随着各行各业的公司开始认识到这项新技术所提供的力量，机器学习市场正在爆炸式增长。一个继续看到巨大吸引力的领域是工业运营领域，操作机器学习已经成为人工智能(AI)的一个新类别，在所有行业都得到了越来越多的采用。

这项技术使运营团队能够通过使用机器学习和预测分析来创造巨大的商业价值，而不需要数据科学家。图1中的信息图概述了操作机器学习，以及它如何在多个行业和应用中提高生产吞吐量、正常运行时间、质量和安全。

分析人士预测，在未来五年内，制造商采用机器学习和预测分析的比例将从15%增加到50%以上。这背后的驱动因素是，这项技术不再局限于数据科学家。公司开发的机器学习系统实际上是“盒子里的数据科学家”，这意味着制造工程师或流程工程师可以在云中或本地轻松使用和直接部署系统。

使用运营机器学习，公司可以在不到三周的时间内实现初步效果，节省5%至10%的材料成本，增加10%至20%的设备正常运行时间和可用性，减少20%至50%的维护计划时间，并减少5%至10%的总体维护成本。对于一个组织来说，这些收益意味着每年可以节省数百万美元。

利用已有的数据

机器学习在工业操作中变得如此流行的另一个原因是，它利用了当今大多数离散制造和工业过程操作中设备和生产系统已经产生的时间序列数据。这些数据在运营中一直未被利用，但机器学习可以帮助工业制造商发现人类或传统分析无法观察到的数据隐藏模式。反过来，这些模式提供对操作状态的洞察，并识别不希望发生的事件之前的条件，从而提供早期警告。根据所监控的过程，这种早期警告可能会提前几小时、几天甚至几周出现，每年可以节省数百万美元的运营成本。图1:操作机器学习概述

工作原理

机器学习系统中的四个关键功能可以使行业从业者很容易开始受益:

• 自动特征学习—系统从时间序列数据中发现规律。一旦在数据中发现了模式，就可以应用机器学习。
• 预测-您可以选择在事件之前始终出现的模式，并将其标记为前兆。根据用例，前兆可以提供事件发生前几小时到几天的早期警告或预测。
• 解释-您可以确定哪些提供的数据信号是实际需要进行预测的，以及每个信号对该结果的贡献有多大。
• 灵活的部署-除了在本地或云中运行模型外，您还可以在边缘部署它们。这可以支持需要靠近数据源的低延迟应用程序或断开连接的环境。

模式发现在发生降级之前识别模式方面发挥着关键作用，特别是对于资产。这是至关重要的，因为它将资产管理从反动的(即，退化已经发生，您试图将其影响最小化)转变为主动的(即，您阻止它的发生)。

通过识别不希望发生的事件或操作条件的前兆模式，这些预测系统可以为生产系统及其所创造的产品的当前和未来健康状况提供可操作的见解。有了这些，可操作的机器学习系统可以对现有的操作数据实时执行模式发现、状态监测和预测分析。

图2:机器学习使模式发现和早期预警成为可能

跨越许多行业-示例用例

由于操作机器学习在可用的时间序列数据中发现模式，它不需要开发物理系统的数学模型，也不需要在特定行业拥有深厚的领域专业知识的组织。因此，它具有高度的通用性，可以应用于各个行业，如汽车、化工、电子和半导体、采矿和金属、石油和天然气以及电力和能源。为了说明这项技术的强大功能，下面是半导体和汽车制造业中的一些示例用例。

• 半导体:一家主要的半导体制造商操作着复杂、昂贵的设备，每天执行许多不同类型的基于步骤的操作。通过预测性维护优化利用率是一个高度优先级。这些机器配备了仪器，每秒钟以传感器读数、控制参数和其他设置的形式收集操作数据。这些数据的使用和好处被证明是无效的故障预测运营商。制造商决定部署一个机器学习系统，该系统被快速集成到包含跟踪数据、质量测量、检查员和操作员日志信息的操作数据存储中。四个月的历史数据创建了一个模型，可以识别已知的多个异常情况，从而创建维护指标，从而在系统中创建警报。评估流提供的高级警告的可用性使维护团队能够进行早期干预，从而提高了正常运行时间和整体设备效率(OEE)。

• 汽车:一家领先的汽车制造商需要实时评估其焊接质量。它的机器焊接质量会随着时间的推移而变化，导致昂贵的手工返工，每台机器每天超过14,000美元。通过使用机器学习系统，该公司能够发现机器人焊接质量变化之前的模式，并提供高级警报。这有助于大大减少下游返工和材料损失。

未来

随着可操作机器学习的出现，下一次工业革命即将到来。无论你称之为工业4.0、工业物联网(IIoT)还是数字化转型，对机器和运营数据的访问增加、双向通信的普及和数据流的速度，再加上计算、连接和存储成本的降低，都为工业运营转型创造了完美的环境。有效利用这些作业产生的时间序列数据，可以提供可操作的见解，以减少停机时间，并提高吞吐量、操作员安全和产品质量。

对于工业运营团队来说，现在正是开始利用这些系统的力量的最佳时机，因为不再需要数据科学家等专业资源来实现它们。