首先，飞机制造商难以通过健康预测来监测飞机系统的健康状况并提供预测性维护见解。其次，飞机制造商需要一种能够提供上下文咨询并调整工作分配以匹配技术人员经验和专业知识的解决方案。

石油和天然气公司在从数据中学习以了解资产的不同运行状态和故障模式时遇到问题，并利用这种学习在故障发生之前提供足够的警告，以便运营商可以计划纠正措施，从而优化其运营和维护预算。

从历史上看，Texmark 的运营和维护团队每年都会在现场检查设备时花费大量的美元和工时手动和通过有线传感器监控设备。为了迅速采取行动并执行这一多年计划，Texmark 在 2017 年底向德勤求助，以提供端到端的 IIoT 实施。在接下来的两年中，德勤为该项目协调了以下合作伙伴： 1. National Instruments 为泵配备收集运行数据的传感器2. Hewlett Packard Enterprises 支持边缘部署3. OSIsoft PI 聚合来自 NI 源的传感器数据4. SparkCognition™ 预测即将发生的泵故障5.Flowserve 帮助开发模型和数据流架构 6. PTC ThingWorx 创建支持移动设备的界面

运营水轮机的公用事业公司在执行定期维护以防止意外故障方面具有既得利益。大多数维护都是在计划的基础上进行的，如果需要，资产会离线、检查和主动维修。水轮机机组非常可靠，这意味着很少有计划外停机的例子。然而，这些故障对他们的运营商来说是非常昂贵的。鉴于运营商对计划外停机时间的敏感性，许多运营商已经为涡轮机和发电机配备了传感器和平台，以实时收集有价值的性能信息。但是由于历史上的水电故障很少可以比较，丰富的流数据和基于传统统计的分析在预测真正的故障事件方面并不是很准确。事实上，他们经常通过良性误报使监控团队超载而产生更多问题，从而导致不必要的停机时间进行评估。这就引出了一个问题：人工智能能否帮助维护团队从数据中提取更多价值？

2015 年末，一台已部署的燃气轮机出现两排叶片故障，这对压缩机造成了巨大的二次损坏，导致近两个月的停机时间和高达 3000 万美元的维修成本和机会损失。这种失败虽然很少见，但代表了很难捕捉到的典型灾难性事件。尽管现场工厂运营团队一直在监控资产，但这种特定的故障模式以前是未知的且非常细微，现有的警报没有足够的信息让中小企业及时正确诊断。 OEM 决定评估 SparkCognition 的预测分析解决方案 SparkPredict®，其目标如下： 1. 展示根据涡轮机提供的盲数据检测和区分运行和异常在线稳态条件的能力。 2. 提供有关导致潜在异常的关键因素的更多见解。 3. 提供一个与资产中的实时流数据接口的 UI。