炼油和化工行业是是典型的流程型生产模式，工艺过程高度依赖设备的长期、稳定、安全和高效运行。因此，设备维护对炼油化工企业至关重要，任何一台关键设备的故障停机都可能导致数以百万甚至千万级的经济损失。
设备维护分为预防性维护、预知性维护和事后维护。流程型行业的特点决定了对于非关键类的设备可以采取事后维修的方式，以降低维护成本;对于关键类的设备必须采取预防性维护和预知性维护相结合的方式，保证设备能够长期可靠运行。对于预防性维护，通常利用3年到4年一次的生产装置大修机会对设备进行解体维修。在设备运行期间，主要依靠每月的计划维护工作开对设备进行预知性维护。
目前在中国石化北京燕山分公司制定月度维护计划的依据主要是设备管理人员的经验，现场设备运行过程中表现出来的故障现象，以及公司规定的强制保养项目。我们知道，人为经验是有局限性的，是缺乏继承性的，这就导致了企业的维护计划不能够完全满足设备安全可靠运行的要求，“过修”和“失修”情况并存。而如何能够利用设备运行状态数据，通过数据分析、数据挖掘等技术制定科学合理的检修维护计划，成为企业急需要解决的问题。另一方面，当设备出现运行异常情况时，如何能够通过对其状态数据的分析判断进而在设备真正发生故障之前能够捕捉到设备的故障征兆，为提前安排停车检修争取到更长的时间，也是企业一直面临的难题。提前发现设备故障，提前进行生产计划调整和物资准备，就意味着减少非计划停车时间，进而为企业避免数额巨大的经济损失。
面对燕山石化提出的问题，极晨智道提出应用大数据技术结合振动分析技术为企业建设设备全生命周期预知维修系统解决方案。由燕山石化、极晨智道和上海星环科技三家单位组建联合项目组，历经1年半的技术开发和现场实施服务，系统成功上线并达到预期的效果。
设备全生命周期预知维修系统从现场设备状态监测系统和实时数据库系统中获取轴承振动、温度、压力、流量等数据。大型机组主要在线采集轴瓦位移的时域波形数据和温度数据，数据采集周期为3-5秒;机泵以在线或离线方式采集振动速度或加速度数据和温度数据，在线监测方式的数据采集周期为1小时，离线监测方式的数据采集周期为1-7天;系统从实时数据库系统中获取设备所对应的工艺参数，包括压力、温度、流量、液位、介质组分等等，数据采集周期为1-5秒。依据该数据采集策略和中石化集团的设备总量，预计数据规模可以达到1-5PB/年。利用传统的关系型数据库已经无法处理如此大规模的数据，所以在该项目中引入了上海星环的大数据平台作为数据获取、转换和计算平台。