机器设备未来健康状况，更好地预测机器设备剩余使用寿命，判断机器设备的潜在价值；

更加及时对机器设备进行运维，降低运维成本，延长机器设备使用寿命；

更精准地防患于于未然，保障生产线连续工作，创造更多的商品和服务；

助力企业更加充分地发挥机器设备作为底层资产进行融资租赁所具备的价值，应用于解决融资难、融资贵问题，实现降本增效。

总之，PHM运用到产业数字金融机器设备故障预测和健康管理，可以更准确地把控机器设备的价值，寻找和发现优质底层资产。

产业数字金融形成了全场景、全方位、全天候的监控体系，运用各种数字科技行业解决方案实现对机器设备的监控，进而管控风险。PHM有助于掌握机器设备的真实、实时情况，进行定性、定量分析，将监控从粗放型转向精细化，掌握设备整体乃至每个零部件的状况，可以说有助于实现对作为底层资产的机器设备的穿透。

盘活规模庞大的固定资产

我国产业金融服务不均衡、不充分的矛盾比较突出，许多企业尤其是民营企业和中小企业面临融资难、融资贵的问题，严重影响了这些企业乃至实体经济的发展。

与此同时，有关数据显示，我国企业存量固定资产超过80万亿元人民币，而只有不足5%发挥金融服务作用，这意味绝大多数企业存量固定资产有待于盘活，以发挥所具备的金融服务的价值。

对这些存量固定资产进行盘活具有重大意义：微观上，可以助力解决相关企业的融资难题，优化企业资产负债结构；宏观上，能够推动实体经济降本增效，赋能实体经济高质量发展。

产业数字金融运用机器设备进行融资租赁是对机器设备全方位、全生命周期的监控，既要能发现和克服看得见的（已有的、显性的、易发现的）问题，又要能预测和避免看不见的（潜在的、隐形的、难发现的）问题。PHM等一系列数字科技，助力产业数字金融实现对机器设备情况全方位、全生命周期的把控，对机器设备“科学算命”，更准确地把握作为底层资产的机器设备的过去、现在和未来的具体情况和价值，将接近80万亿元人民币有待于盘活的规模庞大的固定资产进行数字化穿透，作为底层资产发挥产业金融服务价值，赋能产业数字金融，服务实体经济发展。

参考文献：

[1]CSDN：《PHM算法与智能分析技术——智能维护技术引述》

[2]李杰等：《从大数据到智能制造》

[3]中信建投军工：《装备保障市场逐步扩大，ATE、PHM蓄势待飞》

[4]高端装备产业研究中心：《国内外故障预测与健康管理（PHM）技术发展及应用调研报告》

[5]Mark Schwabacher, Kai Goebel:A Survey of Artificial Intelligence for Prognostics

[6]KwokL. Tsui, Nan Chen，et al：Prognostics and Health Management: A Review on Data Driven Approaches

[7]Brian A. Weiss,Michael P. Brundage: Measurement and Evaluation for Prognostics and Health Management(PHM) for Manufacturing Operations – Summary of an Interactive Workshop High lighting PHM Trends

[8]Vepa Atamuradov, Kamal Medjaher，et al：Prognostics and Health Management for Maintenance Practitioners-Review, Implementation and Tools Evaluation

[9]ZheShi, Jay Lee:Prognostics and health management solution development in LabVIEW:Watchdog agent® toolkit and case study

[10]Shuangwen(Shawn) Sheng:Prognostics and Health Management of Wind Turbines: Current Status and Future Opportunities

[11]Steven W. Holland: Prognostics & Vehicle Health Management in the Automotive Industry

[12]MichaelG. Pecht (Editor), Myeongsu Kang (Editor):Prognostics and Health Management ofElectronics: Fundamentals, Machine Learning, and the Internet of Things

[13]DimitrisKiritsis, Oscar Lazaro, et al: Editorial: Data-Driven CognitiveManufacturing—Applications in Predictive Maintenance and Zero DefectManufacturing

[14]LucaBiggio, Iason Kastanis: Prognostics and Health Management of Industrial Assets:Current Progress and Road Ahead

[15]https://www.pwc.be/en/documents/20180926-pdm40-beyond-the-hype-report.pdf

文章作者: 李万林 陆昕卉（聚均科技综合管理部）

图片编制:  曹   蕾（聚量集团办公室）

总 策 划:  乔嘉男（聚量集团办公室）