全球最具权威的IT研究与顾问咨询公司高德纳（Gartner）最近的一项研究发现，在流程制造企业，50%的维护工作是不必要的，10%甚至实际上还是有损企业运维或产品质量的。今天，我们看到大多数制造型企业都还没有做到实时测量资产设备的性能。生产、效率、质量、成本等核心数据都是事后测量的。

为了应对当前工业物联网全面发展的趋势，以及互联网＋与工业大数据应用的落地，ISO55000标准对资产作出了全新的定义。资产包括了投资资产和服务资产两大类，包括了项目、事物或实体，以及任何对组织具有潜在或实际的软性目标。

我认为，健康的资产是健康的商业基础。

历史上，第一次把资产智能管理体系作为实现业务目标和企业创新管理的重要关键因素推到了风尖浪口。企业应当如何根据资产管理体系的要求，利用资产智能化，提升资产性能，全面通过健康资产驱动生产力提高？

资产性能管理（APM， Asset Performance Management）主要通过对资产设备的全生命周期的实时采集，通过控制回路的监视和诊断，旋转设备的条件监视与监督，通过报警管理与过程性能管理等手段来了解企业制造设备的健康状态。

资产性能管理常常处理多个领域生成的数据，其中包括从历史记录或实时质量流程中获得的时域信息。频域信息是许多资产性能管理主要产生的数据来源，例如包含，

监测旋转机械的震动感应监控数据

检测过热或绝缘故障的红外热成像数据

线性或移动资产的位置信息和相关气候数据

图片来自于互联网

我们当然理解企业不可能或很难实现全部设备资产的峰值性能，除非他们使用生产的设备和服务提供给市场的物理资产的可靠运行，始终保持在最佳水平的表现。这的确有点理想主意，但通过努力，我们是有很大提升空间的。问题严重的是，大多数制造业企业并没有意识到他们工厂的资产设备哪些运行状态不好，以及不好的具体细节点。

不健康的，表现不佳的资产，企业一般只能通过增加停机维修来满足生产。这样的做法会增加能源和其他公用工程消耗，在排放、安全和工人健康等方面都会影响企业的生产力。

资产健康导致了企业制造过程的不稳定从而最终影响了产品的质量。

图片来自于互联网

工业大数据的在智能制造的落地过程中，目的是希望把所有制造全环境的数据源结合起来，再利用演绎和预测分析等方法对这些数字进行分析时，企业的资产效率会给您带来意想不到的惊喜。资产性能管理的策略已被众多的优质制造型企业证明是卓越运营的必要手段和首要工作。

资产历史是理解问题的重要组成部分。对设备资产的测量并且做原始诊断是向正确方向迈进的巨大一步，但是远远不够。为实现原始诊断的测量，诊断结果应按时间排序并做出趋势判断。当然，仅仅通过监测一台或单体设备的实际运行时间来安排预防性维护并不足以成为大数据问题。当你使用震动分析、热红外成象、流程条件数据、实时位置信息以及在互联网上搜索有关类似设备的失效模式时，你才真正地涉及到了大数据。

由于大数据在数据量上有一定的要求，所以仅仅在少数设备上进行这样的实践并不足以成为大数据问题。当实施实时资产性能管理时，工程师和技术人员几乎立刻就能确定工厂内主要的，尚未预见的问题。可以通过数字实现问题根源分级，改进设备、控制、过程和运行以及跟踪结果等好处，为企业带来显著的经济效益。

结合工业大数据的分析工具，资产性能管理的实践提供了深入了解组织是如何利用现有的和新兴的技术使企业能够使用流程，确保卓越运营是不是路，发挥他们的能力水平资产受阻。实时资产性能管理是目前实践智能制造的一个全球共识。