預測性維護，比預防性維護要求更高一層了，先對比一下異同：預防性維護是根據一系列的規則和積累，制定維護計劃，週期性的進行維護保障的工作安排，以期工廠裝置設施幾乎不出故障、極少需要停產維修。在這個層次上說，預防性維護依賴週期性計劃，經過了工業界多年的考驗，取得了不錯的效果。
隨著技術的進步，人們發現預防性維護可能有些維護工作是無用功，經驗編排的計劃會有冗餘量考慮，“過維護”的現象是存在的；而另一個方面，預防性維修還有不少死角，因為經驗計劃編制的一些不足，可能在某些地方存在“欠維護”的情況。
預測性維護就在預防性維護的基礎上，更進一步，充分利用物聯網、大資料、AU等技術，來對工業系統進行全面的監控，力求發現故障隱患，在故障出現之前就安排維保人員採取措施進行維護保障，這樣可以做到按需維護，比預防性維護很多時候能夠減少維護次數和工作量，而隨著物聯網監控和AI大資料分析的全面化，維護盲區也被大幅削減，進一步降低了工業裝置設施維故障及損失的風險，也降低了維護工作的人力物力消耗、減少停機時間，是一大提升。
要實現預測性維護，“預測”能力非常重要。所謂預測，其實就是根據大量物聯網採集資料，送入AI大資料預測模型，對風險給出提前預警，並列出前置處理辦法，將風險消彌於無形。因此高密度的物聯網感知體系（感測器、PLC、DCS等全域資料接入）建設是預測性維護的第一關。有了足夠多的物聯網採集點，資料存入大資料儲存系統供分析查詢，大資料儲存檢索是系統建設的第二關；如何根據資料進行預測，需要有豐富的預測模型，可能是傳統的經驗演算法模型（有不少公司就一個點比如電機機械振動波與故障間關係模型研究16年、20年的專門演算法公司，精準到讓人吃驚）、也可以是需要試執行學習後再生效的人工智慧模型，這是預測性維護最難的地方，技術挑戰非常大。
當然採用人工智慧方法，經歷一端時間試車學習和閉環調優，人工智慧方法不要求像演算法公司那樣幾十年如一日地投入鑽研，但其學習、調優過程是會給系統帶來一些額外的負擔甚至區域性混亂的，也許吃螃蟹的工廠在三年後的AI模型，能夠為後來者減輕很多這方面的壓力吧。
綜合來說，預測性維護能力很強，但路漫漫其修遠兮，目前也沒有能夠全面覆蓋事無鉅細都能預測的商用系統產品問世，多數都還是相對區域性、為EAM產品提升一部分維保效果，以此帶來客戶效益的階段。在未來不短的時間內，預防性維護和預測性維護勢必還是相輔相成配合工作的狀態。
預測性維護，比預防性維護要求更高一層了，先對比一下異同：預防性維護是根據一系列的規則和積累，制定維護計劃，週期性的進行維護保障的工作安排，以期工廠裝置設施幾乎不出故障、極少需要停產維修。在這個層次上說，預防性維護依賴週期性計劃，經過了工業界多年的考驗，取得了不錯的效果。
隨著技術的進步，人們發現預防性維護可能有些維護工作是無用功，經驗編排的計劃會有冗餘量考慮，“過維護”的現象是存在的；而另一個方面，預防性維修還有不少死角，因為經驗計劃編制的一些不足，可能在某些地方存在“欠維護”的情況。
預測性維護就在預防性維護的基礎上，更進一步，充分利用物聯網、大資料、AU等技術，來對工業系統進行全面的監控，力求發現故障隱患，在故障出現之前就安排維保人員採取措施進行維護保障，這樣可以做到按需維護，比預防性維護很多時候能夠減少維護次數和工作量，而隨著物聯網監控和AI大資料分析的全面化，維護盲區也被大幅削減，進一步降低了工業裝置設施維故障及損失的風險，也降低了維護工作的人力物力消耗、減少停機時間，是一大提升。
要實現預測性維護，“預測”能力非常重要。所謂預測，其實就是根據大量物聯網採集資料，送入AI大資料預測模型，對風險給出提前預警，並列出前置處理辦法，將風險消彌於無形。因此高密度的物聯網感知體系（感測器、PLC、DCS等全域資料接入）建設是預測性維護的第一關。有了足夠多的物聯網採集點，資料存入大資料儲存系統供分析查詢，大資料儲存檢索是系統建設的第二關；如何根據資料進行預測，需要有豐富的預測模型，可能是傳統的經驗演算法模型（有不少公司就一個點比如電機機械振動波與故障間關係模型研究16年、20年的專門演算法公司，精準到讓人吃驚）、也可以是需要試執行學習後再生效的人工智慧模型，這是預測性維護最難的地方，技術挑戰非常大。
當然採用人工智慧方法，經歷一端時間試車學習和閉環調優，人工智慧方法不要求像演算法公司那樣幾十年如一日地投入鑽研，但其學習、調優過程是會給系統帶來一些額外的負擔甚至區域性混亂的，也許吃螃蟹的工廠在三年後的AI模型，能夠為後來者減輕很多這方面的壓力吧。
綜合來說，預測性維護能力很強，但路漫漫其修遠兮，目前也沒有能夠全面覆蓋事無鉅細都能預測的商用系統產品問世，多數都還是相對區域性、為EAM產品提升一部分維保效果，以此帶來客戶效益的階段。在未來不短的時間內，預防性維護和預測性維護勢必還是相輔相成配合工作的狀態。