機器學習才是工業(yè)物聯(lián)網(wǎng)應用爆發(fā)的關(guān)鍵。Evensi

　　云端運算一直是聯(lián)網(wǎng)裝置和企業(yè)物聯(lián)網(wǎng)(IoT)發(fā)展的最大動能，而更便宜的儲存與強大的運算能力是工業(yè)物聯(lián)網(wǎng)(IIoT)興起的關(guān)鍵驅(qū)動力，其中機器學習(Machine Learning)技術(shù)的發(fā)展才是工業(yè)物聯(lián)網(wǎng)應用爆發(fā)的關(guān)鍵。

　　福布斯(Forbes)報導指出，制造業(yè)、汽車業(yè)、醫(yī)療保健業(yè)和航空業(yè)等產(chǎn)業(yè)正在取得傳感器產(chǎn)生的每一個數(shù)據(jù)，利用大型公共云供貨商提供的云端儲存、大數(shù)據(jù)和大型運算功能，是企業(yè)加速采用工業(yè)物聯(lián)網(wǎng)的最重要因素。

　　第一代工業(yè)物聯(lián)網(wǎng)是關(guān)于取得數(shù)據(jù)和分析數(shù)據(jù)，而來自傳感器的數(shù)據(jù)點經(jīng)過多個階段才能轉(zhuǎn)化為可操作的見解，工業(yè)物聯(lián)網(wǎng)平臺包括可擴展的數(shù)據(jù)處理流程，能夠處理需要立即關(guān)注的實時數(shù)據(jù)，以及僅在一段時間內(nèi)有意義的數(shù)據(jù)。

　　例如，當檢測到壓力和溫度閾值的異常組合之后，物聯(lián)網(wǎng)平臺關(guān)閉液化石油氣灌裝機可能已經(jīng)太晚了，應該在毫秒之內(nèi)檢測到異常，然后依規(guī)則觸發(fā)立即反應。此外，醫(yī)療保健領(lǐng)域也需要能夠?qū)崟r監(jiān)測患者的重要統(tǒng)計數(shù)據(jù)。

　　熱點路徑分析的核心是負責檢測異常的規(guī)則引擎。企業(yè)物聯(lián)網(wǎng)平臺嵌入一個復雜的規(guī)則引擎，可以從傳感器數(shù)據(jù)流動態(tài)評估復雜的模式，由了解模式和數(shù)據(jù)格式的領(lǐng)域?qū)＜襾矶x規(guī)則引擎的基準閾值和路由邏輯。

　　該邏輯作為規(guī)則引擎在編排訊息流中的關(guān)鍵輸入，在數(shù)據(jù)點移動到數(shù)據(jù)處理流程下一個階段之前，為每個數(shù)據(jù)點定義嵌套的語句條件。規(guī)則引擎已經(jīng)成為企業(yè)物聯(lián)網(wǎng)平臺的核心。而機器學習的關(guān)鍵領(lǐng)域之一是從現(xiàn)有數(shù)據(jù)集中找到模式，將類似的數(shù)據(jù)點分組，并預測未來數(shù)據(jù)點的價值。

　　機器學習有關(guān)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(xiàn)有數(shù)據(jù)中學習，識別基準閾值，且大多數(shù)物聯(lián)網(wǎng)數(shù)據(jù)都是基于時間序列，因此這些算法可以根據(jù)歷史數(shù)據(jù)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(yè)物聯(lián)網(wǎng)平臺中的傳統(tǒng)規(guī)則引擎，雖然領(lǐng)域?qū)＜胰匀恍枰鶕?jù)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(yè)物聯(lián)網(wǎng)中的機器學習最大應用之一是設(shè)備的預測性維護(PdM)，透過關(guān)聯(lián)性和分析模式變化來預測設(shè)備故障，并報告如設(shè)備的剩余使用壽命(RUL)等關(guān)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(lǐng)域，例如在消費者場景中，預測維護系統(tǒng)可以基于預測模型安排至汽車服務(wù)中心，在航空業(yè)中，預測維護方案的目標是根據(jù)維護歷史和飛行路線訊息等相關(guān)數(shù)據(jù)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(jié)合將成為下一代物聯(lián)網(wǎng)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(lǐng)域?qū)＜遥隙〞屍脚_提供更好的洞察力。