预测性维护和预测工业革命

人工智能的变革性如何？这个看似简单的问题可能很难回答。

首先，该术语通常具有模糊的含义。通常，该术语是“通用人工智能”或“强人工智能”的简写。在这个理论结构中，非有机智能具有推理和执行一系列任务的能力。好莱坞在《终结者》等电影中也引用了这种人工智能，以及在埃隆·马斯克和比尔·盖茨等人中引起反乌托邦恐惧的多样性。但是，这种形式的人工智能何时会存在的问题无法明确回答。 Gartner 的理由是，研究人员可能需要几十年才能创造出能够近似人类推理的机器，尽管经过狭窄任务训练的机器可以在国际象棋和最近的围棋等智力游戏中胜过人类。 《智能架构师：人工智能的构建者的真相》一书的作者马丁福特说，大多数专家认为强人工智能是绝对不可预测的。

工业革命似乎也是如此。虽然工业 4.0 等概念广泛暗示人工智能、工业物联网和其他技术的融合可能会引发下一次工业革命，但西方国家的生产力几十年来一直低迷。美国 3 月份工厂、矿山和公用事业的工业生产下降了 0.1%，正如华尔街日报所说，这“强化了制造业已陷入疲软的观点。”

但是，尽管以各种生产力指数衡量的工业宏观世界在不断发展，但越来越多的工业公司将 IIoT 技术与机器学习相结合，涌现出了越来越多的成功案例。例如，初创公司 FogHorn 帮助日本工业电子公司 Daihen 在一家工厂中消除了价值 1,800 小时的手动数据输入。一家顶级饮料公司通过预测性维护一举节省了相当于 100 万罐啤酒的成本。该公司安装了 Augury 公司的机器监控技术，该技术将无线振动、超声波、温度和磁传感器与机器学习相结合，以检测一系列工业机器的机器问题，包括啤酒厂使用的机器。 Augury 的联合创始人兼首席执行官 Saar Yoskovitz 说：“我们检测到灌装机 - 用啤酒灌装罐头的机器上存在严重的轴承磨损。” “这一发现使啤酒厂能够在计划停机期间解决问题。 Yoskovitz 说：“因为它们是一个 24×7 的设施，所以没有任何计划外停机的余地。”但轴承问题可能最终引发故障，导致生产力损失八小时。 “这意味着 100 万罐啤酒和 20 万美元的收入，”约斯科维茨补充道。

液化空气的数字子公司 Alizent 提供了工业 4.0 技术力量的另一个例子。几年前，液化空气结合 OSIsoft 的技术创建了一个名为 SIO 的工厂优化平台。 OSIsoft 的 PI 软件用作该平台的嵌入式数据引擎，支持数据收集和优化以进行分析。 “Air 使用 SIO 在三个月内实现了回报，并且在第一年实现了 10 倍的回报，”Michael Kanellos 写道，

物联网分析师和 OSIsoft 企业通信高级经理在一封电子邮件中。 “然后他们开始使用它在法国和东南亚以熄灯（即没有员工）的方式管理工厂。”之后，液化空气集团决定将数字集团分拆为 Alizent 部门，为液化空气集团和其他公司提供服务。

另一个具有快速数字化转型投资回报率的公司的例子是白宫公用事业区。作为田纳西州顶级供水和下水道公用事业公司之一，该组织将漏水率从大约 32% 减少到 15%。节水也带来了数百万美元的节省。 “但他们也减少了数据管理，每年节省 30,000 美元，”Kanellos 说。 “他们将耗资 1500 万美元的新工厂推迟了 11 年。社区声誉上升。信用评级机构甚至提高了评级。”

工业机器学习公司 Toumetis 的首席执行官兼总裁 Mark Willnerd 预计，未来五年工业生产力将会提高。 “多亏了机器学习等技术，我们将看到巨大的进步，”他说。 “[我们可以看到] 1990 年代那种生产力增长的回归，”威尔纳德补充说，指的是与产出快速增长相关的十年。

Toumetis 正在与一家拥有油田的能源公司合作，Willnerd 预计有朝一日可能成为世界上最大的生产基地之一。阻碍现场生产力的一个因素是电动潜水泵的不可靠性，这可能会使一口井停产。但是，如果密切关注公司设备的主题专家正在监督 1,500 口井和 100 个不同的数据信号，他们很容易错过表明泵即将发生故障的数据。 “他们不知道哪些井会在什么时候发生故障，”Willnerd 说。 “但如果我能预测在 14 天的窗口中哪些会出现故障，我就可以安排维修以最大限度地提高利润和产量。”

但在工业领域应用机器学习的过程——或将其应用于预测性维护——很少是简单的。 “数据可能不一致。您可能会从传感器获得错误读数。你可能会丢失数据，”Willnerd 补充道。 “在对数据进行分析之前，有很多只是清理数据。”

Willnerd 推测，我们仍处于将机器学习应用于工业应用的初级阶段。

贝恩公司的一项名为“超越概念证明：扩展工业物联网”的研究在对 600 名高科技高管进行调查后得出了类似的结论。一般而言，IIoT 和预测性维护的部署通常比预期更具挑战性——从 IIoT 项目中提取“从数据中获取有价值的见解”的前景也是如此。然而，该报告后来得出结论，“工业物联网仍然是一个充满希望的机会。”

一个核心挑战是，理解此类数据还需要罕见地融合领域专业知识和数据科学知识。为了缩小差距，Toumetis 聘请了自 1990 年代末和 2000 年代初以来一直致力于数据分析的行业专家。 “这仍然是一种艺术形式，”威尔纳德说。 “你必须清楚地了解你试图解决什么问题，以及与之相关的商业价值是什么。”

Yoskovitz 也有类似的看法。在参观了美国各地的一系列工业设施后，他得出的结论是，最常见的挑战之一是寻找人才。尽管在寻找工业网络安全或工业数据科学等领域的专家方面存在很多困难，但问题更大。 “有一次，我走进一个房间，在我们客户的设施中进行培训。平均年龄为 55 岁，”约斯科维茨回忆道。 “我们在那里有即将退休的人和 20 多岁的新人。他们之间有 30 年的美好时光。”

随着老年工业雇员在未来 5 到 10 年内退休，美国的大部分传统制造经验将消失。与此同时，工业工作在年轻员工的名单中排名靠后。 “几乎没有人是千禧一代或 Z 世代想成为一名维修技师，”约斯科维茨说。

因此，虽然现在判断物联网和人工智能等广泛技术是否会创造一个与第一次工业革命相媲美的生产力时代，或者工业 4.0 是否更像是一种软件修订版可能还为时过早 而不是网络物理系统驱动的革命。就目前而言，询问此类技术如何满足他们最紧迫的需求是一个更实际的问题——在正确的时间（在机器损坏之前）将合适的人（技术人员）带到合适的地点（可能出现故障的机器）。