工业软件如何发展，才能更好地帮助制造企业实施预测性维护的优先级策略？
世界正处于一个加速数字化变革的时代。在工业环境中，机器学习、高级分析和人工智能 （AI） 工具有助于提供改进的预测性维护策略，但这些工具的应用方式对于成功至关重要。
确定优先级
从最初有点理想化的目标到监测机器上的所有东西，人们的想法已经有了转变。确定优先级并将注意力集中在优化机器学习算法上，以优先发现关键领域的数据模式异常--确定具有最快投资回报率的领域，这样做更有意义。
与传统的状态监测方法相比，基于AI的预测性维护具有更多优势。来自机器的数据越来越多地可以与过程数据合并，并使用分析模型和基于云的解决方案进行评估。例如，人工智能可用于在早期阶段检测与生产机械正常状态的偏差。这就减少了计划外停工时间，降低了能源成本并提高了效率。减少计划外停产也直接提高了设备的整体效率。
实现预测性维护的新愿景是一项有趣的挑战。当今的自动化制造商需要寻找新的方法来支持其客户实现基于实时数据挖掘的预测性维护。对于自动化技术领域的公司来说，这需要能够将机电一体化专业知识与数字分析解决方案相结合，这不是一件容易的事。
"在费斯托，经验告诉我们，对人工智能项目的成功至关重要的是，我们不仅要提供软件专业知识，还要有将其整合到生产环境中的知识，并提供经验来解释应用术语中的数据。"费斯托英国公司（Festo GB）产品管理负责人Steve Sands说。收购专业软件公司Resolto使费斯托能够快速实现这种综合，并开发出一种解决方案，使预测性维护成为机器的无缝组成部分。
实时分析数据
由此产生的预测性维护解决方案是Festo自动化旅程（Festo Automation Experience,简称Festo AX），它采用人工智能，使用户能够通过易于使用的软件和机器学习从其设备产生的数据中提取价值，让客户能够根据信息而不仅仅是数据做出决定。关键的应用案例已经被细化，使用户能够分析和理解他们的数据，以更好地提高生产力，降低能源成本，避免质量损失，优化他们的车间，或创造新的商业模式。
所有这些都是通过实时分析数据来实现的。该解决方案可以集成到本地、边缘或云中的系统中，程序可以直接由机器在边缘组件上运行。这在延迟方面具有优势，并且数据传输成本降至最低。
我们还观察到能够与标准控制架构并行监控机器输出数据的好处。将这两个功能分开可最大限度地减少标准机器控制的任何过载或减速。这在现有的运行安装中尤其重要，在这些安装和编程中，更换控制系统将花费大量成本。
利用操作员的知识对异常进行分类，可以训练这种类型的系统，以便软件知道如何在下次发生相同的异常时做出反应。通过这种迭代（人在环路human in the loop）过程，算法得到改进，不需要的通知被消除。
这是一个"奖励"和"惩罚"过程，对于好的通知，算法会得到积极的改进，而对于那些操作员认为没有用的通知，算法会得到改进。异常现象产生的频率越高，无论是在许多相同的机器上重复出现还是高重复率，数字化模型的学习速度就越快。
一旦优化周期开始，异常就会被很早就检测到，这意味着可以避免意外停机，备件准备就绪，并且可以进行维护而不会对生产产生负面影响。
更深入地数据挖掘
随着人们越来越了解数据分析的好处，对更深入洞察的需求也在增长。如今，可以自动为机器的每个异常行为生成根本原因分析，显示哪些传感器对异常检测至关重要。这种额外的数据可视化使用户能够深入了解异常并识别重要的相关性。
对于这种类型的预测性维护工具，重要的是数据分析不仅限于解决方案提供商提供的组件和模块。
AI在预测性维护中的应用将继续发展。这反过来意味着需要尽早获得学习和经验，以利用该技术。对于最终用户来说，试图证明包罗万象的大型安装是没有意义的。相反，采取一种敏捷的方法，并实现快速的回报和成功将是更有建设性的。那些基于AI和其他新兴技术的最成功的预测性维护项目已经采取了分阶段的方法--通过试点评估提出和测试假设，然后从获得的学习中进行升级。
从本质上讲，使用机器学习和数据分析有助于消除大型数据湖中的"迷雾"，将注意力集中在投资回报率最快的领域。这使制造商能够采取优先策略，从快速赢利中获益，并通过已经掌握的投资回报实例，按优先顺序进行工作。毫无疑问，这是一个令人兴奋的发展领域，看看它在未来几年如何发展将会很有趣。
