假设很简单：
- 设备故障或停机时间非常昂贵（想象一下火车在距离最近的仓库数十万英里）
- 重型设备（发动机，风力涡轮机，制造机）产生各种数据流（热，振动，时间序列等）
- 机器学习可以用来检测数据中的“故障模式”，帮助企业更有效地维护设备健康
把这个想法付诸实践是什么，但简单。
甚至是两个设备的相同件（即，两个在制造操作钻头的相同型号的）可以具有数据的独特模式 - 并且因此需要独特的校准和诊断。传感器来检测热量可能无法在寒冷的季节很好地工作，或者可以脱落或当暴露于极端的条件下会失去它们的灵敏度。精确的确定什么将数据用作诊断数据流对于一个特定的设备也是不容易的，并且可能需要昂贵和耗时的迭代。即使是工业人工智能领域资金最雄厚的公司也依然如此绕轴旋转为机器学习找到合适的应用，为客户提供一致的结果。
尽管有这些挑战，我们的人工智能机会景观报告显示，从公用事业、交通运输到制造业等所有重工业部门，预测性维护将是人工智能最受资助的用例之一。通过减少停机时间和故障所节省的成本是巨大的(想象一下关闭一个巨大的丰田工厂的生产线的成本，或者关闭一个海洋中的石油钻井平台的成本)，机器学习适用于这项工作所需的复杂模式识别——即使找到合适的传感器和算法的应用绝非易事。
在这篇文章中，我们将探讨的预测性维护的使用情况在专门制造，突出流程的业务价值，数据和数据处理所涉及，业务成果和更改工作流程。
业务价值
物理设备的维护既昂贵又耗时。除了由训练有素的专业人员进行人工诊断的成本外，设备停机还可能影响下游的生产率。
当一件制造设备(如钻头或车床)停机维修时，送至该机器的在制品库存必须停止或转移到其他地方。在生产过程中备份的库存可能会对其他设备、运输和操作它们的劳动力产生不可预测的下游影响——更不用说可能无法满足客户交付期望和截止日期。
由于设备故障或故障的费用和影响是如此巨大，制造企业必须有一致的维护和保养团队，以限制生产率中断，同时保持最重要设备的运行状况。
人工智能的潜力，以减少停机时间，同时也提高了整体的维护和监控设备是显著。降低风险和提高吞吐量（收入）是任何制造工作非常重要。
相关文章：
相关数据
预测性维护应用程序中利用各种数据类型的：
- 设备本身的传感器数据，包括:热传感器、振动传感器、运动传感器等。
- 可编程逻辑控制器(PLC)数据，包括:输入机器的输入、机器的输出、机器随时间的人工指令等因素。
- 计算机视觉．例如:用来观察压力机升降次数的照相机，或者用来检查装配线上产品质量的照相机。
- 已知故障、问题或故障的时间序列数据-它可以被绑定回传感器数据，以确定导致问题的机器的状态。
- 有关外部数据源-这可能涉及生产线上其他相关设备的数据，甚至是天气数据(如果天气或外部温度可能影响机器性能)。
不同的设备将需要传感器的不同组合，并且它通常需要实验来确定哪些数据结合将成为故障或机功能的最好的预测。
数据处理
一个跨职能的数据科学家团队(通常来自人工智能供应商，因为很少有制造公司有内部数据科学人员)和机器维护专家一起工作，以确定最可能指示跟踪机器功能或故障的因素。
这些谈话导致有关可能是最好的维护指标数据的组合假设。例如，假设一个团队考虑如何预测的条件压力机．他们可能会问：
- PLC数据或图案是否有这台机器一贯在过去的失败实例中提供？
- 这台机器的哪些部分最有可能出故障?
- 温度、振动、压力等的什么变化可能导致上述故障?
他们的一些问题，可能有很强的答案，而有些则需要实验或解决方法。
可以尝试多次迭代数据组合和不同算法方法，以便到达比以前的非AI维护程序更好的解决方案。由于没有保证数据和算法生成所需的结果，因此可以发现对于某些设备来说，可以将非AI维护更可靠。
还应当指出的是，跨职能的预测性维护团队必须考虑该机器能够专注于他们的维护工作。这一决定将基于多种因素，其中包括：
- 有多少这台机器公司经营的（花时间去培养一个算法和单组传感器通常只有有用的，当这些最佳实践能够在许多宝贵的资产被应用）
- 那台机器或机器类型的故障成本
- 与传感器，PLC或其他数据可能是使用的难易程度来预测这台机器的故障（即旧机器可能有更少的电子数据蒸，并且可能会或可能不会在对预测性维护的目的值得投资）
吸收的演示视频——虽然过于简化——总结了大多数人工智能供应商在预测性维护领域的一般价值主张，即:利用多个数据流(如有必要，包括第三方来源)来创建仪表板或预测性能——允许制造商或重型设备所有者构建接口和应用程序，以新的、数据通知的方式与他们的机器进行交互和维护:
这个领域的其他供应商包括C3，DataPRM，无限的正常运行时间等等。并非所有的预见性维修供应商都从事制造业。例如,Konux只在铁路和机车上运行。
结果和影响
成功部署预防性维护措施不应导致：
- 在给定的时间段内的灾难性失败较少
- 更少的停机时间，为维护机器的问题
- 减少机器专家的手工诊断工作
不过，这一倡议将伴随着持久的成本:
- 持续迭代和测试传感器和预测性维护系统，以确保准确性和有效性
- 保养和传感器和数据流的维护
- 更详细的用户界面关注(例如，向用户提供预测和数据流，使他们能够驱动智能操作和运营业务)
从制造员工和管理人员的角度来看，预测分析应用程序创建了新的仪表板和指标来运行业务。其中一些接口可能允许精通技术的经理(或在IT或数据科学人员帮助下的经理)创建新的数据视图和指标——允许以新的方式评估机器健康状况或跟踪生产。如果做得好，这些新的数据视图应该允许团队只在需要时更有效地维护设备，并在避免停机时更有信心地管理吞吐量和生产。
这也要求在生产车间部分员工或管理人员了解这些新的数据流和传感器是如何被使用的基本面，让这些工作人员可以有效地利用新的仪表板，并能有效地帮助维持跨职能团队的一部分人工智能工具，或寻找新的预测性维护解决方案或接近其他设备（读：主题专家的重要作用）.
关于制造和预见性维护的Emerj访谈
对制造和预测性维护有更深兴趣的读者可能会喜欢我们下面的一些采访商业播客中的人工智能：
公司联合创始人兼首席科学家Jurgen Schmidhuber说NNAISENSE- Schmidhuber博士是机器学习领域的原创创新者之一，在本集中，他探讨了人工智能在制造应用中的潜在用例，包括机器人灵巧度、多用途机器人等:
Tilak Kasturi, Predii首席执行官- Tilak分解了“预测性维护”的概念，并分享了他对未来5年工业物联网未来的想法:
Predikto首席科学家Will McGinnis- 在这一集里，将和我们谈到了适用于铁路机车设备的改进预测性维护：
用您最喜欢的播客服务订阅AI in Business Podcast:
