预测性维护可以使所有制造商受益

借助机器学习和人工智能，制造商可以消除维护猜测并最大限度地减少意外停机。基于机器学习的预测性维护已达到几乎可以使每个制造商受益的程度，无论大小，专家将在即将举行的太平洋设计与制造展上告诉工程师。IBM的Watson和认知解决方案负责人Kayed Almasarweh认为，如果使用得当，机器学习和人工智能可以最大限度地减少意外停机，消除维护猜测，优化供应链管理，并降低产品的保修成本。“这不仅适用于大型制造业务;它适合所有人，“Almasarweh告诉设计新闻。“一旦用正确的数据实现它，你几乎可以立即获得投资回报。”

Almasarweh将于2月6日在阿纳海姆会议中心举办的题为“将物联网和机器学习应用于预测性维护”的会议中提供基于机器学习的预测性维护的高级视图。在会议上，他将使用来自行业的真实案例讨论挑战，成功和经验教训。

加拿大设计与制造部门专注于对您而言至关重要的最新软件和产品。深入探索生成设计，电子元件，3D打印，快速原型设计和机器学习等令人兴奋的创新。学到更多!

今天，Almasarweh说，预测性维护的应用程序普遍存在并且日益增长。他指出，该技术可应用于数控机床，装配机器人，传送带，冲压机，链条导轨，机车，卡车以及其他任何可以想象的工厂资产。“只要资产被企业用来产生收入，制造产品或搬家，它就是预测性维护的目标，”他告诉我们。

Almasarweh说，在很大程度上，几乎所有类型的企业都可以获得更广泛的数据，从而推动了预测性维护。许多企业都有传感器，以及访问云中的数据存储。此外，中央处理单元(CPU)和图形处理单元(GPU)在过去十年中得到了极大的改进，现在许多人可以分析每秒数亿次的交易。传感器，存储和计算能力共同为以前无法​​获得的机器学习和人工智能奠定了基础。

首先，一些制造商可能需要引入过去的信息，例如有关先前机器故障的数据以及在发生故障时捕获的参数。在这些情况下，数据可以存储在电子媒体上，甚至存储在纸上，文件或文件夹中。

一旦数据可用，Almasarweh说，预测性维护的实施涉及两种方法之一。制造商可以购买机器学习模型或自己开发。那些开发自己的模型的人往往是拥有更大工程人员的大型企业。

无论哪种方式，他说，潜在的好处是存在的。“如果您的维护成本失控并且让您的工厂经理在晚上工作，那么您可能需要考虑预测性维护，”他说。“这是有效的，随着时间的推移会变得越来越好。”

资深技术编辑Chuck Murray已经撰写了34年的技术文章。他于1987年加入设计新闻，涵盖电子，自动化，流体动力和汽车。