设备和零部件的故障、损耗是引起生产线停工、甚至导致严重故障的常见问题。制造业传统的预防性维护(PM-Preventive Maintenance)，也就是对设备零部件定期检验和检修的方式，虽在一定程度上可提前排除故障，但若频率过高或过低，很容易造成过度维护或缺乏维护；而且停工检测、维护更不可取，按分钟计算损耗的制造业，稍有半点差池就会极大影响生产效率、增加生产成本。
  思科预测性维护解决方案其附加技能是提升故障预测的准确度，让预测性维护变得更通用、可持续、可扩展，它的终极目标是有效提升产能和降低成本、节约能源。本领是能准确估算设备和零部件的剩余寿命以及进行故障预测，使命是改善和解决用户在制造生产核心环节上业务痛点。
  思科预测性维护解决方案基于边缘计算、雾计算、云计算三位一体的系统架构，拥有通用可扩展性，解决传统制造业中的维护问题：
  1、边缘计算：负责收集和传递零部件传感器数据，对接思科数据总线 - Cisco Kinetic EFM
  2、雾计算：汇集数据，有效存储数据，实现对数据的分析和预测，用图表结构友好的展现数据
  3、云计算 ：永久存储历史数据，利用云平台训练机器学习和深度学习模型
  为了达到准确预测的目的，通过关键技术来实现剩余寿命（RUL-Remained Useful Life）估算和故障预测：

  为了确保方案实施的严谨性，通常在预测开始之前，会针对剩余寿命（RUL）和故障预测（failure prediction）两类典型场景进行可实施性指标和可评测性的指标估算：
  1、剩余寿命估算：利用平均估算得分来评估
  2、故障预测：这是一个二分类问题，基于二分类问题的误差矩阵，利用准确率和漏检率来评估预测准确性，事实上，能达到的准确率高于 85%，而漏检率低于 5%