预测性维护是人工智能 （AI） 技术的专有领域

目前，工程师们越来越意识到，预测性维护现在几乎是人工智能 （AI） 技术的专有领域，他们首先需要学习机器学习 （ML） 和神经网络技能来实现此类应用程序。MathWorks 经理表示，工程师仍然可以部署预测性维护，而无需学习新的 AI 和 ML 技能。。

1.数据处理

对于没有机器学习背景的非数据科学家或工程师来说，检查传感器BUF420AW和工业设备（如风力涡轮机、发电机、泵和电机）产生的大量数据并不容易。工程师处理的数据主要是原始数据。

每天都很容易创建喷气发动机或油泵TB现在想象一下数据TB在数据中发现故障。工程师能做什么？Baru说：“工程师可以查看大量传入的数据，找出原始数据中是否有变化，识别任何系统退化，确定系统异常行为的原因”。

例如，在石油勘探泵中，工程师可以查看原始数据泵光谱分析的原始数据之一。因此，它们可以识别故障的频率。“尽管工程师们已经知道了这台机器，但他们现在需要做的是确定最有效的方法。”

2.状态指标

若工程师有100个时间序列数据样本，则应尽量将所有相关信息减少到100个样本中。“我们的想法是你得到一个巨大的数据集，并将其减少到更少的特征。”

Baru该项目最近提到了一个项目，MathWorks通过分析大量的时间序列数据，确定生产线是否异常，以及戴姆勒·梅赛德斯联合开发了一个异常检测应用程序。MathWorks该工具将大量数据减少到一组较小的特征(如模式和时间延迟)，从而将数据处理减少250倍。

3.预测模型

工程师可以使用代表整个大数据集的小数据集，在不学习的情况下获取独特的信息，并使用适当的工具创建预测学习模型AI和ML技能集。

也适用于各种模型(如时间序列模型、统计模型和基于概率的模型)。“许多传统工程技术都建立了预测模型，”Baru说。

工程师也可以在稍有不同的应用程序中重用工具。Baru提到了Safran，这是一家航空航天公司，利用信号调节技术预测系统何时会出现故障。这项工作正在进行中。MATLAB这是一个编程环境，用于算法开发、数据分析、可视化和数值计算。

4.算法部署

第四步可能是最重要的：在生产环境中部署预测模型算法。工程师可以以各种方式部署算法。这包括当地嵌入式机器的预测模型，小型计算机作为当地服务器运行，或在可行连接时将数据传输到云服务。

这四个步骤的预测和维护允许工程师部署维护服务，以确保机器在90%的时间内运行。这四个基本步骤可以通过工具有效地管理。