機器學習才是工業物聯網應用爆發的關鍵。Evensi
云端運算一直是聯網裝置和企業物聯網(IoT)發展的最大動能，而更便宜的儲存與強大的運算能力是工業物聯網(IIoT)興起的關鍵驅動力，其中機器學習(Machine Learning)技術的發展才是工業物聯網應用爆發的關鍵。
福布斯(Forbes)報導指出，制造業、汽車業、醫療保健業和航空業等產業正在取得傳感器產生的每一個數據，利用大型公共云供貨商提供的云端儲存、大數據和大型運算功能，是企業加速采用工業物聯網的最重要因素。
第一代工業物聯網是關于取得數據和分析數據，而來自傳感器的數據點經過多個階段才能轉化為可操作的見解，工業物聯網平臺包括可擴展的數據處理流程，能夠處理需要立即關注的實時數據，以及僅在一段時間內有意義的數據。
例如，當檢測到壓力和溫度閾值的異常組合之后，物聯網平臺關閉液化石油氣灌裝機可能已經太晚了，應該在毫秒之內檢測到異常，然后依規則觸發立即反應。此外，醫療保健領域也需要能夠實時監測患者的重要統計數據。
熱點路徑分析的核心是負責檢測異常的規則引擎。企業物聯網平臺嵌入一個復雜的規則引擎，可以從傳感器數據流動態評估復雜的模式，由了解模式和數據格式的領域專家來定義規則引擎的基準閾值和路由邏輯。
該邏輯作為規則引擎在編排訊息流中的關鍵輸入，在數據點移動到數據處理流程下一個階段之前，為每個數據點定義嵌套的語句條件。規則引擎已經成為企業物聯網平臺的核心。而機器學習的關鍵領域之一是從現有數據集中找到模式，將類似的數據點分組，并預測未來數據點的價值。
機器學習有關的高階算法可用于分類和預測分析，由于這些算法可以從現有數據中學習，識別基準閾值，且大多數物聯網數據都是基于時間序列，因此這些算法可以根據歷史數據預測傳感器的未來值。
多種機器學習算法的組合可以替代工業物聯網平臺中的傳統規則引擎，雖然領域專家仍然需要根據條件定義采取行動，但這些智能算法提供更高的準確性和精準度。
工業物聯網中的機器學習最大應用之一是設備的預測性維護(PdM)，透過關聯性和分析模式變化來預測設備故障，并報告如設備的剩余使用壽命(RUL)等關鍵指標。
預測維護可應用在航空航天、制造、汽車、運輸、物流和供應鏈等領域，例如在消費者場景中，預測維護系統可以基于預測模型安排至汽車服務中心，在航空業中，預測維護方案的目標是根據維護歷史和飛行路線訊息等相關數據來預測航班延遲或取消的可能性。
分析認為，熱點路徑分析與機器學習的結合將成為下一代物聯網平臺的重要組成部分，盡管機器學習和人工智能(AI)不能代替領域專家，但肯定會讓平臺提供更好的洞察力。
京公網安備 11010502049343號