近幾年工業(yè)部門已逐漸意識到數(shù)碼化的價值，并投入了更多的發(fā)展資金。隨之而來的，便是反應(yīng)式(reactive)維護(hù)至預(yù)測性(proactive)維護(hù)的模式轉(zhuǎn)移。在引進(jìn)機(jī)器學(xué)習(xí)技術(shù)后，預(yù)測性維修的效率還可獲得進(jìn)一步提升。

報導(dǎo)指出，工業(yè)物聯(lián)網(wǎng)(IIoT)最大的賣點(diǎn)，便在于資料分析所產(chǎn)生的洞見，有助于提升設(shè)備的性能與生產(chǎn)效率，增加企業(yè)收益。預(yù)測性維護(hù)除了能將設(shè)備意外停機(jī)的時間最小化，也能大幅縮短預(yù)定的停機(jī)時間，在不增加額外資金支出的情況下，提升整體生產(chǎn)力。

工廠在引進(jìn)工業(yè)物聯(lián)網(wǎng)后，設(shè)備維修的依據(jù)不再是機(jī)器的預(yù)期使用年限，工程師也不是只有在設(shè)備發(fā)生狀況后才能做出反應(yīng)，而是能根據(jù)機(jī)器的現(xiàn)況，事先判斷維修的時機(jī)。

龐大的資料量以及后續(xù)的分析工作，是達(dá)成預(yù)測性維護(hù)所會遇到的最大挑戰(zhàn)。由于要考慮的層面除了感測資料、機(jī)器健康訊號外，還有過往維修紀(jì)錄、機(jī)器作業(yè)歷史、外在條件等，因此光憑一般人力不可能有效率的完成這項(xiàng)復(fù)雜的工作。

經(jīng)過訓(xùn)練的機(jī)器學(xué)習(xí)算法，能夠辨識資料內(nèi)的相關(guān)因素，并藉此標(biāo)示出問題與造成問題的根本原因，便可在此時派上用場。例如，GE Digital的Predix平臺與資產(chǎn)績效管理(APM)套件，能透過機(jī)器學(xué)習(xí)算法對設(shè)備狀態(tài)進(jìn)行分析，讓工廠人員清楚何時適合進(jìn)行維修，以及之所以要維修的原因。

機(jī)器學(xué)習(xí)算法還能參考?xì)v史資料，歸納某一問題發(fā)生的頻率，辨識出問題發(fā)生前的各種征兆。如果能將算法與管理系統(tǒng)集成，便能在機(jī)器需要維修時，通知工程人員。

機(jī)器學(xué)習(xí)使得維修資料分析過程更加自動化。事實(shí)上，已有一些工業(yè)應(yīng)用可讓算法直接對機(jī)器進(jìn)行重新配置。隨著算法學(xué)到越多，效率提升也將越明顯。

英國數(shù)學(xué)家Clive Humby曾在2006年時宣稱，資料是新一代的石油。不論是食品加工廠或是汽車制造廠，生產(chǎn)流程的各項(xiàng)資料將成為提升效率與效益的關(guān)鍵。