现在，无论是铝制生产还是风力发电，都已经定期记录了实施规范性，预测性或主动分析应用程序的试点项目。这些学科中令人兴奋的趋势之一是机器建模以及清洁数据，时间戳记或基于事件的数据的重要性，在数十年历史的植物史数据库中发现

在最近在芝加哥举行的2018年风力力会议上，Ensemble Energy，Inc。首席执行官Sandeep博士谈到了这一数据清理主题。“通过机器建模，清理数据约为我们解决方案的80％。问题是数据结构的效果如何。”我将获得更多来自Ensemble Energy的数据建模和基于物理的方法 -第一原则思维。

阿斯彭技术公司（Aspen Technology，Inc。）最近的一份白皮书标题为“通过规定分析：资产绩效管理的新愿景来了解未来”，讨论了数据清洁和其他与机器建模有关的可靠性问题，这些问题与三个不同的试点项目有关。见下文：

例如，一家主要的石油和天然气（O＆G）公司正在其一家炼油厂中的重复，无法解释的压缩机分解。工作人员是以可靠性为中心的维护方法和使用最先进的振动系统的成熟实施者，但仍发生了故障。

作者，罗伯特·戈莱特利（Robert Golightly），高级产品MKT。mgr。AT ASPEN Technology，Inc。继续讨论机器建模解决方案如何允许O＆G公司获得识别根本原因或提供后续通知的故障模式识别。

根据Aspen Technology的说法，数据清洁的核心是平台的AspenMTELL®功能，其低接触机学习方法消除了“数据争吵”所涉及的许多手动工作。

这些试点项目的另一个有趣的方面是完成的时间段。Aspen Technology表示：“试点项目都在不到一个月的时间内完成，平均在2½周内完成。”该论文尚不清楚总时间表和涉及的内容，但是Sandeep在集合能量的机器建模方法中引用了“ 3到6个月”。

如果您需要在操作和案例应用程序中对机器建模的可访问说明，请在这里下载此白皮书。

>>白皮书|通过规定分析来了解未来：资产绩效管理的新愿景