【中國智能制造網 市場分析】在制造業領域，機器學習主要用于發現工業生產數據中的異常模式識別以及預知性維護。　　機器學習與制造業
　　
　　人工智能在已經有數十年的發展歷史，并且人們在深度學習領域也看到了巨大的進步（如IBM的Deep Blue和Google的AlphaGo）。但將人工智能應用到企業生產中僅僅是近十年來才發生的變化。過去幾年中，整合了人工智能的Bi應用呈現爆發式增長。
　　
　　在制造業領域，機器學習主要用于發現工業生產數據中的異常模式識別以及預知性維護。異常監測并不只針對工業生產，但是應用到特定的工業生產就不一樣了。
　　
　　異常檢測
　　
　　監測異常的過程中，步就是建立起正常的基準線。已經有歷史數據的機構在這個領域更勝一籌，因為這些數據可以直接灌進絕大部分的機器學習系統中，以建立起基準線。不幸的是，如果機構卻少這類的數據，系統就需要一段時間來觀察收集數據才能確定基準線。這個積累的時間可長可短，取決于組織本身的屬性以及數據是否會隨時間大幅度變化，如不同的季度之間。
　　
　　工業生產者可以從異常檢測中獲益頗多。典型的例子是，異常監測可以在生產線上更早的找到有缺陷的產品。早期的異常檢測可以幫助機械操作員更早預警到生產流程中可能存在的宕機事件，從而使的事件可以被更快速的解決，甚至不需要關停流水線。
　　
　　預知性維護
　　
　　預知性維護是異常檢測一個子集，它專注在機械本身的狀態判斷上。例如，是否一個機器即將接近它的維修窗口，或者即將發生故障。通過將當前傳感器數據與歷史數據做比對，系統可以使用預知性維護算法來更早的發現潛在的事件，使的公司可以更早的進行維護從而將潛在的影響降低到小。預知性維護也可以幫助公司減少昂貴的計劃外的維護，以及由于維護造成的利潤下降。
　　
　　機器學習應用
　　
　　GE的Predix和Siemens的Sinalytics都將機器學習應用到了他們的平臺中。Amazon的AWS機器學習平臺和Microsoft的Azure機器學習平臺也都在為那些已經有大數據實踐并且想應用機器學習的公司提供服務。還有很多同類的公司都在為工業界客戶提供機器學習的服務，如Anodot或Plat.one。
　　
　　現在，機器學習的使用環境也比以前更有好的多。大多數的機器學習工具都是基于規則的，甚至可以通過可視化界面幫助建模。這些模型，許多都是由Bi部門中知道如何編寫腳本的普通員工或者數據科學家構建的，并且客戶在線部署而無需其它定制代碼。
　　
　　更的機器學習功能還包括資產模擬。資產模擬可以將工業機械建模為軟件，在不同的環境下模擬運行。這種模擬可以幫助企業找出優化資產的所有變量，大化各種情況下的使用效率。GE的Predix中，這個功能叫做Digital Twin，雖然目前還沒有能夠模擬任何一種機械，但是GE聲稱它幾乎可以通過軟件模擬所有的設備。
　　
　　自然語言處理
　　
　　目前，分析工業機械數據的大挑戰在于了解數據中的含義（如錯誤代碼和傳感器數據）。數據格式（信息與其含義的對應）經常深藏在操作手冊里，這意味著在利用這些數據之前，需要手工對這些數據進行映射。GE的Knowlege Discovery實驗室的Lead，Steven Gustafson，解釋道：
　　
　　“（在一個工廠中）我們有許多不同生產商生產的不同類型的機器，他們經常使用一種很初級的方式連接到中控系統中，只是用來做報警，關機或者一些安全相關的事情。現在，我們想以一種全局性的方式來觀察整體的運轉情況，從而進行優化。在數據側，機器學習已經成為了一種主要的分析手段。
　　
　　因此，這里我們需要使用自然語言處理算法來分析提取機械故障報告，從而將數據結構化。因為如果你有一個運行著幾十種機械的工廠，他們產生的報警信息往往是不同的格式，描述著報警的內容。而令人驚訝的是，自然語言處理可以將這些報警信息標準化，從而在數據回流的時候，這些報警信息將會是數字形式的——我更傾向于稱之為“兼容格式”。這樣我們就可以基于它們做出自動化的響應。”
　　
　　（原標題：現在制造業的數據科學：趨勢：工業物聯網大數據分析）