關于制造業中的機器學習已經寫了很多，但是仍然很難理解不同的方法。
機器學習（ML）無處不在。初創公司，原始設備制造商和工業供應商正在大力投資開發技術，以收集和分析制造數據。在制造業中已經寫了很多關于ML的文章，但是仍然很難理解不同的方法。
在制造業中，無線傳感器和ML的應用提供了降低整個組織成本和提高效率的潛力。公司已經為幾乎所有運營職能創建了基于ML的系統，包括：
供應鏈
質量
生產
需求預測
預測性維護
庫存管理
其他功能，如財務，銷售和營銷
IIoT和ML在預測性維護中
預測性維護（PdM）被廣泛認為是ML 有前途的應用之 ，因為它使可靠性團隊能夠實時了解物理設備的狀況。公司可以立即看到更好的計劃和日程安排，減少停機時間，降低風險和增加產量。根據Tech Pro Research的2019年1月調查，79％的受訪者目前正在使用或計劃使用物聯網進行預測性維護。這是任何申請的 高費率。
IIoT將工業設備（如泵，電機和變速箱）上的傳感器連接到互聯網。隨著收集的數據越來越多，需要使用ML來理解數據。制造商沒有足夠的資源來分析所有進入的數據，這意味著他們將依靠算法標記設備供人類查看。ML可以被視為現有可靠性團隊的助手。
并非所有基于ML的PdM系統都是相同的。它們在 域知識，廣度和復雜性方面各不相同。許多供應商提供該 域的技術，并且很難區分它們。
為PdM提供基于ML的軟件的公司通常分為以下幾類：
OEM
通用ML公司
特定應用ML公司
現有軟件公司（例如，EAM，歷史學 ）
OEM提供的機器學習
許多OEM正在從銷售產品轉向服務模式。自20世紀60年代以來，羅爾斯·羅伊斯 直在銷售發動機小時而不是發動機，但僅在過去五年內，工業原始設備制造商開始轉向類似的商業模式。將產品作為服務銷售使OEM能夠向價值鏈上游移動并增加客戶糾纏。他們可以跟蹤安裝基礎和設備使用情況，并獲得有關設備使用的知識，從而改進產品設計。
隨著OEM從銷售部件轉向銷售設備的功能或性能，他們將需要收集實時狀況信息。幾 OEM已經合作或開發了自己的IIoT設備，其中包含機器學習算法。
使用OEM開發的系統的好處是OEM將對其設備有 深入的了解，并且通常會將這些知識嵌入到算法中。缺點是它只與該制造商的設備相關，大多數工業設施都有來自多個OEM的設備。為每個OEM維護和監控單獨的系統是不切實際的。
通用機器學習軟件
許多分析軟件初創公司都提供了應用于任何制造問題的構建塊。這種方法的好處是您不需要針對不同功能的單獨軟件程序（例如，維護，操作，財務）。擁有數據科學 員工的公司將受益于這些系統的廣度。然而，數據科學是許多工業公司所缺乏的技能。根據埃默里大學的說法，大數據科學 的技能短缺是對工業4.0部署產生負面影響的 重要因素之 。
些分析公司提供工具，以便客戶不需要有員工數據科學 ，但系統的復雜程度各不相同。他們仍然需要技術和統計專業知識來構建能夠準確預測故障的模型。許多振動分析從業者指出，如果不了解故障發生的原因和背后的物理原因，很難單獨通過算法來預測故障。
特定應用的機器學習
第三類公司提供機器學習的預構建應用程序 - 這些應用程序已經針對特定的制造問題（如質量改進或預測性維護）而構建。
預構建應用程序的好處是它們經過優化以解決特定問題。 種試圖回答預測性維護問題的算法，例如“哪些設備存在故障風險，哪些設備存在根本原因？”并不具有與回答質量問題的算法相同的變量，例如“我能做什么？減少不合規格的紙張？“他們正在采用不同的輸入，使用不同頻率的數據收集，并提出不同類型的建議。已經針對同 應用程序使用了數百次的算法將比為不同目的而創建的算法執行得更好。
對于PdM，性能 佳的算法將是將基于物理的知識與機器學習相結合的算法。用戶可以超越異常檢測，以了解問題的根本原因。
這些算法的缺點是它們是為解決特定問題而構建的，不能跨部門擴展。
現有工廠系統的演變
EAM，數據歷史記錄和其他工廠系統使用機器學習提供有關設備的更深入見解。在這些系統中使用ML算法的好處是它可以利用現有投資。例如，SAP和Maximo都具有高 ML功能來預測停機時間，并且它是根據已收集的數據構建的。缺點是它是基于歷史數據而不是實際條件，它只是與其中的數據 樣好。
現有工廠系統演變的另 個例子是數據歷史學 。從流程數據構建的高 算法可以提供有關資產狀況的信息。這些系統的主要缺點是它們僅在已經檢測的資產上獲取信息。許多設施在工廠余額（BOP）設備上沒有連續傳感器，因此除非他們添加新的傳感器，否則他們將無法查看資產狀況。
設置程序時的重要注意事項
每種形式的機器學習產品都有其優點，具體取決于實施它的公司的資源和目標。在評估哪種類型的基于ML的計劃有意義時，工業設施應該關注以下三個標準：
是時候實施了
行業重點
范圍
是時候實施了
提供更多平臺或“自己動手”ML工具的公司將需要更多的專業知識，通常需要更長的投資回收期。這可以通過這些系統的范圍來平衡，這些系統通常可以應用于幾個不同的問題或應用，而不是 個特定的需求。已經針對預測性維護進行測試和調整的ML算法（與通用工具相比）將更容易實現，需要更少的技術資源，并且更快地產生回報，但是其范圍將更加有限。
行業重點
對于汽車制造商而言有意義的變量（或特征）與煉油廠 相關的變量（或特征）非常不同。您不能只在不同情況下應用通用模型; 您需要擁有行業和流程知識，使特定模型在特定情況下更好地運作。實現基于ML的系統 重要的步驟之 是特征選擇。采用將所有數據投入算法而不應用資產知識的公司可能會使算法混亂或建立不存在的連接。
范圍
如果公司制定了數字化轉型戰略，則應選擇符合公司戰略的供應商。隨著選項的激增，制造商需要考慮諸如安全性，應用廣度以及與現有系統的互操作性等因素。 成功的計劃是在企業IT / OT和工廠 可靠性團隊之間進行協作的計劃。鑒于數字化轉型是主要的事業，在文化和能力方面需要相匹配。
結論
在2018年新興技術的Gartner炒作周期中，物聯網平臺和數字雙胞胎模型被標記為處于膨脹預期的高峰期。這意味著他們受到了很多媒體的關注; 早期取得了 些成功; 并且出現了很多失敗。好處尚未完全實現，許多公司不采取行動，因為他們沒有看到商業價值。
對于希望入門的公司，第 步是查看內部資源，特定業務需求，可用數據和預算考慮因素。他們應評估每個供應商在與公司目標保持 致的程度，并考慮行業專業知識，實施時間和范圍三個方面。
:021-80392064 QQ：2039609103 企業入駐:
