据克拉克森研究公司称，航运业的备件和维护成本一直在稳定增长，约占船舶运营支出的18％。设备故障维修计划不当、备件不足等情况都可能对总的维护成本造成不利影响。而且，由于购置、服务和运输需求的增加，故障维修的频率可能远远高于计划中的数量。另外，随着船龄的增长，所有维护成本要素都可能进一步恶化。

在急剧波动的不定期船运市场中，油轮、干散货和集装箱船等细分市场之间的费率往往浮动很大，毫无疑问，船东需要对船舶维护成本进行严格控制，这件事对他们来说非常紧迫。目前在优化此类成本支出时，技术部门所采用的传统方法是将预防性和纠正性维护系统相结合。船员根据特定的运行时间或日期间隔执行检查和清洁主要组件等操作。一旦船舶出现设备故障，只要船上有足够的库存，就可以对其进行维修或更换。定期重复进行扫气口清理和主要部件润滑等维护操作可以使设备保持良好的运行状态，但并不能充分预防机械故障。

为了确保最高程度的业务连续性以及对维护成本进行最佳控制，部署预测性维护方案，利用数字化技术来进行主动设备分析并及时安排纠正性维护任务是一种很好的方式。通过对系统进行监测以及对备件的采购来源、船龄、之前的维护历史以及船员的经验等各种参数进行分析，各类数据都得到了适当的处理，就可以对船舶零部件的状况得出更准确的评估。这样的维护框架有助于预测潜在的设备故障，然后可以通过动态调整维护计划以及随后重新评估p-f(潜在故障-功能故障)曲线来预防故障的发生。

这种预测性维护框架需要分三个阶段来实施：

1. 以设备为中心进行跨职能协作

从企业的角度来看，遵循一套稳固的预测性维护框架是一项跨职能的工作，需要关键的一线部门(例如技术、采购和安全质量等部门)积极参与。结构化的流程可以促成协作，在这个过程中，各个部门的利益相关者须就未来12个月的维护预测达成共识，执行战略性采购计划以确保备件供应和维修人员的到位，并订购运输服务，确保备件能以经济高效的方式及时送达。

正确地识别将会涉及这种批量订购流程的设备对于航运公司，尤其是姐妹船重叠很小的公司始终是一个挑战。船舶维修保养计划(pms)包含有关设备历史记录的重要信息，例如工单频率、缺陷、停机时间等等。为了能够有效地处理非常细碎的数据，需要将设备聚合成更大的类别或“预测组”。pms包含每艘船舶组件的完整功能层次结构，以及制造商和各种相互依赖的其他详细信息，这些信息有助于进一步细分。例如，一个简单的经验法则通常是：由同一制造商制造的所有配备了柴油发电机的船舶都是姊妹船，属于同一组。

2.利用高级数据分析辅助决策

以无监督学习的形式进行数据分析在正确识别预测组方面发挥着关键作用。将组件按主机、柴油发电机等较大的群组进行分类，航运公司就可以重置战略性采购计划，提高与供应商的议价能力，获得批量折扣。

在每个预测组内进一步部署聚类分析后，基础备件可以基于类似属性，例如制造商、船型、价格和需要相同零件的船舶的数量等，再进行划分。例如，柴油发电机组预测组可以具有多个细分类别，以突出显示不同程度的重要性，然后以此来确定每个备件的库存策略，以便与诸如tmsa 3之类的全球政策或其他法规保持一致。

此后，公司可以将设备转换为监督学习，并部署预测模型来预判各种预测组下面的所有备件集群的未来需求。运用哪种基本算法可能取决于数据可用性和自动化程度，举个例子，如果数据稀缺就采用随机森林(random forest)算法，如果具备足够广度和深度的时间序列数据，则采用深度学习(deep learning)算法。在任何情况下，各种集成算法都能从对设备运行时间、船上传感器数据、船龄以及船员经验等外生变量的利用中获益。

通过纳入规范性模型，可以增强围绕预测性维护的分析框架，该模型利用所有相关成本来“指定”要采购的共识预测。这些模型将预测模型的数量与库存、运输、缺货和购置成本进行对比，并使用运营研究算法来优化确切的备件数量，确保船舶的商业可用性，同时最大程度地减少相关的上游供应链支出。

3.通过机器学习利用遥测数据不断改进维护预测

为了完成差异化的预测性维护框架的闭环，预测模型可以实时使用高频遥测数据，不断提高预测准确性并重新校准p-f曲线。船载遥测系统可以收集并自动传输与高温检测、燃油分析、振动记录等有关的数据。将数据反馈到任何机器学习模型都有助于未来pf曲线的重新设计，并且可以得出有关系统、设备、零件需求和时间间隔的不同结论，这些都是预测性维护计划需要涵盖的要素。举例来说，如果主机流量计上安装的传感器在较长时间内显示高油耗，则将触发维护措施，并且需要在备件的数量和质量、运行条件和工时以及维修人员的能力等方面对设备进行重新评估。

上述预测性维护方案可以为选择部署该策略的航运公司带来巨大收益。预计仅在第一阶段(无需任何先进分析或遥测技术)就可以凭借供应商提供的批量折扣节省约15％的购置成本。部署第二阶段可将整个供应链成本进一步降低约10％，而第三阶段可以将维护成本再降低7％。此外，这种预测性维护框架不仅可以在成本方面带来变革，而且可以改变办公室和船上工作人员对设备维护的理解和执行，从而减轻工作压力，避免反复修改计划，更好地利用工作时间并增强整个企业的弹性。