在工业中，设备维护是很重要的环节，直接影响到设备的运行时间和设备的工作效率。然而，设备剩余寿命需要被准确预测，故障需要被及时识别和处理，才能避免在生产过程中停机。可将维护策略分为如下三类。
（1）故障维护：一种简单的维护策略，设备发生故障时停止生产并更换零件。单一零件的突然失效会导致相关零件的故障率上升，增加生产成本。
（2）预防性维护：一种定期执行的维护策略，通过计划时间表或生产经验，以预测过程、设备故障。但是由于可能会采取不必要的维护措施，导致成本增加。
（3）预测性维护：使用预测工具对设备的剩余寿命进行预测，这种方法要求对机器状态或运行过程进行持续监控，需要历史数据处理（例如机器学习技术）、完整性因素分析（例如视觉方面、磨损、不同于原始颜色等）、统计推断方法和工程方法的推理，所以这种方法可以预测设备早期的故障并提供解决方案。
IIOS-Farsee是预测性维护类产品。
- IIOS-Farsee的分析对象
IIOS-Farsee主要依赖的设备异常标识信号是：
- 振动。适用于大型机械装备，比如机床、动力机械、机械臂、电机等。
- 温度。适用于热耗设备，比如电子装备、电力系统、内燃机设备、电机等。
- 音频。适用于工作噪声环境相对稳定的场景，比如压缩风机、叶轮等。
获得这些标识信号的方法是添加必要的传感器，并接入IIOS-AIoT。
用户从IIOS-AIoT中选择与设备异常存在关联性的数据点位，IIOS-Farsee会对选定的数据进行一系列的实时分析和处理，分析处理结果被汇集并做出判定，依据判定结果输出预测性维护建议和提示。
需要特别说明的是，大多数设备的异常标识信号都与设备异常具有强相关性，采用标记和分析是更为直接、简单且有效的方法。
而对于设备异常与标识信号关联不明确，或标信号数量多且相互独立的场景，则可以考虑使用机器学习方法，通过训练获得异常判定模型。但运行这种流程需要额外的数据搜集和标记工作，也需要用户更多更深入的参与其中。