01 / DECISION
从被动维修转向预测性维护
把实时设备数据、预测结果与业务规则组合起来，在故障发生前识别需要关注的设备和维护行动。
CONFIRMED FACTS
用 IoT 数据驱动远程监控与维护决策
ABT Power Management 为大型配送中心和制造设施中的电动叉车、自动引导车提供工业电池和充电系统。案例资料称，其设备在美国分布超过 10,000 台；该数字描述的是 ABT 的设备规模，不是 SMARTS 的处理量或实施成效。
ABT 以 Azure IoT 作为设备注册、数据采集、存储、分析和可视化的基础，以 SMARTS 作为决策引擎，将实时分析、预测模型、机器学习、人工智能与业务规则组合到维护决策中。
- 传感器采集数据
- Azure IoT 汇聚
- 流式分析与预测
- SMARTS 执行规则
- 触发维护行动
WHAT SMARTS PROVIDED
本案例涉及的决策与 SMARTS 能力
02 / OPERATIONS
由现场工程师维护规则
案例称，现场工程师可以自行创建和维护规则，提高维护判断的灵活性与控制力。
03 / OUTCOME
更主动地处理设备与合规问题
案例披露近实时分析、更快识别问题和减少计划外维修支出，但没有给出金额、比例或统计周期。
来源：Sparkling Logic《CustomerStory - ABT Power Management》（3 页）。超过 10,000 台设备是客户背景；设备表现、维护成本和客户满意度的改善均为案例定性描述，原文未披露量化幅度。
CASE STUDY DOWNLOADS
下载客户案例材料
选择中文或英文版本，填写联系信息后即可下载 Word 文档。