如何使用机器学习结合从工业物联网进行预测故障

通过使用机器学习，结合从工业物联网（IIOT）设备收集的数据，可以改进流程、降低成本并提高效率。

预测性维护应用数据和模型来预测设备或资产何时发生故障。这种方法可以通过预测故障，来帮助公司主动解决可能导致代价高昂的停机或中断情况。

另一种方法是采用“停机修复”方法，这在很多方面对公司而言都是昂贵的。一旦机器发生故障，与事先知道并避免该问题的情况相比，要使机器恢复正常则需要大量资源。

维护类型

有三种维护方法：

1、被动性

被动性维护方法意味着我们仅在部件出现故障时才进行更换。这种方法会导致严重且昂贵的后果，根据我们所谈论的机器类型，它甚至可能是危险的。例如，如果有问题的机器是一台喷气式发动机，故障可能会危及数百人的生命，并可能会毁掉一家公司的声誉。

2、预防性

预先计划的维护是一种稍微好一点的方法，因为是定期对问题进行分类和处理。但是，您可能会在实际需要执行某项操作之前就已经对其进行了更改或维护，这会浪费公司的资源。您不知道何时可能发生故障，因此需要采取保守的方法来避免不必要的成本。例如，当您提前维护机器时，实际上是在浪费机器的使用寿命，效率低下地使用维护资源，并且通常会增加您的业务成本。

3、预测性

能够预测机器什么时候会出故障是最理想的情况，但是很难准确预测。在最佳情况下，您将知道机器何时会出现故障。您还将知道哪些部件将出现故障，这样您就可以减少诊断问题所花费的时间，并减少流程中的浪费和风险。当机器故障由预测系统发出信号时，维护计划应尽可能接近事件，以充分利用其剩余使用寿命。

预测性维护可以解决的问题

利用从工业物联网（IIOT）设备收集的数据，我们可以解决广泛的维护问题，最终目标是使用机器学习（ML）达到先发制人的态势。

可以解决的问题包括：

▲检测故障点。这一概念包括预测部件何时出现故障，并有助于更好地预测部件或机器在其生命周期中的哪个阶段会出现故障。

▲早期故障检测。在这种情况下，我们可以通过将传感器数据应用于机器学习算法，在故障发生之前检测出故障。

▲最大限度地延长剩余使用寿命。能够预测部件发生故障的时间间隔，我们就可以在正确的时间应用维护或更换部件。

我们越能准确地预测部件或机器何时会出现故障，就越容易在整个组织内实现最高的生产力和效率。

责任编辑：gt