宾利合作伙伴网站 宾利合作伙伴网站 宾利合作伙伴网站 <返回视频bob体育双赢彩票

“回到物理”-机器学习的可靠性

TRC-2020演讲41:56分钟

作者:Jon Herlocker, Tignis

今天,您可以使用振动监测等技术对您最关键的资产进行一些基本状态监测。您可能对某些流程变量有阈值警报。这项技术帮助您提高了可靠性,但您仍在经历计划外停机,您的产品质量和能源效率还有改进的空间。

人工智能(AI)、机器学习(ML)和流程分析的自动化是所有的热门话题,您想知道这些如何帮助您达到成熟度/质量/性能的下一个级别。AI/ML厂商正在向你承诺世界。但是你一定听说过AI/ML项目花费了大量的资金和精力却没有成功的故事。你不会想成为那种人的。安装新的物联网传感器非常昂贵。说服你的同事加入会消耗社会资本。更改流程有风险,而且可能代价昂贵。也许你已经尝试过AI/ML项目,但结果并不令人满意。

机器学习计划的成功面临的挑战包括供应商虚假陈述、数据质量问题、缺乏适当的训练数据、特征工程的复杂性、误报、重复性和可解释性。本次演讲将通过宣传和教育您在可靠性工程的背景下机器学习的核心能力。这次演讲将有助于把机器学习“带回物理学”——主张直接应用物理学和工程知识可以帮助增加机器学习项目的成功。

本次演讲的目的是为了让一位先进的可靠性工程师能够向同事们解释:

  1. 什么是机器学习;
  2. 机器学习如何帮助提高可靠性;
  3. 如何将可靠性问题定义为机器学习问题;
  4. 如何利用物理使机器学习更实用;和
  5. 如何使用免费软件工具进行DIY (DIY)实验。