制造业中的数据建模正在获得蒸汽作为优化流程的策略，但也避免了资本支出（CAPEX）预算命中率。公司正在认识使用软件作为服务（SAAS）资产管理解决方案（OPEX）的启动成本较低，并找到了提供快速，数字解决方案为管理的方法。

过去几年中，数据建模的问题是缺乏针对植物运营商/技术人员的可行的实时数据。来自Paula Hollywood和David Clayton的标题为“机器学习技术引入了维护和可靠性的步骤变化，”讨论Flowserve和与Spark认知的合作关系如何帮助纠正关键泵设备的数据滞后。

前火花认知的参与根据ARC简介，Flowserve一直在评估机器学习的潜力，以改善其设备监测功能，但（直到最近）事实证明，这些功能过于成本太高且难以商业化。

从ARC简介中：

过去，Flowserve定制工程的大部分故障分析算法。该公司将从故障模式开始，并在内部开发故障分析算法。为每种泵类型开发算法可能需要一到两年的时间。此外，这些自定义算法通常无法充分检测具有可变过程条件的未知操作状态。

Flowserve的战略变化是由于更多的计算能力和对云分析的安全访问，这些云分析可以转化为实时，可行的数据，该数据使技术人员可以开出计划的停机事件。

数据建模系统还涉及企业中的“非结构化数据集”，以及系统如何从过去的过程批处理或时间段中不断学习。非结构化数据（或非结构化信息）是没有预定义的数据模型或没有以预定义的方式组织的信息。根据Wikipedia的说法，非结构化的信息通常是文本繁重的，但也可能包含诸如日期，数字和事实之类的数据。

随着大多数传统企业与田间或植物数据的战斗，存在大量非结构化（从未分析）数据。现在，可以使用高级日期建模算法“理解”历史数据。

根据Flowserve的说法，它现在可以解决泵操作状态，泵问题，实时泵问题和过去的问题。

有关整个ARC简介，请参见“机器学习技术引入了维护和可靠性的步骤变化。“