预测性维护并不是对传统维护管理方法的替代品，但它是一个对全面的、总体的工厂维护计划的有价值的补充。传统的维护管理程序依赖于对所有机械设备的例行服务和对意外故障的迅速响应，而预测性维护程序则根据工厂设备的实际需要安排具体的维护任务。它不能消除传统维护程序（即按需运行和预防性维护）的继续需求，但可以减少意外故障的数量，并为例行预防性维护任务提供更可靠的调度工具。
预测性维护的前提是定期监测机器组的实际机械状态和工艺系统的运行效率，以确保在维修之间获得最大间隔；减少由机器组故障引起的非计划停机的数量和成本；提高运行工厂的总体可用性。将预测性维护纳入全面的工厂管理计划将优化工艺机械的可用性，并大大降低维护成本。实际上，预测性维护是一种以条件为驱动的预防性维护计划。
使用预测性维护技术所获得的好处取决于该计划的实施方式。如果预测性维护计划仅限于防止选择的工厂系统发生灾难性故障，那么就会得到这样的结果；然而，过于专注于防止故障可能会导致维护成本大幅增加。例如，一家大型的综合钢铁厂能够将非计划机器故障减少超过30％，但对维护成本的审查揭示出了60％的增加。
“预测性维护”是人工智能技术在智能制造领域中的最典型应用之一，也是工业互联网的“杀手级”应用。据统计，2022年，预测性维护市场规模达到55亿美元，预计到2028年，预测性维护市场将以每年17%的速度增长，由此可见其重要性毋庸置疑，然而，预测性维护市场发展预期却在不断下调，其发展并未与其受重视程度相匹配，以致出现了“不可操之过急”等“冷静的思考”。究其原因在于预测性维护技术难以评价、实施效果难以衡量，背后的技术瓶颈是预测性维护算法的准确性、有效性和适用性难以进行科学合理的评价。算法测评无章可循、无据可依的瓶颈极大限制了预测性维护的市场发展。
为破解预测性维护技术发展困局，仪综所2021年牵头立项了《智能服务 预测性维护 算法测评方法》（计划号：20210705-T-604）国家标准计划，并联合清华大学、西门子（中国）有限公司、中国石油大学（北京）、重庆邮电大学等共计70余家单位的110余位专家组成标准起草工作组，历时三年多的努力，完成了GB/T 43555-2023算法测评国标制定，该标准将预测性维护算法划分为监测、诊断、预测3大类6个子项，采用黑盒和白盒测试相结合的方案，规定测评流程、测评指标体系和测评方法等，为划分预测性维护技术水平提供了“标尺”，为其推广应用提供了“信用证”和“通行证”。
为进一步响应市场测试需求，仪综所以IEC63270、GB/T 43555-2023、GB/T40571-2021为依据建立了工业智能与预测性维护算法测评实验室，同时，依托中国机电装备维修与改造技术协会智能运维委员会秘书处单位开展预测性维护测试评价及产品认证等工作，测试以状态监测算法、故障诊断算法、预测算法为对象，既可以来源于需求方（用户）、供给方（供应商）、也可以来源于第三方机构（解决方案供应商）。通过三个维度、15项指标的定量测试，以及适用性、易用性、泛化性等的定性评价标定算法性能，划分技术水平。
北京仪综所实验室工业智能预测性维护算法测试实验室是目前国内唯一一家可以实施预测性维护算法测评的第三方检测服务机构，预测性维护算法测评国家标准/国际标准由实验室牵头起草并发布，实验室基于IEC63270、GB/T 43555-2023、GB/T40571-2021检测标准建设了预测性维护算法测试平台并具备完善的检验检测服务能力，提供国家认可的第三方检测报告。
预测性维护实验室彭光琼136-9109-3503.