機器學習為工業物聯網應用爆發關鍵

機器學習才是工業物聯網應用爆發的關鍵。evensi

雲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。

富比士(forbes)報導指出，製造業、汽車業、醫療保健業和航空業等產業正在取得感測器產生的每乙個資料，利用大型公共雲供貨商提供的雲儲存、大資料和大型運算功能，是企業加速採用工業物聯網的最重要因素。

第一代工業物聯網是關於取得資料和分析資料，而來自感測器的資料點經過多個階段才能轉化為可操作的見解，工業物聯網平台包括可擴充套件的資料處理流程，能夠處理需要立即關注的實時資料，以及僅在一段時間內有意義的資料。

例如，當檢測到壓力和溫度閾值的異常組合之後，物聯網平台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，然後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資料。

熱點路徑分析的核心是負責檢測異常的規則引擎。企業物聯網平台嵌入乙個複雜的規則引擎，可以從感測器資料流動態評估複雜的模式，由了解模式和資料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，在資料點移動到資料處理流程下乙個階段之前，為每個資料點定義巢狀的語句條件。規則引擎已經成為企業物聯網平台的核心。而機器學習的關鍵領域之一是從現有資料集中找到模式，將類似的資料點分組，並**未來資料點的價值。

機器學習有關的高階演算法可用於分類和**分析，由於這些演算法可以從現有資料中學習，識別基準閾值，且大多數物聯網資料都是基於時間序列，因此這些演算法可以根據歷史資料**感測器的未來值。

多種機器學習演算法的組合可以替代工業物聯網平台中的傳統規則引擎，雖然領域專家仍然需要根據條件定義採取行動，但這些智慧型演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裝置的**性維護(pdm)，透過關聯性和分析模式變化來**裝置故障，並報告如裝置的剩餘使用壽命(rul)等關鍵指標。

**維護可應用在航空航天、製造、汽車、運輸、物流和**鏈等領域，例如在消費者場景中，**維護系統可以基於**模型安排至汽車服務中心，在航空業中，**維護方案的目標是根據維護歷史和飛行路線訊息等相關資料來**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台的重要組成部分，儘管機器學習和人工智慧(ai)不能代替領域專家，但肯定會讓平台提供更好的洞察力。