Erik：欢迎来到工业 IoT Spotlight，这是您从工业 IoT 思想领袖那里获得洞察力的第一站，他们正在与您的主持人 Erik Walenza 一起改变当今的业务。

欢迎回到工业物联网聚焦播客。我是您的主持人，IoT ONE 的首席执行官 Erik Walenza。今天我们的嘉宾是 KCF Technologies 的 CEO Jeremy Frank。 KCF Technologies 是一家技术开发公司，将嵌入式智能带入广泛的应用和行业。在本次演讲中，我们讨论了使用机器健康平台来解决工业和制造业中机器的关键问题。我们还探讨了传统基于规则的系统和现代机器学习方法之间的权衡。

如果您发现这些对话很有价值，请给我们留下评论和五星级评价。如果您想分享您公司的故事或推荐一位演讲者，请发送电子邮件至 team@IoTone.com。谢谢你。杰里米，非常感谢你今天加入我们。

杰里米：谢谢你，埃里克。很高兴来到这里。

Erik：Jeremy，在我们进入 KCF Technologies 的业务之前，我们很想了解更多一点点是什么促使您开始这项工作。如果我在看你的简历，基本上是博士毕业，在攻读博士学位的同时担任研究助理，然后基本上，你马上就创办了这家公司。那是对的吗？你在其他行业工作过吗？或者你只是基本上读了一个博士学位然后说，嘿，我有一个想法，我想看看这能把你带到哪里，然后直接跳进去？

杰里米：就是这样。我可能会在那之前半步回去。实际上，在我攻读博士学位前六个月，我们就创办了这家公司。我从我的论文导师 Gary Koopman 教授开始。但我在宾夕法尼亚州匹兹堡长大，我父亲在职业生涯早期曾在 Sikorsky Helicopters 和 Grove Cranes 工作，最终与当时来自卡内基梅隆大学和卡内基理工学院的几位教授一起创办了一家法医工程咨询公司.

所以我在一个创业之家长大。对我来说，这有点正常，找工作的想法似乎不正常。因此，在我在宾夕法尼亚州立大学声学与振动中心攻读博士学位前大约六个月，我们创办了这家公司。

Erik：你和谁一起创办了这家公司？

杰里米：陈白昌博士真的是管理我们工作的实验室的大师。我们主要为国防部、振动和声学部以及国防部专业应用中的设备类型应用做专业项目。

Erik：所以这基本上是你的想法，然后你们一起开始的？我知道您现在专注于状态监测。而且我认为对于很多人来说，这可能不是一个新话题，但由于机器学习，它现在得到了很多关注。这是那里的主要应用程序之一。但听起来你在 20 多年前创办公司时就已经在从事这方面的工作了。在我们拥有现代机器学习算法之前，这是否也是公司从一开始就关注的重点，但是寻找更简单的监控方法，也许可以预测机器 [听不清 03:41] 状况下的故障？

杰里米：这是一个非常有趣的问题，因为我们创办这家公司时并没有什么特别的大创意。尽管回顾过去，我们真正创办公司的初衷是将我们正在研究的这些令人惊叹的技术应用到更具可扩展性的应用程序中，而不仅仅是做一些可能会出现在一艘潜艇上的事情，而是做一些会出现的事情在成千上万的应用程序中。这就是想法，只是构建技术，使人们能够解决问题。那是我们的大想法，但它不是任何单一的东西。

有趣的是，回顾人工智能机器学习世界中已经有一段时间的任何人都知道有很大的推动力。这是 2000 年代初期的热门话题。我的博士学位实际上是在非线性优化程序中。 2000 年代初期，我们还得到了能源部的资助。工业无线传感技术也掀起了一波浪潮。我们现在所说的物联网是 20 年前资助的，当时有一波公司在做这件事。

发生了什么变化，市场需要一段时间才能做好准备。智能手机技术也迅速进入这些设备，使应用程序可扩展且易于部署。现在我们有了云基础设施，使整个事情比 15-20 年前更具可扩展性。我认为这就是使这一切成为可能的原因。

Erik：这整套用例在概念上相当强大，然后你就有能力想象它会是什么样子。我认为 AR VR 存在同样的问题，从概念上讲，企业家很容易想到这将如何带来变革。但是，直到技术的特定方面已经成熟到满足用户体验要求和可靠性要求的程度，在这种情况下，边缘可能有足够的计算能力等等，然后用例不会在潜艇之外得到采用，并且其他高端资产。

您最初成立公司时的重点是什么？既然您涵盖了非常广泛的行业，但是您是否真的专注于一种特定的资产类别，还是说让我们抛开网络，看看我们抓住了什么，然后从那里发展业务？

杰瑞：两者兼而有之。这不仅仅是整个网络，因为我们是一家解决问题的公司，所以我们开始着手解决问题。尽管我们是一家技术公司，但我们并不是一家真正专注于技术的公司。这么早就，我们是由政府资助的。因此，在没有任何敏感信息的情况下，我们正在为冷却器构建远程监控功能，使海军的舰船和潜艇等设备上的空调成为可能。

因此，大型工业规模和国防部规模的冷水机组是最早的早期用例之一。但是船舶或潜艇上存在的所有辅助设备也基本上与任何工厂或任何商业基础设施中存在的设备类型相同，包括风扇、电机、鼓风机和大量泵。我们真正开始的第一个五年左右，甚至在我们进入国防部工作之前，我们就在做咨询专业类型的项目，专注于优化这些资产类别的健康和降低噪音，但尤其是压缩机确实是早期的重点.

埃里克：好的。因此，您从能够开发技术的更多咨询角度开始，但它有点像系统集成商或根据具体情况定制解决方案。你什么时候开始产品化的？所以现在你有了这个集成了物联网平台分析的智能诊断，然后是企业软件解决方案，你的领域专业知识的产品化轨迹是什么？

杰里米：这很有趣，因为确实有两个时间线。曾经我们尝试产品化，然后我们开始真正取得成功。因为我们在一个工业现场远程在螺旋冷却器上远程使用能量收集器供电的无线传感器，该工业现场基本上都服务于海军和商业应用，并且正在将数据“上传到云端”，当时是一个 FTP 服务器然后我们把它拉到一些定制软件上。那是在 2006 年。

所以假设，我们本可以开始销售这些单位。当时，我们认为我们会迅速将其转化为产品。我们开始尝试这样做。但是因为技术还不是很成熟，软件当然也不是很成熟，而且，我认为客户在这方面有很大的作用。我认为当时的客户还没有准备好接受这种技术。因此，直到大约 2010 年或 2011 年，我们才开始取得任何成功的衡量标准，销售这些系统来监控实际工业应用中的机械。

Erik：是的，尤其是将数据从非常受控的工业环境中迁移到云中的话题，嗯，它现在变得非常社会化了。但是坐在中国这里，至少这仍然是一个话题，任何一家工厂都在考虑他们发展的下一步，这没关系。我们可以在多大程度上将任何信息放在云上？那么，在美国市场上，让客户相信这是一种安全且智能的数据管理方式是否仍然是一个挑战？或者是否基本接受云可以在这一点上得到妥善管理？

杰里米：这是两者的结合。我已经有一段时间没有考虑过这个应用程序了。但是有几个例子。在我提到这些压缩机的冷水机示例中，这些压缩机上都有控制单元。他们有一个控制面板。他们有一些内置的传感和过程控制措施。其次，还有一个已经存在的楼宇控制系统。它具有一定程度的自动化和监控。

真正的挑战是与现有控制系统的接口存在漏洞，因为假设它可能被黑客入侵，并且有人可能会做一些不受欢迎的事情。但是，如果您尝试仅与控制面板（设备上的系统）集成，那将非常昂贵且麻烦，因为它不是为此而设计的。它不是为了接受任何新事物而设计的。

所以真正改变游戏规则的是，至少从我们的经验来看是在 2010 年或 2011 年左右，我们找到了一种基本上利用蜂窝网络和云数据托管的方法，让我们的系统完全独立。所以他们不直接连接到现有的基础设施。在过去的十年里，这是一个关键的推动因素，它让我们能够真正克服其中的一些障碍。

肯定仍然存在问题，因为随着这些应用程序变得越来越成熟，您确实会遇到这些收敛点，最终与控制系统（维护 CMMS 系统）接口是有利的。所以你可以做到这一点。但真正成为关键推动因素的是，从一开始就很容易让这两个系统在没有接口的情况下并行共存。只有当您允许团队进行适当数量的调查和严谨的调查后，您才能以解决所有安全问题的方式进行集成。

Erik：我很想深入了解架构，以及做好这件事所面临的技术挑战。我认为有很多公司正在解决这个问题，但实际上要做好它仍然是相当具有挑战性的。但在我们到达那里之前，在商业方面，所以我知道你现在正在与相当广泛的公司合作，石油和天然气、汽车、林业、制药、采矿。贯穿这些的一线金线是什么，它们看起来像很多面向流程的，无论是大批量还是流程制造，都有非常重要的资产投资，什么是你成为好客户的标准，什么类型的公司是否存在大到足以让他们投资于状态监测的问题？

杰里米：有几件事，埃里克。对我们来说，我们真的找到了我们的甜蜜点。首先，它只是最大的公司。最大的工业运营商是电力行业、石油和天然气开采，还有制造业、汽车、林产品、制药。这是最大的公司，因为他们拥有最大的工厂，拥有最大的机器，拥有最高的产量。

但这不仅仅是连续的过程。连续过程应用是最简单的。但是我们对更具挑战性的离散应用有很多深入的了解，比如间歇性移动机械。因此，想象一下汽车制造厂、冲压厂或两个更具挑战性的离散应用中的装配线。我们的独特之处在于我们拥有覆盖这些事物的广度和深度，以及这些应用程序所需的复杂性。

我认为你说的是对的，是一些最便宜的解决方案，但我们有一些有效的方法。所以我们倾向于最关注那些最关键的东西。例如，我坐在宾夕法尼亚州立大学校园附近，那是我们 10 年前部署这项技术的首批地点之一。但现实情况是，如果其中一栋建筑物的冷冻水泵发生故障，后果相对较小。但是，如果您在制药方面的关键排气扇出现故障，或者如果您在汽车装配线上出现关键输送机械部件的故障，那么经济后果将是严重的。因此，我们确实在那些经济特别密集的应用中找到了我们的最佳选择。

Erik：那你会和谁一起工作？所以我坐在上海这里，当然，我们在中国有一个独特的情况，作为一个拥有非常大的工业资产基础的国家，但大多数资产所有者，至少是我们正在合作的公司是基地，他们的总部设在外面。因此，总是有关于工厂总经理应该能够在多大程度上做出技术部署决策的讨论，而不是一些集中驱动的计划，尤其是围绕 IT 的计划？但也有传感器和其他技术，在某些行业中往往有全球标准。那么它对你来说是什么样的呢？你通常是从公司的角度来解决这个问题，还是直接去找总经理？

杰里米：通常是总经理。工厂经理就是橡胶与道路的真正交汇点。有趣的是，您这样描述它是因为我们的足迹已经扩大并且由北美主导。因此，我们的大部分合作关系都始于北美，其中许多公司的总部都设在北美，并继续拥有大量的制造业务。

但有一件事我们确实发现大多数选择，当一家公司选择部署技术来减少这些问题时：安全问题、停机问题、浪费问题，这通常发生在工厂层面。有时甚至在工厂经理或 GM 之下，也是可靠性经理。

更成熟的公司在他们的业务中具有重要的功能，他们正在制定计划和实施计划。然后，一旦它变得成熟，它就会成为一项企业计划，但它通常是在工厂级别构建的。因此，我们正在走向全球化，真正受到客户需求的驱动，因为很多时候总部都在这里，当然不仅仅是在这里，但对于我们的客户群来说，它以这种方式占主导地位。但他们在欧洲有生产基地。他们在南美、非洲和亚太地区都有生产基地。所以我们被拉到了那里，但到那时它更像是一个企业倡议。所以这是一种流程，但根据我们的经验，它肯定是从工厂层面开始的。

Erik：我想知道如果总部地区的工厂有更多的自主权，那么不同地区的情况会有什么不同，因为他们可能会更频繁地直接与公司总部沟通并用同一种语言交谈，也许那里的信任度更高，我想这在某种程度上仍然是一家公司，但那里可能有一些动态。也许我们可以在这里深入了解一下架构。因此，您拥有向市场交付的综合解决方案，因此一方面了解典型部署的架构是什么样子会很好，但了解您在该架构中构建的位置也很有趣自己的技术？是否有在特定方面与您合作的战略合作伙伴？然后，您刚刚从符合规格的最佳价值供应商那里购买现成的产品？

杰里米：是的，我可以通过它。我会告诉你，我是一名机械工程师，但我对设计和软件架构方面并不深入。因此，要真正深入发言，我会与我的团队联系，但我可以在适当的深度上回答。它在典型站点中的外观是有无线传感器。一个单元是一个关于鸡蛋大小和形状的无线传感器，它具有返回网关的无线通信；我们称之为基站。

我们做的不同的一件事是我们建立了我们自己的无线协议，称为暗无线，它在传感器和网关之间传输。它在以非常小的功率预算发送多少数据方面具有很大的优势。因此，您可以发送大量非常高保真度的数据，但电池仍然可以使用数年，5-10 年，具体取决于您设置传输频率的方式。这就是基础设施。

因此，通常，在大型工厂中，例如在林产品中，我们的应用程序中有成千上万个此类无线传感器与数十个网关通信。每个都有100英尺的范围。然后，该网关基本上将数据传输到云端，这是三种方式之一，可以通过工厂中的连接使用蜂窝或 WiFi 或以太网。

我们构建的部分，同样，无线和所有软件都是由我们构建的。这就是我们的全部解决方案。但是我们没有定制构建我们自己的芯片的实际芯片，甚至是我们没有构建的传感器，这很有趣，因为一个传感器单元可以测量像全保真振动一样的振动，所以你可以获得全谱来评估健康状况一台复杂的机器，他们测量温度。但是还有很多其他参数需要监控太快，才能获得解决系统、资产类别的整个解决方案。

因此，压力，静态和瞬态压力流量，系统中的温度，例如用于温度的 RTD 传感器，油润滑，还有超声波，还有所有这些其他传感器类别。为此，我们与其他公司合作。我们不制造那些传感器。我们基本上使我们的无线连接到所有这些其他类别的传感器。然后它利用网关的基础设施，当然，从那里开始的一切都是一个共享的架构，无论是在数据传输方面还是在托管方面。

在那一边，我们划清界限，是我们建造那些网关，我们建造基站。我们主要使用现成的东西。我们在这些基站中配置现成的硬件，然后上云。因此，一旦它在云中，我们就是亚马逊 AWS 的重度用户。

Erik：算法非常全面，然后是这些背后的数据。所以对于不同的资产类别，你需要开发不同的算法。您是否正在研究特定的机器学习引擎？然后是算法的所有权，是否属于您，或者是否有客户说我们需要拥有我们希望您开发的知识产权？在任何情况下，这都是谈话的一部分吗？

杰里米：所以这真的是它的核心，这真的是我个人的甜蜜点。这一切都与解决方案中的资产类别有关：拥有一个全面的解决方案来解决这些资产的健康状况。我们对它的看法非常不同。从历史上看，监测机器的振动和这些其他参数来进行预测性维护或基于状态的维护并不是什么新鲜事。这些东西几十年来已经比较成熟了。

但看看我们真正构建的东西，我们认为它是一个全面的机器健康平台，平台与预测性维护解决方案之间的不同之处在于，我们不只是等待轴承或联轴器或某些部件不可避免的故障.我们将所有必要的信息全面整合到一个平台中，然后启用解决问题的解决方案。它不会等待症状和失败。它尽可能主动地消除问题的根本原因。

而这一切都取决于对资产的理解。有很多很多的资产类别，每个类别都有自己的细微差别。然后将它们作为系统安装在各个行业的各种应用程序中。关键价值基本上是让您了解推动该资产类别经济表现的重要行为和无关紧要的行为。在我们的全部重点中，通过全面附加机器的健康状况（这意味着它们的操作方式和从根本上照顾它们的方式），可以实现如此多的改进。

Erik：是的，不仅仅是故障，还减少了维护，提高了输出质量。所以很多价值都取决于这里的性能。让我们看一下这个林业产品的例子。我想在这里，他们有一堆不同类型的设备，他们可能有一些目的相似的设备，但可能来自不同品牌或不同型号的设备，随着时间的推移安装。这些东西有些可能已经 30 年了，有些已经 5 年了。基于这些变化，传感器的选择以及算法的开发在多大程度上会有所不同，甚至不是查看完全不同的资产类别，而是在查看不同型号、不同品牌的资产类别中，这里的复杂性？

杰里米：总的来说，要完全消除所有存在的问题，复杂程度可能几乎是无限的。是什么让这个开始真正起飞，我的意思是，整个革命正在进行，我们是其中的重要组成部分，与其说是复杂性，不如说是最初可解决的大型问题类别。

因此，例如，在一家大型纸浆厂，它们都有很多泵来输送纸浆，将整个过程中的化学品输送到蒸煮器中，然后最终输送到造纸机中。这些泵作为一种资产类别代表了所有行业中存在的问题的很大一部分，但在纸浆和造纸中，这是一个特别占主导地位的资产类别。

例如，我在泵系统上花了很多时间。我一直是液压研究所的董事会成员，该研究所是泵和电机制造商的行业组织。我一直在那个董事会。然后还有另一个名为 Pump Systems Matter 的小组，我目前是该小组的成员，主要负责关于如何正确维护泵系统的外展和教育。简单的现实是，有大量的容易实现的目标可以更有效地以健康的方式护理和操作泵。

通过在所谓的泵曲线或最佳效率点上运行，就有了运行工业泵的正确方法。举个例子，它们的效率应该在 80%-85% 左右。在我们看到的应用程序中，公司的平均值通常接近 40%。嗯，平均值是 40%，通常接近 15% 或 20%。这只是缺乏知识。

因此，当您询问可能在纸浆厂中的 100 台泵的复杂性时，每个泵都有影响其运行的复杂性层。一种可能是变速。可能会有一个可变的一致性流进入其中。一个可能是30岁。一个可能刚刚安装，但他们在配置中搞砸了。这些事情都将到来，基本上工作的主体就是消除这些问题。但首先，可以做一些基本的事情来改善操作条件和维护，以及纸浆厂所有 100 台泵的维护。

Erik：所以事情以 40-50% 的效率运行。达到 99% 的效率需要付出巨大的努力。但是达到 60-70% 时，您可以解决很多常见问题，而无需深入了解每项资产的复杂性？

杰里米：是的，没错。这个例子的有趣之处在于，不可能达到 99%。有一个物理上可能的限制，在 85-90% 范围内。到目前为止，所有行业中最大的电力消耗者是泵系统。因此，仅仅节省能源就是一件大事。我的意思是，数十亿美元被浪费了。但这实际上只是冰山一角。

因为作为一种资产类别的泵系统也会发生同样的情况，当您在远离其最佳效率点的位置运行泵时，它的振动和健康状况也会严重下降。事实上，它不是线性的，不是成比例的。你的效率下降了 20%，但伤害却增加了三四倍。因此，您正在做的就是过早地磨损了该泵系统中的所有旋转部件。实际上，这实际上是最大的经济后果所在，因为那样您就失去了该资产。例如，机械密封件会在一两年内磨损，而不是 5-10 年，并且联轴器失效，轴承失效。这真的是问题的根源在于它的能量，但它也确实是关于计划外的失败，坦率地说是不必要的失败。

Erik：如果我们区分预测性分析和规范性分析，那么您就可以超越说似乎有问题，他们应该让维护人员检查它吗？您是否能够规定哪些特定组件可能是问题以及维护人员需要在他们的工具箱中显示什么来解决问题？您在多大程度上能够识别问题并提出解决方案？

杰里米：从我的角度来看，我们超越了这两者，当然也超越了反应性。我想每个人都会同意，被动地做事，这仍然是这个国家做事方式的至少一半，无论如何都是被动的。这主要是因为缺乏知识和基础设施，这使得很容易获得某种程度的预测数据或损害和缺乏健康的迹象。

有一系列步骤。大多数组织从积极的一面中得到的都是预防性的。有很多预防性的预定工作来纠正存在的问题。问题在于，首先，因为它不是由数据通知的，所以很多预防工作都是针对实际上完全健康的资产进行的。可能大部分工作都是在健康的资产上完成的。事实上，根据我们的经验，它大约是一半。如果这还不够糟糕的话，就预防而言，实际上已经完成的工作中大约有三分之一没有完美地完成。而人类是不完美的，这很困难。

这些都是充满挑战的环境。通常没有足够的时间来完美地处理所有资产，所以它没有完美地完成。因此，许多预防工作实际上总体上创造了不健康的条件。这就是我们真正致力于教育市场的事情。我们通过过去 10 年在工厂中的工作发现了这一点。但是，通常理想化的是预测性的。理想的状态是，您的传感器会注意到问题并在问题发生之前对其进行标记。

但我认为，当您想到我刚才描述的内容时，这实际上是非常愚蠢的。尽管这比被动反应要好得多，但将失败和不必要或执行不力的预防工作视为不可避免的，实际上甚至不是正确的方法。正确的做法是拥有一个规定性的综合平台，但它不仅仅是规定性的，它会主动攻击任何会降低资产健康状况的东西，以便它能够获得预期的经济利益。

Erik：所以你甚至不只是专注于说，好吧，我们正在研究可能会崩溃的事情，好吧，这会崩溃，你会怎么做。但是你说有些东西不是最优的，一些指标不是最优的，我们需要做些什么来把它带回到更高的性能水平？所以这将防止故障，但它也将确保机器从质量角度或能源效率角度等方面更有效地运行？您是否正在做这种事情，您了解最佳机器的外观，并且您正在努力瞄准该目标？

杰里米：这是一个很好的说法。这是正确的。事实上，我可以举一个真实应用程序的例子，我实际上已经谈到了客户应用程序，我认为这将有助于解释它。因为顺便说一句，该技术还可以实时监控并标记问题。我们越来越自动地部署 ML AI 支持的算法，这些算法正在寻找即将发生的即时故障的迹象。所以并不是说它不值钱。该技术确实做到了这一点。但这不是我们和我们的客户的主要关注点。我们真正专注于消除问题的根本原因。

例如，我们有很多报道的一个应用是石油和天然气的水力压裂，这是过去 5-10 年的一件大事。而在实际水力压裂过程中使水力压裂成为可能的核心资产，压力泵就是这些大型泵。这是我所说的纸浆厂中完全不同类型的泵。但是这些泵很大，像 15-20，像活塞泵一样巨大的往复运动，它们泵送的是水浆和沙子，压力通常在 100 psi 到 12,000-14,000 psi 之间。

直到我们大约五六年前出现之前，公司几乎完全可以预测：他们没有任何关于这些泵健康状况的数据。所以他们只是被动反应，他们只是处理问题。当泵发生故障时，那些时候，实际上有人出去了，非常危险，人们在这些环境中受伤。现在进入这个红色区域是不合法的。但是无论是否有人去那里，当一个泵发生故障时，他们都会做出反应，尝试关闭它并打开另一个并继续运行。

因此，我们最初是在大约七年前进入该应用程序的。它开始发现很多低垂的果实。但基本上，当您开始从泵中提取所有这些数据时，您会意识到它们都有直接的故障，但它们在 [听不清 34:39] 有这些慢性持续状况，因此他们将其称为气蚀行业。这与人们在离心泵上谈论的气蚀类型并不相同。并不是说大多数人可能根本就在谈论空化。

这些大型水力压裂泵的实际情况是流量问题。这有点不同。但这与您家中出现水锤并且管道都开始砰砰作响并发出疯狂的声音时并没有太大的不同。这是一个共振动力学问题。但是这些泵上发生的事情，这是一个症状，但它是由于进入泵的流量不正确，并且根据可用的压力和流量以过高的速度运行它们造成的。

然后最重要的是，他们有这些慢性磨损问题，他们有包装的零件使流体从活塞周围的后部进入。然后他们有这些阀门，这些阀门可以上下移动，以间歇性地让流量通过泵。所有这些东西都会磨损和磨损，它可能非常昂贵、危险和破坏性。只是为了给你一些背景。

五六年前，当我们真正深入研究并理解这一应用时，这些泵通常只能持续大约 300-350 小时的总运行时间。这可能会在三个月内发生。因此，随着时间的推移，我们所做的就是在现场与这些客户进行沉浸式合作，使用远程和现场数据消除了这些问题。因此，您可以改善进入泵的流量，实时监控它们，从而以合适的速度操作该泵以使其能够处理，并监控阀门、阀座和填料的状况。还有一个大齿轮箱，称为驱动泵的动力端。您监控所有这些东西，因为每个泵都会根据自己的历史磨损。

随着时间的推移，我们能够帮助我们的客户。特别是，我可以谈论 FTS International，他们已经公开谈论过它。他们加班后将这些泵的健康状况提高了三到四倍。就像长达 1,200 小时的运行一样，他们消除了 75% 的停机时间，这些意外故障。在那个应用程序中，与其说是效率，不如说是故障是真正的安全。因此，与同行相比，他们在现场的安全事故减少了 20 多倍。

同样，如果您只是将传感器放在泵上并等待故障并在最后一刻捕捉到它，您将永远不会做那些事情，您永远不会实现具有这些结果的全面健康优化，这些结果将花费为该特定公司节省了数亿美元。

Erik：你真的是从系统的角度来看。不仅仅是泵，还有泵，然后是泵的输入以及泵周围的环境，您还必须监控和了解。所以你为这个客户开发解决方案，它的所有权是什么？所以有一套算法和数据，你正在使用它来开发它，这是否有点像一个缺少更好的词的应用程序，你可以插入其他情况？还是您的客户基本上说您已经为我们解决了这个问题并且我们拥有这个解决方案？那看起来像什么？因为我猜每次你这样做时，你都在解决一个问题，并且你正在为那个解决方案创建一些蓝图，我认为这是一件非常有价值的事情。

Jeremy：当然，这是一个非常有趣的问题，因为除了网络安全之外，这也是阻碍工业物联网多年的障碍之一。因为所有设备供应商，当然，所有设备供应商和 [听不清 39:02] 之间都存在很大的复杂关系。因此，谁拥有系统知识，就处于这两者之间的不断平衡中。

我们找到成功的方式确实能够为每个人带来双赢，但对我们来说当然是我们的客户拥有数据，这是他们的数据，我们收集数据，为他们托管，我们得到付费为他们托管它，但这是他们的数据，他们拥有它，这很关键。我们并没有那么可怕，但他们不希望他们的数据回到一个设备供应商那里，而他们的所有竞争对手都在卖这些数据。所以这是一个被搁置的事情之一。但对我们来说，我们不在乎这是他们的数据，我们为他们托管。

但是我们所做的，因为我们为许多客户工作，所以我们进行了学习。我们开发知识并拥有与解决一般问题相关的知识产权。我刚才提到的那个，我们将其统称为机器智商。机器智商基本上是全面解决资产机器健康状况的知识。而且只有一大堆切片，我们只是按顺序和系统地将该方法应用于所有顶级资产类别。我们已经量化了它。我们拥有 73,000 个资产类别年的数据，因为我们已经这样做了很长时间。我不知道有哪家公司在这些实际应用程序中拥有如此多的上下文数据。

因此，我们正在利用这些知识将其应用于这些资产类别。但有趣的是，归还所有权的是我们的客户从中受益，甚至设备供应商也从中受益，因为他们的维护问题更少，责任问题或泵造成灾难性问题的情况也更少。但是我们的客户拥有它的实施，这非常重要。因为当它成为他们的专有时，这些网站中的大多数在他们的用例中都有足够的不同，拥有这些算法的实现实际上是使他们能够控制他们真正希望控制的那部分。

Erik：这听起来像是一个合理的妥协。我认为它允许您建立可扩展的 IP 基础，但它也为他们提供了从数据保护角度和业务管理角度来看所需的安全性。所以这似乎是一个合理的妥协。所以你的是 73,000 年的机器操作数据，如果你正在查看不同的资产类别，并查看过去 20 年通过项目工作建立的不同模块，有多少资产类别是独特的框架有视图组合吗？我不知道您认为您在这段时间里建立了哪些内部使用的术语？

杰里米：嗯，这不是我想的多少。我不知道我头顶上的数字。这是我们全面记录和编排的内容。总共有 100 对，但是这 100 对是按类别分组的。因此，例如，泵有很多类别，主要是离心式转子动力泵，但许多最重要的关键泵是特种容积泵。它们有许多不同的类型和亚型。

因此，仅在泵的类别中，就有数十种不同的足够资产类别，必须以不同的方式对其进行分析和处理。但它们都共享一种通用的基础架构方法。因此，总共有 100 个，但这些事情是一波三折发生的，所以这实际上是解决最大类别相似性的问题。因此，所有这些东西中的绝大多数都是由电动机驱动的。因此，几乎所有这些应用程序都共享一个简单的类别。

Erik：在这里从商业模式的角度来看，我很好奇你对这种系统概念系统的想法。因此，您的企业拥有非常深厚的领域专业知识、IP 基础和围绕该特定问题集的数据库，然后您拥有 Siemens Mindsphere、GE Predix、PTC ThingWorx 等公司。你有这些更水平的平台，可能会尝试做更多的数字孪生类型解决方案或连接你的整个企业。因此，一方面，它们非常全面，但在特定领域往往没有那么深入。

我很好奇你是否与这样的公司有任何持续的合作伙伴关系，或者他们是否与你接触，以及你是否决定建立这些合作伙伴关系。但你对此有何看法？因为我们谈到了物联网，但通常它最终会成为许多独立的解决方案，这些解决方案本身可能都非常有价值。但理想情况下，我们希望在 40 年后看到更多真正拥有互联网如此连接的解决方案。我想很多这些更水平的平台会在您的解决方案中找到很多价值。你在这方面有什么正在进行的工作吗？或者这是您正在探索的领域，这种技术合作伙伴关系？

杰里米：当然，你提到的所有公司，我们都会定期与他们交流。我们发现不一定要与他们建立伙伴关系。我们发现，我们的客户只需要我们作为一个友好的生态系统进行合作。物联网就是这样运作的，在我看来，我们公司确实是一家解决问题的公司。因此，如果您能够解决问题，这仅取决于问题出在哪里，以及需要获得哪些数据才能解决该问题。

当然，其中一些只是纯粹的横向高级系统，它们有自己的位置，它们攻击的问题与我们攻击的问题不同。每个制造商基本上都需要解决方案来解决他们遇到的问题。但通常，这是水平的高级事物的混合，然后是特定领域的深度应用程序。

但我们的重点是成为一家在资产层面解决问题的公司。如此全面的解决方案可将机器的健康状况作为一个平台，然后让数据流入 PTC ThingWorx 或 IBM Maximo，例如 OSI Pi [听不清 46:10] 可能 OSI Pi 中的 CMMS 系统超过其他任何东西只是因为那是那里。但是很多新兴的横向大数据分析，以及纯机器学习人工智能类型的软件公司，数据有时会流向那些。但一般来说，它围绕用例。因此，我们始终专注于用例，并启用允许您解决问题的数据流。

Erik：不，这是一个很好的观点，我想，战略伙伴关系并不是真正必要的，在某些情况下可能有用，但是你能够整合这可能完成工作？

杰里米：并不是说它们没有必要。我们只是还没有发现它们是必要的。因为他们在哪里，我们与设备制造商结盟。在这些情况下，这绝对是必要的，因为，尤其是在更大的行业特定应用中，例如林产品行业中的造纸机，就像汽车行业中的冲压线，这些设备制造商中存在的领域专业知识绝对是必要的。因此，与这些公司建立联盟和接口绝对是我们所做的事情，并且对于解决这些类型的问题非常重要。但这是我们客户的方向。

我们的全部重点是解决客户的问题。再一次，因为他们拥有数据，他们可以决定数据的去向。我们的工作实际上是促进发生在我们圈子之外的那些数据流，这只是全面地解决机器的健康问题。

埃里克：太好了。所以，这里只是关于商业模式的最后一个问题。您正在销售硬件，将软件服务集成到解决方案中。但是您也处于对现状有很好的了解的位置，因此您可以在今天的现实中设定基准，然后您可以非常准确地衡量改进，无论是能源还是正常运行时间，无论是什么。那么，您的商业模式主要是纸质项目还是订阅服务？或者有什么风险说，我们相信我们可以做出这种改进，并且我们将根据我们事先商定的基准为您取得我们实现的改进的 20%？今天看起来像什么？

杰里米：我认为未来会很流行，当然我们已经做过并且感兴趣的事情。根据我们的经验，到目前为止，大多数公司在衡量可以有效实现的影响的能力方面还不够成熟。我给出的故事的部分原因是，这些问题存在的背后通常有很多根本原因。因此，当这些问题得到解决时，以合同方式就价值份额达成一致是很复杂的。但是我们的模型非常简单。

首先，主要关注的是软件即服务。因此，所有这些解决方案都是以资产为中心的解决方案，以全面解决作为平台的机器健康问题。这是一种软件即服务，它只是一个持续的事情。它通常不是收入流中最大的部分，但这才是真正核心的长期价值交付部分。我们出售我们的硬件。我们并不总是对传感器收费，但这取决于应用程序。但我们拥有高度先进的硬件，因此通常仅销售和部署传感器是我们收入模式的重要组成部分。

最后一部分是客户现场在可靠性计划、维护团队甚至工程方面的广泛成熟度，因此我们实际上经常提供实际服务。因此，使我们与众不同的一件事是我们有真正去工厂的人，帮助安装，培训团队，与团队合作。我们有一整套叫做 KCF 学院的东西，在那里我们建立了一个完整的学习环境，以教育可靠性专业人员如何以及操作员和我们的维护人员如何正确解决所有这些问题。在这种情况下，我们实际上获得了更多的服务报酬，但核心实际上是持续的长期 SaaS 平台。

埃里克：是的。感谢那个破败。杰里米，非常感谢今天的谈话。我知道你已经跑了。所以最后一个问题，对我来说，对于有兴趣了解更多关于 KCF 的听众来说，与您或您的团队联系的最佳方式是什么？

Jeremy：所以您可以在 kcFtech.com 上找到我们，了解有关公司和产品的所有信息。但我也有自己的播客，我们在其中更深入地讨论其中一些故事，我实际上采访了我们的客户和其他思想领袖。它被称为工业转型播客。所以我也会邀请听众来看看。

埃里克：非常酷。好的，我不知道，但我也会看看。杰里米，我们会将这些细节放入播客笔记中。但是，再次感谢您今天早上抽出时间。

杰里米：太好了。非常感谢。我非常感谢与你交谈，埃里克。

Erik：感谢您收看另一个版本的工业物联网聚光灯。不要忘记在 IotoneHQ 的 Twitter 上关注我们，并查看我们在 IoTONE.com 上的案例研究数据库。如果您有独特的见解或项目部署故事要分享，我们很乐意在未来的版本中介绍您。写信给我们 erik.walenza@iotone.com。