由Univ的Klaus M. Blache博士撰写。田纳西州的可靠性和可维护性中心（RMC）和拉吉夫·阿南德（Rajiv Anand），首席执行官Quartic.ai

有了我们需要修复归因于随机失败的大部分内容，需要更复杂的工具和技术来为早期检测和干预提供最佳机会。了解这一点，对预测维护的追求始于几十年前，但总体进步受到限制。拉吉夫·阿南德（Rajiv Anand）Quartic.ai，评论机器学习的当前状态和好处。

旅程的第一站是从基于时间的维护到基于条件的监控（CBM）。这次旅行始于基于路线的条件数据收集，然后转到使用有线在线传感器。如今，廉价的无线传感器的可用性正在迅速增加对更多条件数据的访问。

下一步是实施以可靠性为中心的维护（RCM），这是Nowlan和Heap启动的飞机行业的方法，后来富含John Moubray，并“工业化”。在此步骤中，机器学习将发挥重要作用。

让我们首先从RCM的角度看它。RCM的两个关键原则是风险和FMECA（故障模式效应和关键性分析）。RCM的基本价值主张是成功实施将导致对组织管理的风险水平有更深入的了解。

风险定义为严重性X的发生X可检测性。收集基于路由或基于传感器的条件数据的目的是增加可检测性。我们希望能够尽早检测尽可能多的关键故障机制，以及设备的所有操作环境。

条件数据的分析和解释是提供可检测性的原因。该分析仍然在很大程度上由机械健康分析师进行。我们要为使我们的业务盈利，安全和可持续性所做的辛勤工作付出了巨大的感谢。不幸的是，没有足够的时间开始，还不够进入劳动力。24hbet 10bet

任何机械健康分析师都会谈论通过不断变化的基线分析状况数据的噩梦挑战。随着条件数据的增加，随着对供应链的敏捷性的需求，他们的生活变得越来越复杂和压力，变化的操作环境成为常态。

我们需要在其工具包中添加更多高级工具，并从其任务列表中消除一些平凡的分析任务。这就是机器学习（ML）和人工智能（AI）的所在地。

ML和AI

在行业3.0中，我们的重点是自动化手动任务。除其他事项外，工业4.0的目标是通过自动化认知任务来实现的。机器学习是行业4.0的关键要素，可以松散地定义为“认知任务的自动化”。10bet在线娱乐如前所述，通过机械健康分析的可检测性提高在很大程度上是一项认知任务。因此，使用机器学习来提高可检测性是预测维护的旅程中的逻辑和自然步骤。

当我们通过基于条件的监视（无论是基于路线还是基于传感器）提高可检测性时，始终在I-P-F曲线上具有“ P”点。这是因为基于条件的测量仅使我们能够走到曲线上那么远。我们可以走得更远吗？当然，我们可以并且，如果我们要实现RCM的真正目标，那么我们必须。

可靠性的基本定义是衡量资产执行其预期功能的能力的衡量标准。每当能力下降时，资产就会变得不可靠。我们可以并且必须尽早开始测量功能降解。机器学习提高了可检测性。条件传感器（传统CBM）可以为CBM提供操作环境，并使用多种技术（例如，振动 +摩擦学）建立无限规则的基准，并提高准确性。ML可以使用操作数据将“ P”移到曲线上。

当今，通过“预测”失败的固定和大胆的主张预测X天/几周/几个月的机器学习只是轻率的，他们对RCM或风险管理没有任何成就。测量可靠功能的降级，积累的风险以及风险轨迹使我们能够实现RCM目标，从而实现高效，安全，可靠和可持续的运营。

机器健康分析师，可靠性和RCM从业人员可以使用机器学习，具有或没有条件传感器，以提高可检测性。机器学习不是神奇的。就像任何其他工具一样，必须由训练有素的从业者正确使用它。从业人员可以培训一组健康监控代理商，而不是进行机械健康分析。从业人员根据他们对RCM原则的了解，设备和应构建代理，应如何部署，应进行审核的过程，应提高的可检测性，应提高的可检测性，应频繁的频率提醒和，最重要的是，他们应该告知什么行动。

将机器学习与规则，复杂的事件处理和基于严重性平台中严重性的风险计算相结合，可以导致RCM成功。冒着造成另一个术语的风险，让我们称此集成系统为数字RCM系统。EP

有兴趣了解更多吗？7月13日和14日加入我们的为期两天的课程，将使您为您的行业4.0计划中的数字资产绩效监控实施ML和AI。访问rmc.utk.edu/events/。

Klaus M. Blache总部位于诺克斯维尔，是大学可靠性和可维护性中心的主任。田纳西州和工程学院的研究教授。与他联系kblache@utk.edu。

拉吉夫·阿南德（Rajiv Anand）是加利福尼亚州圣何塞的Quartic.ai的联合创始人兼首席执行官（Quartic.ai），智能行业平台的提供商
用于使用AI和IIOT实现数字化转型的工艺制造行业。