机器学习为工业物联网应用爆发关键

机器学习为工业物联网应用爆发关键

机器学习才是工业物联网应用爆发的关键。Evensi

云端运算一直是联网装置和企业物联网(IoT)发展的最大动能,而更便宜的储存与强大的运算能力是工业物联网(IIoT)兴起的关键驱动力,其中机器学习(Machine Learning)技术的发展才是工业物联网应用爆发的关键。

福布斯(Forbes)报导指出,制造业、汽车业、医疗保健业和航空业等产业正在取得传感器产生的每一个数据,利用大型公共云供货商提供的云端储存、大数据和大型运算功能,是企业加速采用工业物联网的最重要因素。

第一代工业物联网是关于取得数据和分析数据,而来自传感器的数据点经过多个阶段才能转化为可操作的见解,工业物联网平台包括可扩展的数据处理流程,能够处理需要立即关注的实时数据,以及仅在一段时间内有意义的数据。

例如,当检测到压力和温度阈值的异常组合之后,物联网平台关闭液化石油气灌装机可能已经太晚了,应该在毫秒之内检测到异常,然后依规则触发立即反应。此外,医疗保健领域也需要能够实时监测患者的重要统计数据。

热点路径分析的核心是负责检测异常的规则引擎。企业物联网平台嵌入一个复杂的规则引擎,可以从传感器数据流动态评估复杂的模式,由了解模式和数据格式的领域专家来定义规则引擎的基准阈值和路由逻辑。

该逻辑作为规则引擎在编排讯息流中的关键输入,在数据点移动到数据处理流程下一个阶段之前,为每个数据点定义嵌套的语句条件。规则引擎已经成为企业物联网平台的核心。而机器学习的关键领域之一是从现有数据集中找到模式,将类似的数据点分组,并预测未来数据点的价值。

机器学习有关的高阶算法可用于分类和预测分析,由于这些算法可以从现有数据中学习,识别基准阈值,且大多数物联网数据都是基于时间序列,因此这些算法可以根据历史数据预测传感器的未来值。

多种机器学习算法的组合可以替代工业物联网平台中的传统规则引擎,虽然领域专家仍然需要根据条件定义采取行动,但这些智能算法提供更高的准确性和精准度。

工业物联网中的机器学习最大应用之一是设备的预测性维护(PdM),透过关联性和分析模式变化来预测设备故障,并报告如设备的剩余使用寿命(RUL)等关键指标。

预测维护可应用在航空航天、制造、汽车、运输、物流和供应链等领域,例如在消费者场景中,预测维护系统可以基于预测模型安排至汽车服务中心,在航空业中,预测维护方案的目标是根据维护历史和飞行路线讯息等相关数据来预测航班延迟或取消的可能性。

分析认为,热点路径分析与机器学习的结合将成为下一代物联网平台的重要组成部分,尽管机器学习和人工智能(AI)不能代替领域专家,但肯定会让平台提供更好的洞察力。

本文转自d1net(转载)

上一篇:前端开发js运算符单竖杠“|”的用法和作用及js数据处理


下一篇:Head First设计模式之目录