TRC-2020报告41:56分钟

Jon Herlocker著，Tignis

今天，您可以使用振动监测等技术对最关键的资产进行一些基本的状态监测。您可能在某些流程变量上有阈值警告。该技术帮助您提高了可靠性，但您仍然会遇到计划外停机，产品质量和能源效率仍有改进空间。

人工智能(AI)、机器学习(ML)和过程分析自动化都是热门话题，你想知道这些如何帮助你达到下一个成熟度/质量/性能水平。AI/ML供应商正在向你承诺这个世界。但你一定听说过AI/ML项目花费大量金钱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。改变您的流程有风险，而且代价高昂。也许你甚至尝试过AI/ML项目，结果并不令人印象深刻。

机器学习计划成功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、假阳性、可重复性和可解释性。本演讲将打破炒作，并在可靠性工程的背景下教育您机器学习的核心能力。这篇演讲将有助于把机器学习“带回物理学”——认为直接应用物理学和工程知识可以帮助提高机器学习项目的成功。

本演讲的目的是使高级可靠性工程师能够向他们的同事解释:

1. 什么是机器学习;
2. 机器学习如何帮助提高可靠性;
3. 如何将可靠性问题构建为机器学习问题;
4. 如何利用物理学让机器学习更加实用;而且
5. 如何使用免费软件工具来尝试DIY。