机器学习取代经验法则 协助达成预测性维护

长久以来，工厂管理人员发展出许多分析模型与经验法则来预测机器设备的故障，降低维护成本，并且提高工厂的生产效率；不过随著近年来人工智能的快速演进，未来在执行机器设备的预测性维护工作上，套用机器学习演算技术将更能够达到事半功倍的效果。在传统业界实务上，象是M2M Data与Senseye这些公司主要是透过由客户设备端所收集到的数据来开发出物理分析模型，这些数据包含了象是压力、马达转速、声音与温度等各种型态的参数，在分析模型中，以上的参数若是偏离了正常数值，都是在向管理人员发出机器设备可能出现异常的讯息。

展望未来，包括Otosense、3DSignals、Predikto与Mtell在内的几间新创公司，运用机器学习算法在上述数据中寻找特定模式，并且将这些模式与机器设备的异常状况加以连结，虽然这些算法可能并非建立在任何机器运行的实际模型上，但还是能够在机器运行时，侦测到那些偏离可接受基准的异常数值。机器学习算法的优点，在于只要使用单一的参数，便可以在单一设备中推导出多种不同的运行模式，就如同天文学家利用机器学习技术，在同一个宇宙空间中分离出不同来源的光线数据，藉此判断发光体究竟是属于星系、类星体、行星或著是星系群。

上述天文学家的作法便同样可以应用在机器设备的预测性维护工作上，只是不像天文学家使用的是光线数据，工厂管理人员则是透过在机器设备上装设的声音传感器来收集声音数据，之后再运用机器学习算法在现场不同的声音来源之间进行区分。目前的机器学习算法大致上可区分为两种类别，一种是有现场人员针对分析数据以人工方式加以批注的监控模式，但这种方式的限制在于，它的运行必须依赖用来训练计算机学习的批注数据的可用数量，并且由于这套模型必须适度加以微调，以便迁就那些可用的机器数据，这也使得系统的准确度容易出现不稳定的现象。

至于另一种不需要人工批注数据的非监控模式，相较于监控模式则更象是让计算机在黑暗中进行摸索，虽然此种方式并不能明确说明或是了解机器设备发生怎样的异常状况，但却可以针对任何异常数据向管理人员发出警讯。