通过机器学习改进产品决策
撰写者： Melissa DiEgidio
计算机辅助设计 2016/12/12
背部
寻求获得并保持竞争优势的制造商一直在使用智能设备来改善运营。诸如减少停机时间，缩短响应时间和减少人为错误等操作性能改进可转化为底线的可衡量改进。随着制造商之间的联系日益紧密，他们所连接的系统，机器，传感器和其他设备正在生成大量新数据。但是，这些数据本质上是复杂的，并且鉴于生成的数据量巨大，因此不容易收集和分析。这是传统制造系统无法满足的挑战，因此制造商会丢失宝贵的见解。



机器学习技术在实施以支持IoT战略并通过证明其潜在价值的战略实验进行验证时可以提供帮助。制造商应采取全面的方法来进行机器学习和分析，将设备，系统和人员集成到高度协作的环境中，该环境可以快速适应不断变化的运营要求，并且其运行规模要比简单的IoT应用程序大得多。

想象一下一个风电场，它已经使用ThingWorx平台实施了智能互联涡轮机，目标是更好地了解运营绩效并进行改进以取得更好的结果。该农场因设备反复故障而遇到问题，包括漫长的计划外停机时间和昂贵的计划外维护费用，这转化为底线损失和客户不满意。

每个涡轮机都会生成数百万个数据点。但是，企业缺乏一个可以正确收集和分析数据的系统，并且目前无法手动监控数据。这是有问题的，原因如下：

人力资源不足以监视和处理大量传入数据
监控数据的员工不是数据科学或数学领域的专家
数据非常复杂，并且格式各异，因此很难使用任何传统
分析工具进行管理
由于数据量，速度和数据多样性，错误风险很高
如果无法正确有效地管理来自涡轮机的输入数据，则企业将无法从其互联运营中获得急需的洞察力。该风电场寻求一种分析解决方案，该解决方案将监视，管理和分析其数据，以便：

确定绩效模式和趋势
提醒性能异常
预测不需要的事件，例如停机时间或所需的维护
最大限度减少人为干预和错误风险
在此示例中，风电场首先使用ThingWorx Analytics分析历史数据集，以了解发生的情况以及发生设备故障时的情况。然后，ThingWorx Analytics用于实时使用情况监视，以检测类似情况，并进行预测性分析，以识别故障何时来临。借助Kalypso的机器学习快速入门服务，组织可以从ThingWorx平台和ThingWorx Analytics迅速创造价值。在短时间内，公司可以利用这些技术将历史数据连接到预测分析引擎。

标签： 计算机辅助设计
关于作者
梅丽莎·迪埃吉迪奥（Melissa DiEgidio）

Melissa专门研究物联网技术，是宾夕法尼亚州Exton的PTC营销计划经理。她在市场营销，沟通，销售支持方面拥有丰富的经验，她对新的创新技术充满热情。