机器学习
什么是机器学习？
机器学习是利用计算机对数学、统计学和概率进行大规模分析。 一位拥有 30 年经验的运营经理或高管拥有帮助他们做出商业决策的洞察力和直觉。这正是计算机在机器学习的帮助下可以大规模复制的。
业务数据和机器数据被输入算法，以利用与经验丰富的专业人士相同的洞察力，但机器学习算法通过使用实时输入，决策速度成倍提高。这使得算法能够建立人类无法建立的联系。
在机器学习的帮助下，管理人员可以深入了解生产数据及其组织的运作方式，从而做出更好的决策。
关于机器学习的最大误解是什么？
关于机器学习的最大误解之一是开始学习需要大量资源。实际上，您不需要一个博士数据科学家团队，也不需要百万美元的预算，就可以开始学习。许多中小型公司认为自己规模太小，无法从机器学习中获益，但事实远非如此。
事实恰恰相反。数据是机器学习中最重要的东西，没有内部数据科学家也能实现有效的机器学习或人工智能战略。只要收集正确的数据，任何组织都能从机器学习中获益。
机器学习如何融入工业 4.0？
机器学习和人工智能是实现工业 4.0 的必要条件。这就是 rubber meets the road。企业在开发数据管理实践方面所做的所有努力都将应用于工厂车间的机器运行，以推动机器自动化和业务决策。
将机器学习用于预测性维护和运营智能是工业 4.0 的具体实现，算法可帮助企业预测停机时间、备件库存数据的最佳运行时间以及工厂车间的其他智能数据流。这些都是智能工厂和工业 4.0 在现实世界中的应用。
什么是预测性维护？
预测性维护是机器学习的一种专门应用，它利用过去的数据来准确预测机器故障、停机时间和维护计划。机器运行各方面的历史数据被输入机器学习算法，以预测机器部件何时会出现故障。有了正确的数据，预测性维护可在几小时内确定机器何时停机。
预测机器何时会出现故障为工厂经理提供了限制机器停机成本所需的信息。他们可以预先订购零部件并安排维护时间，以限制工厂关键设备的停机时间。
预测性维护能节省多少成本？
预测性维护可为企业节省数千万美元。当工厂车间的一台关键机器发生故障时，整个供应链都会付出巨大的代价。损失的不仅仅是这一台机器的生产成本，还包括下游的每台机器。此外，还有物流成本和对整个公司的其他影响。
以工业打印机为例。我们说的不是你办公桌下的喷墨打印机，而是一台价值数百万美元、相当于一个房间甚至一个足球场大小的机器。
如果一台工业打印机意外断了一条价值 100 美元的皮带，而维护部门又没有备用皮带，就会导致机器停机数小时甚至数天。如果工业打印机是工厂的第一步，而工厂里有许多机器都需要该打印机的输出才能运行，那么其影响将是巨大的。
再进一步说：如果该工厂为其他几家工厂提供输出材料，成本就会成倍增加。更不用说与生产延迟相关的其他成本了。
工厂环境中预测性维护的具体例子是什么？
如果工业打印机是预测性维护的机器学习策略的一部分，那么收集到的机器历史数据就能准确预测 100 美元的皮带何时会出现故障。这种预测有助于在设备发生故障前备齐正确的备件。
维护团队可以在对下游影响最小的最佳时间安排维护，而不是让机器意外发生故障。技术人员可以在几分钟内更换价值 100 美元的皮带，从而避免灾难的发生。
如果没有预测性维护，一条价值 100 美元的皮带可能会给公司带来 1 亿美元的损失。这个例子可能听起来很极端，但当成本高达数千美元时，其中的含义就值得探讨了。
预测性维护需要什么样的数据？
在启动预测性维护项目之前，首先要明确目标。这并不是要收集所有的数据，并在事后对其进行分析。这种类型的信息很难在未来进行分析和使用。
从最终目标出发，您可以倒推，准确找到实现该目标所需的数据类型。例如，如果某台工业印刷机出现了很多问题，导致公司损失惨重，那么您就应该从改善该印刷机的正常运行时间这一目标入手。利用机器学习和预测性维护，业务团队可以锁定这台工业打印机，并开始 收集问题区域的关键数据（如温度和振动数据），以降低这台重要设备的停机成本。
用于预测性维护的 Kurvv
Kurvv.ai 的联合创始人兼首席营收官杰夫-克罗夫特（Jeff Croft）为本文贡献了他的专业知识。
Kurvv 是数字化工作的倍增器。该公司专注于预测性维护和运营智能的机器学习。
机器学习正在彻底改变制造业，使企业能够从海量数据中获得深刻洞察，从而做出更智能、更快速的决策，实现更高效的运营。这项技术对于预测性维护尤为重要，它可以在机器故障发生前进行预测，从而大幅减少停机时间，为公司节省数百万美元。
对于使用3Dfindit等平台的工程师来说，获取准确和高质量的 CAD 数据对于适应工业 4.0 标准至关重要。准确的部件数据不仅能提高机器学习算法的效率，还能确保您的设计符合现代智能工厂的要求。
