每一家企业都希望其生产设备能够可靠地全天候使用，但机床设备故障停机的风险有多高？哪些装备最容易出问题？机器学习适用于基于状态监控而开发的主动式维护保养方案，能够在机床设备出现故障之前发出预警信息。机器学习为实现更加快捷的决策和预测性的维护保养铺平了道路。

从数据中学习

作为AI人工智能的一部分，机器学习已经被研究了数十年。但近几年来AI人工智能在工业领域和基础设施建设领域中的飞速发展则是由于下列几个原因：

-    来自不同数据源的数据越来越多；

-    对控制复杂机械设备所需的预测性功能和常规功能的需求在不断增加；

-    IoT物联网的使用更广泛；

-    计算机性能已经被大幅度提高。

虽然机器学习主要用于运输业和银行业中，例如汽车的自动驾驶以及银行监控，但新技术在工业领域中也有着许多的应用可能，并能实现预测性的维护保养。本文将介绍机器学习的一些原理，以及已经受益的行业。首先需要指出的是，许多不同的技术方法都可以帮助企业做出正确的决策，提高机床设备生产效率和企业经营效益，究竟采用哪种方法则取决于企业自身。哪一种是适用的最佳解决方案？企业所使用的数据是什么类型的？数据有许多不同的格式和大小，它们可以是有时间序列，也可以是有标记的、随机的、间歇性的或者非结构化的数据等等。所有的数据都包含有信息，企业需要用正确的方法解密这些数据，从中得出有用的信息。因此，机器学习的算法语言可以提供巨大的帮助。

随时随地都能分析数据，这是移动应用的可能性

在做出最合适的决策之前，了解机器学习的方方面面非常重要。在投资机器学习之前，企业负责人首先要了解以下6个问题：

1、您需要通过数据得到什么？您在寻找什么？您的什么期望还没有实现？

2、“您的数据正确吗？”确保数据是可用数据，准备就绪并经过了验证的数据。数据越多，意味着结果越准确。

3、“是否有足够的数据？”为了进行准确的预测，机器学习需要大量的历史数据来训练机器学习的控制系统，然后才能将其用于实时的数据处理。

4、“哪一种机器学习平台是合适的？”选择机器学习平台时要考虑互操作性。

5、“需要聘用计算机技术人员吗？如何将其整合到企业的运营工作中去？”机器学习需要计算机技术人员或者分析专家，但这些人员应结合您企业的其他业务来开展工作。

6、“我可以将数据输出给其他人使用吗？”机器学习得到的知识不应只应用于一个项目，而应该能够扩展应用于整个企业运营中，从而在各个能够提供大量数据的生产领域中发挥作用。在规划设计方案时，您应考虑如何充分发挥机器学习的效果。

流程工业的理想选择

机器学习有助于理解复杂的过程和数据，这让其成为资产密集型行业的理想选择，例如有大量数据可用的流程工业企业。在这一领域中，了解机床设备的故障情况、生产能力、避免计划外停机和降低维护保养成本费用，以及环境破坏的能力对企业经营的成功与否至关重要。因此，在制造业中预测性维护是最好地使用机器学习的领域之一。预测性维护是利用数据和数学模型预测故障发生时间，以便及时采取预防性措施的方法。它涵盖的范围从故障预测、诊断到控制的建议，以及故障后的维修措施等。机器学习降低了维护保养成本，减少了故障停机时间和风险，这些都证明该领域的投资是非常值得的。引领数字化转型的制造业和资产密集型企业的一些实例就能说明机器学习带来的机遇。

石油和天然气领域

在石油、天然气领域中，和油井开发、钻探策略和后续处理一样，流程设备的状态是成功的关键因素。流程设备的故障和计划外的停机、设备维修以及潜在的环境破坏都会给企业带来大量的资金损失和企业形象破坏。通过机器学习技术，预测性维护保养就能够在设备维修中发挥重要作用。利用IIoT工业物联网将机器学习和维护保养结合到一起，就可以更加准确地估计设备故障的时间，并减少设备停机时间和与此相关的成本费用投资。

能源供应领域

电力公司常常抱怨设备陈旧、能源需求及成本增加。因此，检测电力设备的故障并避免计划外停机、控制维修成本和对环境的潜在破坏，对能源供应企业有着重要的意义。机器学习扩展了智能电网的边界，改善了IoT物联网的使用并能从物联网中获得更多的有用信息，而且也能获得更多分布在网络各处的宝贵资源。变压器、高压输电塔、电缆、涡轮发电机以及电力存储设备等，这些电力设施的故障风险较高，利用数据和数学模型进行故障预测、保证电网安全运行非常有必要。

学习任务、学习方法、数学模型和算法

按照不同的学习目的区分不同的机器学习方法：

-    监控学习：可以利用诸如标签的方式给出正确的答案。如果要对对象进行分类、评估或者预测，就要做大量的数据预处理工作。

-    与监控学习无关，只是要从原始样本数据中发现隐含的模型和模式。

-    增强型学习：机器设备利用与环境互动得到反馈，以改善将来的行动，减少错误的出现。这种类型的机器学习常常出现在机器人应用中，例如让机器人学会最佳的物体抓握动作等。