维护专业人员，包括可靠性工程师，是否会步铁匠的后尘?数字转换使it人员能够交付预测性维护(PdM)结果，但仍然有巨大的价值和需要维护专业人员。
在19世纪早期，铁匠是城镇中最有价值的公民之一。是铁匠推动了商业的发展。他们对于保持马车队、舞台线以及农场和牧场的运转至关重要。如果有东西坏了，他们会修好。然后，工业革命来了，在很大程度上是由可互换部件的大规模生产建立起来的。
在此之前，每台机器的换挡部件都是手工制造的，如果有部件坏了，就必须修复或重建，或者必须制作一个全新的部件来适应机器。有了可互换的零件，铁匠在当地制造零件的能力变得无关紧要，因为你可以携带所有机器的备件。这就产生了机械师的角色。一个可以拆卸和组装机器来修理它们的人。这使得铁匠沦落为今天的工匠，在工艺博览会和民间活动中从事他们的职业。
1905年，散文家和哲学家乔治·桑塔亚纳说:“那些不记得过去的人注定要重蹈覆辙，我建议维修专业人员在铁匠的背景下仔细考虑这个问题。
数字化转型&工业物联网——另一场工业革命
工业4.0，智能制造，或者任何其他你想要归因于数字转型的名字，这些数字转型正在推动今天的工业，它们依赖于并交织在一起工业物联网(IIoT)．从LNS的角度来看，IIoT平台不仅包括设备、连接基础设施和设备管理功能，还包括让您从IIoT可用数据中获得价值的大数据和分析功能。预测分析已经成为数字化转型的内在要素，没有一个可靠的平台供应商不将其作为基础功能提供，也没有与具有该功能的工业物联网生态系统合作伙伴建立合作关系。
每个人都把优步(Uber)视为技术变革的典范，但在制造业，我们看到的情况有些不同。工业物联网有一个直接回报的领域是提高资产可靠性。LNS经常写关于这个话题的文章．对于维护专业人员来说，这既是问题，也是机会。
预测分析不再需要超级技能
PdM和reliability-centered-maintenance (RCM)作为概念的基础资产绩效管理(APM)．尽管今天大多数人认为APM比核心RCM/PdM更广泛，但分析元素是使APM成为许多企业的关键流程的触发因素。最早的解决方案往往依赖于深厚的领域知识和亲密的分析技能。这通常意味着解决方案是定制的、昂贵的，并且只适用于资产最密集的行业形式。随着计算能力的成本下降，设备变得更强大，数据科学也越来越成为一门公认的学科，这种情况正在发生变化。
当然,也有人才短缺这正在推动技术做得更多。进入下一代分析——机器学习．随着系统现在能够分析如此大量和不同类型的数据，机器学习允许技术教会自己应该监控什么。不再需要高技能的维护专业人员花费数天或数周的时间筛选数据以找到问题的原因和指标;计算机本身可以做出合理的推断。
一如既往，IT寻求业务相关性和一致性
LNS的调查数据显示，在许多情况下，IT部门受到业务领导层的委托，“推动工业物联网的采用，并使公司走上数字化转型的道路”。这通常是因为工业物联网是IT和OT相遇的地方。我在工业界工作了超过45年，其中绝大多数时间都是首席信息官，在他们之前，IT主管一直在努力证明IT对业务的价值。证明工业物联网对业务价值的使命是真实的，IT组织忽视交给他们的机会将是愚蠢的。
由于PdM和APM是如此容易证明投资回报率的案例，难怪这是许多人希望取得成功的领域。幸运的是，至少对IT人员来说，机器学习使这一切成为可能，而不必成为流程或可靠性专家。更重要的是，在许多情况下，IT人员可以访问具有一些机器学习功能的现成分析引擎，如Splunk、SAP Leonardo IoT或IBM Watson等。LNS已经看到了许多令人印象深刻的用例，在这些用例中，以it为中心的工具被用于提供IIoT PdM价值。
可靠性工程师需要寻找新的工具
在当今所有的维护专业人员中，可靠性工程师最有可能成为下一代铁匠。由于机器学习使许多it专业人员能够试点IIoT项目以交付PdM结果，通常具有令人印象深刻的ROI，可靠性工程师将面临挑战，以显示他们仍然可以增加价值的地方。
幸运的是，门还没有关上，马还没有离开马厩。机器学习和基于IT的分析工具仍在发展，还不能处理大型复杂系统的最复杂的分析。此外，可靠性工程师可以使用这些基于IT的分析工具来解决更简单的问题，就像他们的IT同行一样，而且很可能他们可以更快地解决问题，并获得更好的结果。19世纪兴旺发达的铁匠是那些了解可互换部件将产生的影响的人，他们成为了技工，也成为了铁匠。
