机器学习的认知

机器学习(ML)是人工智能一个分支,建立在系统可以从数据中学习的概念之上,通过数据进行图像识别,或以较小的人工干预进行决策。机器学习正在加速应用于高性能低成本的硬件、低成本的数据采集、开源框架的大型程序库和软件模块等方面,通过这些应用使机器学习在很大的范围内获得推广应用。ML运用算法和统计模型来分析和预测未来的性能,无需为执行任务专门按要求明确的编程。

机器学习的迭代体很重要,因为一旦新的数据输入模型,就会自动从先前的计算中去适应和学习,产生可靠、可重复的决策和结果。现今对大数据自动应用复杂的数学计算重复进行高性能、低成本的计算,正在推动ML的应用,例如:

过去机器学习的应用必须从头构建,现在较新的解决方案可在公共开源的框架内实现(例如TensorFlow、PyTorch、Sclikit-learn),这样使之可能快速地建立应用。

运用机器学习的预测维护通过消除可能产生重大隐患的非计划事件,避免造成生产线的停车事故,达到保证长时间无故障的运转。采用监控设备和标准检查模型和规则系统(benchmarking against models and rules system)可预测问题,同时提醒维护人员在发生一连串问题造成大的故障之前进行修复维护。另外在设备若干特定的部位加装嵌入微处理器的传感器,用来分析即将发生的问题,并发出需要加紧维护的报警信号。为了改善机器和过程的性能,机器学习也可以在闭环自动化控制中的策略环节运用。