对标「Uptake」，「应势科技」为工业设备提供故障预警，大幅延长设备使用年限

2015年5月，纳斯达克上市公司 PTC 宣布出资1.05 亿美元收购工业数据预测分析平台 ColdLight，ColdLight 通过大数据运算与机器学习为各个行业的工业设备进行数据分析，包括故障预测、建模相关性分析；无独有偶，2015年的福布斯杂志评选了最热门的创业公司，依据投资者信心和投资额，这个奖颁给了一家名不见经传的公司——Uptake。这家公司成立于2014年，也是利用AI技术，为端到端的工业设备提供故障预测平台，并于今年2月以20亿美元估值获4000万美元C轮融资，成为独角兽公司。

36氪近期了解到应势科技运用AI与机器学习的技术，通过自动、持续的数据学习、发现模式，构建可验证的预测模型，从而实现对大型工业设备的故障预警。应势科技成立于2014年，过去3年的时间一直在打磨产品、研发算法以及培育种子用户。创始人刘建告诉36氪，应势科技的拳头产品“Dataneuro”目前已正式落地，功能包括：

• 数据清洗与预处理： 主要用于在对特征数据挖掘中存在的噪音数据进行删除、转换、填充，为数据智能的第一步。

• 数据参数敏感度评估：当设备传感器数据过多时，该功能可以指导用户去除不敏感的参数，以提高特征挖掘和数据分析的效率。

• 数据特征挖掘与建模（核心技术）：可快速地从大量数据中提取有价值的状态特征和建立特征模型。

• 历史状态评估：通过对数据特征分布等分析，可以快速发现设备或过程历史上的不稳定时间区段与特点，进而定位设备故障或过程不稳定的预警特征。

• 实时状态预警监测：基于已建立的数据特征模型，可实现对设备或过程的实时传感器融合数据的预警监测。

简单地说，Dataneuro 通过多传感器采集到的工业大数据进行分析而后进行提前预警，主要应用场景包括机器设备损坏预警和基于生产线对精密仪器次品预警。其背后的原理，是对所有数据预处理之后深度挖掘历史数据中的状态特征并进行归纳；而后，结合特征在时间上的分布及特征中各状态参数的关联点，定位“常态特征”与“异常态特征”；如果特征特别多，Dataneuro能够再次将关联性高的特征汇集成特征组，以此实现提前预警。

刘建表示，目前应势科技可以提前数周甚至数月就发现可能引发工业设备损坏的特征并为预警。36氪了解到，目前一部千万元人民币以上的工业设备一旦出现停产或维修，其所造成的经济损失高达数十万人民币以上。

应势科技已进入电力、军工、化工等行业，商业模式则以按设备数量以Lisense的方式向工厂输出数据服务；也有开发一套云端的Pass平台，工厂可按需购买相应的数据服务。区别在于前者主要定位为大型工厂，他们的需求更多的是私密与安全，拒绝一切网路安全风险。后者则是定位为小型工厂，其设备数量大，价格也便宜。

36氪过去了解到，以状态监测为基础的预知维修，可以在设备失效前检测和诊断出所存在的故障，为企业带来大量的经济效益。以英国为例，政府曾对2000家工厂进行调查，数据显示，设备管理采用故障诊断技术后，诊断技术投资与获利约为1：5，某些工厂可以高达1：17。

该模式在国外已经得到了验证，国内比起国外而言市场只会更大。在工业4.0的大背景下，工业生产自动化是中国制造升级的必然方向，大型机器设备的使用量也在不断攀升。目前国内存量的大型工业设备保守估计在1000万左右，按照20万（维修费及停机误工费100万的1/5）每台以及10%的渗透率计算，这会是个2000亿的市场。

应势科技创始人刘建有25年的IT行业经验，1986年本科毕业于清华大学工业自动化专业。而后在冶金部自动化学院和新加坡国立大学分别获得工业自动化和人工智能的硕士学位。毕业后，刘健在SAP(中国）咨询部曾为联想、海尔、长虹、上海三菱电梯、亚星奔驰等大型企业成功实施ERP系统。

36氪过去曾报道过的智擎科技，也在做类似的事情，利用物联网和机器学习技术，进行工业设备故障健康预测，帮助企业降低运维成本，提升运营收入，目前已经在风电领域应用，准确率可以达到95%左右。