分享
什么是机器学习?尽管这类人工智能的应用范围广泛且复杂，但其基础相对简单。机器学习在大量数据中识别模式(甚至是微妙的模式)，并使用这些模式提供某种类型的有用输出，例如对未来结果的预测。正是在这个领域，机器学习在维护中特别有用，可以实现先进和准确的预测性维护策略。
机器学习的类型
有许多机器学习方法，它们都有一个共同的主线:它们的创建是为了使机器随着时间的推移变得更加“智能”，拥有更多的数据和反馈，从而实现ML算法输出有用结果的场景，这些结果还没有专门编程，但它已经“学会”了如何产生。
常见的ML类型有:
- 深度学习:深度学习依赖于神经网络技术——本质上是一种模拟人脑运作的计算机程序。通过结合大量的“神经元”，深度学习程序甚至可以在相对少量的数据中识别出最微妙或深埋的模式。深度学习提供了一种特殊的能力，可以从指数级的大量“噪音”中分离出有用的“信号”，并从中提供可操作和准确的预测。
- 监督式学习:在监督学习中，数据被更精心地“清洗”，以为机器学习提供更多的指导。监督学习需要持续的数据审查和标记，以便将ML程序引导到类似类型的模式。尽管监督学习在大量数据和更多实际数据管理时最有用，但它可以提供令人难以置信的准确和复杂的预测结果。
- 无监督学习:无监督学习允许ML算法自由地识别数据集中可能存在的任何类型的模式，而不需要通过其他输入进行指导。这种类型的学习并不经常使用，但它在识别可能没有被检测到的模式方面具有宝贵的应用。
- 强化学习:在强化学习中，算法撒下广泛的网来识别数据中的模式，然后接收反馈(积极或消极的)，以判断它是否有效地运行或提供有用的信息。基于这种反馈，算法将改变策略或继续沿着相似的路径前进。
预测性维护机器学习技术的运行原理比乍一看更容易理解。然而，在实践中，人工智能和机器学习算法和支持设备必须由训练有素和经验丰富的人员实施和操作，才能有用和有效。许多设施选择外包机器学习进行预测性维护，而不是进行广泛而昂贵的培训，这些培训可能会产生效果，也可能不会产生效果。
机器学习对预测性维护的好处
的一部分预见性维护策略方面，机器学习可以带来很大的好处。这些可能包括:
- 更高效的维护费用:机器学习能够准确预测给定组件或机器何时开始显示故障迹象，而不是像时钟一样准时发生的预防性维护方法，无论是否需要，并且可能或可能不能防止在计划维护之间发生意外问题。通过向维护人员提供这种提示，他们可以调查问题并根据需要进行补救。
- 很少或没有计划外停机时间:通过对潜在的维护问题的有用洞察，设施可以将维护安排在干扰最小的时间，重新控制生产计划，并大大减少(甚至消除)计划外停机时间，这是造成大量资源浪费的罪魁祸首。
- 生产的改进:随着ML算法变得越来越“智能”，它可以提供关于预测设备性能的更细致和深入的信息，不仅可以预测维护问题，还可以帮助保持设备在峰值性能和容量下运行，提高质量和生产效率。
工业传感器:使机器学习工作的设备
机器学习需要有效的数据——数据越多越好。虽然一些机器学习方法可以使用相对少量的数据启动和运行，但最有效的结果出现在大量组织良好和标记良好的数据可用时。最重要的是，请记住，在没有可用数据的情况下，机器学习是不可能的。
这些数据从何而来?工业传感器，可以与设备集成，也可以作为售后附加组件安装。这些传感器实时收集性能数据和指标，并将信息传输到中央数据存储，在那里进行“清理”和分析。随着收集的数据越来越多，算法会变得“更智能”，结果也会有所改善。
谁从机器学习技术中受益?
任何有工业设备和维护需求的制造商都可以利用预测性维护从机器学习中受益。该技术可以指数级提高预测精度，并随着时间的推移变得更加有效，从而提供主要的ROI收益。
典型行业包括:
机器学习服务可以拯救你…
机器学习服务的好处包括:
时间节省:
- 减少不必要的维护任务，为更高价值的功能腾出资源
- 外包可以减少你花在行政和人事问题上的时间
- 不需要入职或培训-维护伙伴经过培训和认证，随时准备产生结果
- 更准确的维护和库存订购
节约成本:
- 成本高昂的计划外停机时间可以减少或消除
- 一个维护合作伙伴意味着你不需要花费时间或金钱雇佣高薪的内部人员来完成利基但重要的任务
- 只有在需要时才进行维护才更有价值
- 库存精简，减少了备件的损失或浪费
