了解机器数据如何收集、聚合和使用

物联网 （IoT） 为制造商提供了利用数据为其业务带来价值的新机会。其中一个机会是通过利用一种称为机器学习的方法，这是人工智能的一个分支，它使机器（或云中机器的虚拟表示）能够根据其外部环境、内部健康状况和不断变化的输入来学习新的行为。然而，为了让机器学习发挥作用，人类必须能够了解机器数据是如何收集、聚合和使用的上下文。

如果人类不了解机器学习算法的工作方式或他们想要实现的业务成果，那么机器学习算法就什么都不是。例如，楼宇自动化系统可以受益于机器学习算法，使其能够根据外部天气条件、入住率和季节性波动了解最佳运行条件，然后使用这些学习来优化 HVAC 系统的运行以减少能源使用和提高居住者的舒适度。这种类型的机器学习需要时间来发展和成熟，也需要聪明的人了解楼宇自动化系统的工作原理、收集数据的性质和频率，以及哪些类型的洞察力可以让人们更轻松地完成他们的工作。更有效地工作。

在机器学习中寻找声音

分析使人类能够为机器提供声音——机器能够根据数据提供或获得洞察力。以这种方式让机器更人性化并发出声音不会在一夜之间发生，但通往那里的道路始于基本的连接和数据收集。一旦收集到数据，就可以实现更高级别的分析成熟度，包括远程描述问题、诊断问题根本原因以及预测未来可能发生的问题的能力。下图显示了制造商在构建机器学习功能以为其设备队列数据提供语音时所采取的最常见的进展。

【图1 | 机器学习的声音］

随着给定设备群的机器学习成熟度提高，人机交互水平降低，收集数据的成本降低，数据收集速率可以优化，结果值在以下情况下显着提高阶段：

基本数据收集。机器配备传感器以收集可能感兴趣的测量点，并实现资产的远程配置和控制。

描述性分析。正在收集足够的数据以支持基本的描述性分析，包括确定机器在负载下的性能，或在故障之前的行为。

诊断分析。如果传感器的数量和从传感器收集数据的速度足够，则可以进行远程诊断以确定导致故障的原因以及可能的修复方法。在这个阶段，可以引入机器学习算法，通过查看同一设备队列中对等方先前故障的模式，帮助机器更好地诊断自己的问题。

预测分析。由于观察到的故障数量在统计上显着，分析模型可以在问题发生之前对其进行预测。在这个阶段可以使用机器学习算法来不断学习如何根据从类似类型的其他机器观察到的一类行为来更好地预测未来的故障。

规范性分析（合作）。合作规范分析提供推荐的补救措施，以防止未来的机器故障。例如，如果一台旋转工业设备的滚珠轴承出现故障并且振动水平很高，则合作规范分析算法可能会建议加快机器维护计划，以便更换滚珠轴承并避免计划外停机。通过这种方式，算法是协作的，因为它仍然依赖于人来干预和修复机器。

规范分析（自动）。在某些情况下，自动规范分析可用于使机器不仅可以预测未来故障的可能情况，还可以采取自主主动步骤来自我诊断问题的根本原因并应用补救措施，而无需立即人工干涉。这方面的示例可能包括自校准功能，或者机器进入低效率或低功耗模式以延长故障情况，从而延长应用长期补救措施的时间窗口。

治疗与预防措施

在图 1 中，步骤 1-3 可以启用我们所谓的治疗措施。治疗行动是在事件发生后可以做的事情。例如，如果泵发生故障，描述性和诊断分析可以告诉操作员出了什么问题以及如何修复它。此信息使操作员能够采取补救措施来解决问题并使机器恢复正常运行。

相比之下，步骤 4-6 可以实现我们所谓的预防措施，并且通常是联网机器分析程序的战略目标。预防措施是可以采取的措施，以在恶意故障发生之前主动阻止它们。例如，如果泵正在振动、变热或流速低于应有的水平，预测性或规范性分析可以提前告诉操作员应该采取哪些预防措施来解决非高峰时间的问题。

结论

无论机器学习算法揭示了什么见解，只有人类才能确定基本问题的答案，例如组织必须解决哪些关键业务问题。通过这种方式，机器学习的整体性，以及更普遍地连接产品的财务成功，取决于人类理解机器如何工作、必须收集和分析哪些类型的数据以及应该如何解释算法结果的能力。机器学习的真正赢家既不是单独的机器，也不是单独的人，而是两者协同工作。

审核编辑：郭婷