在制造業(yè)領(lǐng)域，機(jī)器學(xué)習(xí)主要用于發(fā)現(xiàn)工業(yè)生產(chǎn)數(shù)據(jù)中的異常模式識別以及預(yù)知性維護(hù)。
機(jī)器學(xué)習(xí)與制造業(yè)
人工智能在全球已經(jīng)有數(shù)十年的發(fā)展歷史，并且人們在深度學(xué)習(xí)領(lǐng)域也看到了巨大的進(jìn)步（如IBM的Deep Blue和Google的AlphaGo）。但將人工智能應(yīng)用到企業(yè)生產(chǎn)中僅僅是近十年來才發(fā)生的變化。過去幾年中，整合了人工智能的Bi應(yīng)用呈現(xiàn)爆發(fā)式增長。
在制造業(yè)領(lǐng)域，機(jī)器學(xué)習(xí)主要用于發(fā)現(xiàn)工業(yè)生產(chǎn)數(shù)據(jù)中的異常模式識別以及預(yù)知性維護(hù)。異常監(jiān)測并不只針對工業(yè)生產(chǎn)，但是應(yīng)用到特定的工業(yè)生產(chǎn)就不一樣了。
異常檢測
監(jiān)測異常的過程中，第一步就是建立起正常的基準(zhǔn)線。已經(jīng)有歷史數(shù)據(jù)的機(jī)構(gòu)在這個領(lǐng)域更勝一籌，因?yàn)檫@些數(shù)據(jù)可以直接灌進(jìn)絕大部分的機(jī)器學(xué)習(xí)系統(tǒng)中，以建立起基準(zhǔn)線。不幸的是，如果機(jī)構(gòu)卻少這類的數(shù)據(jù)，系統(tǒng)就需要一段時間來觀察收集數(shù)據(jù)才能確定基準(zhǔn)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(shù)據(jù)是否會隨時間大幅度變化，如不同的季度之間。
工業(yè)生產(chǎn)者可以從異常檢測中獲益頗多。最典型的例子是，異常監(jiān)測可以在生產(chǎn)線上更早的找到有缺陷的產(chǎn)品。早期的異常檢測可以幫助機(jī)械操作員更早預(yù)警到生產(chǎn)流程中可能存在的宕機(jī)事件，從而使的事件可以被更快速的解決，甚至不需要關(guān)停流水線。
預(yù)知性維護(hù)
預(yù)知性維護(hù)是異常檢測一個子集，它專注在機(jī)械本身的狀態(tài)判斷上。例如，是否一個機(jī)器即將接近它的維修窗口，或者即將發(fā)生故障。通過將當(dāng)前傳感器數(shù)據(jù)與歷史數(shù)據(jù)做比對，系統(tǒng)可以使用預(yù)知性維護(hù)算法來更早的發(fā)現(xiàn)潛在的事件，使的公司可以更早的進(jìn)行維護(hù)從而將潛在的影響降低到最小。預(yù)知性維護(hù)也可以幫助公司減少昂貴的計劃外的維護(hù)，以及由于維護(hù)造成的利潤下降。
機(jī)器學(xué)習(xí)應(yīng)用
GE的Predix和Siemens的Sinalytics都將機(jī)器學(xué)習(xí)應(yīng)用到了他們的平臺中。Amazon的AWS機(jī)器學(xué)習(xí)平臺和Microsoft的Azure機(jī)器學(xué)習(xí)平臺也都在為那些已經(jīng)有大數(shù)據(jù)實(shí)踐并且想應(yīng)用機(jī)器學(xué)習(xí)的公司提供服務(wù)。還有很多同類的公司都在為工業(yè)界客戶提供機(jī)器學(xué)習(xí)的服務(wù)，如Anodot或Plat.one。
現(xiàn)在，機(jī)器學(xué)習(xí)的使用環(huán)境也比以前更有好的多。大多數(shù)的機(jī)器學(xué)習(xí)工具都是基于規(guī)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(shù)據(jù)科學(xué)家構(gòu)建的，并且客戶在線部署而無需其它定制代碼。
更高級的機(jī)器學(xué)習(xí)功能還包括資產(chǎn)模擬。資產(chǎn)模擬可以將工業(yè)機(jī)械建模為軟件，在不同的環(huán)境下模擬運(yùn)行。這種模擬可以幫助企業(yè)找出優(yōu)化資產(chǎn)的所有變量，最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(jī)械，但是GE聲稱它幾乎可以通過軟件模擬所有的設(shè)備。
自然語言處理
目前，分析工業(yè)機(jī)械數(shù)據(jù)的最大挑戰(zhàn)在于了解數(shù)據(jù)中的含義（如錯誤代碼和傳感器數(shù)據(jù)）。數(shù)據(jù)格式（信息與其含義的對應(yīng)）經(jīng)常深藏在操作手冊里，這意味著在利用這些數(shù)據(jù)之前，需要手工對這些數(shù)據(jù)進(jìn)行映射。GE的Knowlege Discovery實(shí)驗(yàn)室的Lead，Steven Gustafson，解釋道：
“（在一個工廠中）我們有許多不同生產(chǎn)商生產(chǎn)的不同類型的機(jī)器，他們經(jīng)常使用一種很初級的方式連接到中控系統(tǒng)中，只是用來做報警，關(guān)機(jī)或者一些安全相關(guān)的事情?，F(xiàn)在，我們想以一種全局性的方式來觀察整體的運(yùn)轉(zhuǎn)情況，從而進(jìn)行優(yōu)化。在數(shù)據(jù)側(cè)，機(jī)器學(xué)習(xí)已經(jīng)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(jī)械故障報告，從而將數(shù)據(jù)結(jié)構(gòu)化。因?yàn)槿绻阌幸粋€運(yùn)行著幾十種機(jī)械的工廠，他們產(chǎn)生的報警信息往往是不同的格式，描述著報警的內(nèi)容。而令人驚訝的是，自然語言處理可以將這些報警信息標(biāo)準(zhǔn)化，從而在數(shù)據(jù)回流的時候，這些報警信息將會是數(shù)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(yīng)。”
關(guān)注本刊微信訂閱號