预测性维护是边缘计算与人工智能，在工业落地的最短路径？

时间与效果期望值之间的落差。“预测性”的本质是在有足够数据样本训练的基础上，对已知现象通过行业资深人员的理解与计算机专家间的碰撞，抽象出的数学计算模型。足够多的基础数据，过程中的人为干预，对模型的验证优化，都需建立在时间的基础上。若能理性对待期望值与实际效果间的差距，理性认知AI目前AI只是提升效率的工具，相信“杀手级”应用终极出现

(21) Anyway：

预测性维修的着眼点应该是人机交互过程中的互相影响，如飞行员，驾驶员，对人工操作的效能提供评价。其存在的依据除了原材料失效的可靠性理论外，尤其能根据预测对象的工作环境，识别出设备潜在的外部应力，如热应力，结构应力，润滑磨损等要素。同时，也为操作规程的优化提供量化数据支持。

应该站在预测对象的立场，谈预测方法方案的定制设计。通用的预测模型落地，需要考虑引入中间件或者插件技术做二次开发的可扩展接口…

预测维修一定是一个涵盖人机料法环测六要素，立足可靠性工程经验基础和常识的一个业务(谈不上专业或者具体技术)…

本文小结：

• 预测性维护适用于发生频率不高，但一旦发生影响很大的故障。
• 无论是预测性维护、质量控制、远程监控，或者资产追踪，其背后使用的物联网技术是一样的。因此预测性维护是一个具备横向整合能力的应用。
• 市面上已有的预测性维护方案，大部分是在云计算或者雾计算层面的，而随着边缘算力的提升，以及工业人工智能的发展，在边缘侧完成预测性维护变得经济上更加可行。

【编辑推荐】

1. IIoT最大应用场景：预测性维护机遇到来
2. 物联网预测性维护为制造业带来五大好处
3. 物联网预测性维护如何推动未来工厂发展？
4. 您需要接受工业物联网IIoT的8个理由
5. 曾被认为是工业互联网的“杀手级”应用，预测性维护为何发展不及预期？

（编辑：西安站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!