- Företag inom prediktivt underhåll delas in i tre grupper som prissätts och köps in på olika sätt: fullstack-plattformar för maskinhälsa, sviter för företagsövergripande tillgångshantering och ingenjörsföretag som bygger ett system utifrån de data du redan har.
- Rätt val beror mindre på modellens precision än på var dina data befinner sig just nu. Om sensor-, historik- och underhållsdata redan flödar köper du analys. Om de inte gör det köper du datateknik först.
- Publicerade leverantörsresultat samlas kring en minskning på 30–65 % av oplanerade driftstopp. Betrakta dessa som vägledande: varje resultat är bundet till den verksamhet det mättes på.
- Det felläge man ska planera för är inte ett missat haveri utan ett larm som ingen litar på. Fråga vilken leverantör som helst hur falska positiva mäts och vem som justerar dem efter driftsättning.
Vad Företag Inom Prediktivt Underhåll Faktiskt Gör
Fråga tio företag inom förutsägande underhåll vad de säljer, och du kommer att få tre genuint olika svar, vilket är anledningen till att shortlists i den här kategorin är så svåra att jämföra.
Den första gruppen säljer en sluten lösning: deras sensorer, deras moln, deras diagnostik, deras larm. Du fäster hårdvara på en pump och hälsovärden dyker upp i en portal. Den andra gruppen säljer en företagsplattform för tillgångsförvaltning där prediktion är en modul vid sidan av arbetsordrar, lager och regelefterlevnad. Den tredje säljer ingenjörskonst — ett team som kopplar samman din befintliga historian, SCADA och underhållsdata, bygger modeller utifrån dina felmoder och överlämnar ett system som du äger.
Ingen av dessa är bättre i det abstrakta. De misslyckas på olika ställen. En sensorförst-plattform kämpar när de tillgångar som betyder något redan är instrumenterade och problemet är att ingen litar på datan. En svit kämpar när du inte redan kör sviten. En skräddarsydd lösning kämpar när du vill ha något igång nästa månad och inte har något datateam att lämna över det till.
Så den användbara frågan är inte ”vilket är det bästa företaget för prediktivt underhåll” utan ”vilket av dessa tre problem har jag faktiskt?”
Hur Vi Valde Dessa Företag
Nio företag, utifrån tre kriterier.
Prediktivt underhåll är en namngiven affärsverksamhet, inte en funktion. En hel del underhållsprogramvara skapar en arbetsorder när ett mätvärde överskrider ett tröskelvärde, och det marknadsförs som prediktion. Det är inte samma sak som en produkt byggd för att upptäcka försämring innan ett tröskelvärde överskrids. Varje företag här säljer den förmågan under sitt eget namn.
De betjänar tillgångsintensiva industrier. Olja och gas, tillverkning, kemikalier, gruvdrift, energi — verksamheter där ett oplanerat stopp kostar mer än vad reparationen gör, och där utrustningen är tung, roterande och dyr att öppna upp. Leverantörer som riktar sig mot fordonsflottor, fastighetstjänster eller IT-miljöer löser ett genuint annorlunda problem och jämförs inte här.
De uppger tillräckligt för att kunna jämföras. En leverantör som inte tydligt vill säga vad den säljer, vilka branscher den arbetar inom, eller vad dess kunder fått kan inte tas med på en slutlista, oavsett rykte — en köpare kan inte jämföra det en leverantör inte vill förbinda sig till skriftligt. Ett företag som annars skulle ha funnits med här saknas eftersom vi inte kunde läsa ett enda påstående vid dess egen källa.
Vad denna rankning inte är baserad på: leveranskvalitet som vi inte kan observera, prissättning som vi inte kan se, eller kundnöjdhet som vi inte har mätt. Läs posterna, kontrollera påståendena och gör en urvalslista utifrån lämplighet.
De nio prediktivt underhåll-företagen
Crunch-IS
Crunch-IS bygger prediktiva underhållssystem ovanpå industriella data som redan finns — sensorströmmar, historiker, SCADA-taggar och underhållshistorik — istället för att sälja ett sensorpaket eller en plattformslicens. Arbetet handlar först om datateknik och sedan om modellering, vilket motsvarar hur de flesta verksamheter med tunga tillgångar faktiskt misslyckas med att få ut värde: inte för att algoritmerna är svaga, utan för att de data som matar dem är fragmenterade över system som ingen har stämt av.
Detta har levererats från början till slut. På en AI-drivet program för prediktivt underhåll av produktionspumpar inom olje-, gas- och tillverkningsverksamhet i Europa uppnådde systemet 90 % prediktionsnoggrannhet, minskade underhållskostnaderna med 40 % och minskade oplanerade driftstopp med 65 %. Dessa siffror tillhör det projektet och dess tillgångsklass; de är inte ett generellt löfte.
Ett andra uppdrag visar den andra vanliga utgångspunkten. För en olje- och gasoperatör som redan körde Azure digitala tvillingar, lade teamet till ett prediktivt underhållslager ovanpå de befintliga tvillingarna för kritisk roterande utrustning, och kopplade samman sensor-, drift- och underhållshistorikdata till förklarbara hälsopoäng, degraderingssignaler och felriskindikatorer — en MVP byggd för att utökas snarare än en färdig produkt. Där datagrunden ännu inte finns, är det själva uppgiften: ett separat program byggt industriell datainfrastruktur för beredskap för digitala tvillingar innan någon förutsägelse ens försöktes.
De relevanta funktionerna finns inom AI- och ML-utveckling, datateknik, MLOps och IoT-utveckling, med leverans koncentrerad till olja och gas och tillverkning.
Grundat 2018 har Crunch-IS 170+ experter på 5+ platser, 120+ levererade projekt och 40+ aktiva kunder, och rapporterar att 97 % av kunderna är helt nöjda.
Bäst för: operatörer vars sensor- och underhållsdata redan finns men är utspridd, och som vill äga det resulterande systemet snarare än att hyra det.
2. Järtecken
Augury säljer maskinhälsa som en förvaltad tjänst, och det är det mest kompletta exemplet på den slutna kretsmodellen i denna lista. Deras egna industriklassade IoT-sensorer fångar upp vibrations-, temperatur- och magnetdata; deras Machine Health-plattform omvandlar detta till preskriptiv diagnostik; en separat Process Health-produkt, som företaget noterar ”tidigare var känd som Seebo”, täcker processoptimering vid sidan av den.
Den publicerade skalan är betydande: ”200+ tillgångstyper” som täcks, ”300k+ maskiner övervakade” och ”1,1 miljarder+ timmar av maskinövervakning.” När det gäller resultat publicerar Augury ”75 % färre falska larm än tröskelsystem”, ”~30 dagar till första maskinförbättringen” och, med hänvisning till en Forrester-studie, ”< 6 månaders återbetalningstid” och ”310 % ROI.” Det stöder ”40+ länder” och ”10+ språk.”
Namngivna branscher inkluderar olja och gas, metaller och gruvdrift, kemikalier, läkemedel, livsmedel och drycker samt byggmaterial.
Bäst för: stora tillverkare med flera anläggningar som vill ha hela stacken hanterad och är bekväma med proprietära sensorer.
3. Siemens — Senseye Predictive Maintenance
Senseye Predictive Maintenance är Siemens svar för tillverkare som redan har data och inte vill installera om anläggningen för att använda den. Företaget beskriver det som en kombination av ”industriell AI, domänkunskap och skalbar teknik” så att team kan ”förstå tillgångarnas hälsa, förutse risken för fel och avgöra var åtgärder behöver vidtas först.”
Den mest användbara detaljen för en operatör i en befintlig anläggning är de omgivande Industrial Connectivity Services, som Siemens säger kan ”koppla samman nya och gamla anläggningar och maskiner” — erkännandet att en verklig anläggning är en blandning av generationer, inte en helt ny anläggning.
Siemens nämner BlueScope Steel i Australien och Sachsenmilch i Tyskland som kunder, och hänvisar till arbete inom fordonsindustrin. Värt att veta innan du gör ditt urval: Siemens publicerar inga konkreta prestandasiffror för Senseye — resultaten beskrivs kvalitativt. Fråga efter siffrorna direkt.
Bäst för: företagstillverkare med befintliga historikdata och en tillgångsbas av blandad ålder, särskilt de som redan finns inom Siemens automationsekosystem.
4. IBM — Maximo Application Suite
IBM närmar sig prediktivt underhåll från tillgångshanteringssidan snarare än sensorsidan. Maximo Application Suite beskrivs som ”en enhetlig lösning för tillgångs- och anläggningshantering som samlar underhåll, inspektioner och tillförlitlighet på ett ställe”, med hantering av företagets tillgångar, hantering av tillgångsprestanda och investeringsplanering för tillgångar som komponenter — prediktion är en förmåga inom sviten, inte produkten.
Olja och gas nämns uttryckligen och omfattar ”uppströms-, mellanströms- och nedströmsverksamhet”, tillsammans med tillverkning, energi och allmännyttiga tjänster, transport och offentlig sektor.
Två praktiska anmärkningar. Licensiering körs på ett kreditsystem: IBM säger att sviten ”köps med hjälp av en förenklad licensierings- och användningsmodell som utnyttjar ett kreditbaserat system som kallas AppPoints”, tillgängligt kundhanterat eller som SaaS. Och de publicerade kundresultaten är mestadels operativa snarare än underhållsspecifika — Transport for London citeras till exempel med ”21 miljoner GBP i beräknade besparingar för Londons tunnelbana över en 10-årsperiod”.
Bäst för: tillgångsintensiva företag som vill ha underhåll, efterlevnad och kapitalplanering i ett system — särskilt befintliga Maximo-platser.
5. C3 AI — C3 AI Reliability
C3 AI Reliability positioneras som företags-AI tillämpad på tillförlitlighet: företaget beskriver det som ”förening av sensordata, underhållsregister och reservdelslager för att förutsäga utrustningsfel och möjliggöra proaktiv övervakning i stor skala.”
Den publicerar den mest specifika resultatuppsättningen i denna lista: ”50 % minskning av driftstopp”, ”5 % förbättring av den totala utrustningseffektiviteten (OEE)”, ”99 % minskning av larmbrus” och ”6 månader för att distribuera och skala över anläggningar.” Namngivna implementeringar inkluderar Shell med ”10 000+ tillgångar övervakade globalt”, Holcim ”Skalat över 80 anläggningar och 400 tillgångar” och Dow med ”45 miljoner dollar i årlig ekonomisk nytta.”
Branscher som nämns inkluderar olja och gas, tillverkning, allmännyttiga tjänster, sjöfart samt försvar och underrättelse.
Bäst för: stora företag som driver ett bredare industriellt AI-program, där tillförlitlighet är en av flera tillämpningar.
6. AspenTech
AspenTech närmar sig underhåll utifrån processteknik, vilket är anledningen till att det återkommer inom raffinering, kemikalier och energi. Företagets egna sidor placerar prediktivt underhåll inom en bredare portfölj för Asset Performance Management och produktionsoptimering snarare än som ett fristående verktyg.
Ett faktum värt att ta med sig till varje slutlista: AspenTechs egen webbplats beskriver nu företaget som ”Aspen Technology—nu en del av Emerson.” Sammanställningar som skrivits före den transaktionen presenterar det fortfarande som självständigt.
Företagets förklaring av kategorin är ovanligt tydlig om metod, och nämner vibrationsanalys, infraröd analys och akustisk analys som de huvudsakliga typerna. AspenTech nämner tillverkning, transport, allmännyttiga tjänster och kraftproduktion.
Bäst för: raffinering, kemikalier och kraftverksdrift där underhållsbeslut inte kan skiljas från processförhållanden.
7. Cognite
Cognites argument är att modelleringen vanligtvis inte är flaskhalsen — det är datan. Cognite Data Fusion® är en industriell dataplattform för att kontextualisera driftsdata över historiker, SCADA, underhållssystem och tekniska dokument, med prediktiv analys byggd ovanpå den grunden snarare än vid sidan av den.
För nedströms energi säger företaget att plattformen hjälper operatörer att ”optimera anläggningens produktionseffektivitet, effektivisera och digitalisera underhålls- och fältarbetsflöden, förbättra tillgångarnas livslängd och tillförlitlighet.” Cognite publicerar ”5 % mindre produktionsförluster”, ”15 % ökning av produktiviteten” och ”1 % ökning av overlay-produktionen”, med OMV citerat som ”50 % minskning av inspektionsplaneringstiden och 6 % besparingar från uppskjuten produktion.”
Bäst för: digitalt mogna operatörer med stora, fragmenterade operativa dataset — fallet där datakontextualisering är det faktiska projektet.
8. Tractian
Tractian kombinerar sin egen trådlösa hårdvara för tillståndsövervakning med ett inbyggt CMMS, vilket är den kombination som medelstora anläggningar oftast vill ha: sensorer som installeras snabbt och ett arbetsordersystem som underhållsteamet redan förstår, utan att integrera två leverantörer.
Företaget uppger att det är ”Betrodd av 1 500 amerikanska och globala tillverkare”, publicerar ett ”4,7” kundbetyg och citerar en Inc. 5000-placering på ”#269.” Namngivna kunder inkluderar McKesson, Air Liquide, Whirlpool, Verizon, Cummins och Kubota. Branscher som listas inkluderar tillverkning, olja och gas, kemi, gruvdrift, metaller, mat och dryck samt fordonsflotta.
Bäst för: medelstora anläggningar som snabbt vill ha sensorer och underhållsutförande från en enda leverantör.
9. Nanoprecise
Nanoprecise kopplar mekaniskt tillstånd till energiförbrukning, vilket de kallar Energy-Centered Predictive Maintenance – en verklig särskiljande faktor där hållbarhetsrapportering och drifttid efterfrågas tillsammans. Deras hårdvaruserie inkluderar den trådlösa edge-sensorn MachineDoctor tillsammans med RotationLF, TransformerLF och NrgMonitor.
De procenttal som Nanoprecise publicerar – om haverier, driftstopp och underhållskostnader – presenteras som allmänna kategorigenomsnitt snarare än resultat från namngivna installationer, så de beskriver vad prediktivt underhåll tenderar att uppnå snarare än vad denna leverantör har levererat. Be om siffror från en installation som liknar din.
Branscher som nämns inkluderar olja och gas, gruvdrift, cement, metaller, massa och papper, läkemedel samt allmännyttiga tjänster.
Bäst för: program för roterande utrustning där energieffektivitet är en del av affärsnyttan.
Jämförelse av leverantörer för prediktivt underhåll
Hur man väljer en partner för prediktivt underhåll
- Utgå från data, inte från modellen. Fråga vad de behöver från dig innan något förutsägs. En leverantör som inte frågar om din historian säljer dig sina sensorer.
- Fråga hur ofta det kommer att ha fel. Vart och ett av dessa system utlöser larm som visar sig vara ingenting. För många, och ditt team slutar öppna dem — vilket är hur dessa program dör i tysthet. Fråga vem som är ansvarig för att få ner den siffran när ni väl är i drift.
- Be om ett resultat för din tillgångsklass. En siffra från en livsmedels- och dryckeslinje säger dig lite om en gaskompressor.
- Bestäm vem som äger modellen. Med en plattform gör leverantören det. Med en egen lösning gör du det. Det är ett strategiskt val, inte en upphandlingsdetalj.
- Avgränsa ett pilotprojekt som du kan misslyckas med billigt. Fem kritiska tillgångar, ett definierat fönster och en på förhand överenskommen definition av framgång.
Funderar du fortfarande på om prediktivt underhåll passar din verksamhet överhuvudtaget? Den kompletterande guide till prediktivt underhåll för industriell drift täcker hur det fungerar, vad det kräver och var det går fel.
