長久以來，工廠管理人員發(fā)展出許多分析模型與經(jīng)驗法則來預(yù)測機器設(shè)備的故障，降低維護成本，并且提高工廠的生產(chǎn)效率；不過隨著近年來人工智能的快速演進，未來在執(zhí)行機器設(shè)備的預(yù)測性維護工作上，套用機器學(xué)習(xí)演算技術(shù)將更能夠達到事半功倍的效果。在傳統(tǒng)業(yè)界實務(wù)上，象是M2M Data與Senseye這些公司主要是透過由客戶設(shè)備端所收集到的數(shù)據(jù)來開發(fā)出物理分析模型，這些數(shù)據(jù)包含了象是壓力、馬達轉(zhuǎn)速、聲音與溫度等各種型態(tài)的參數(shù)，在分析模型中，以上的參數(shù)若是偏離了正常數(shù)值，都是在向管理人員發(fā)出機器設(shè)備可能出現(xiàn)異常的訊息。

展望未來，包括Otosense、3DSignals、Predikto與Mtell在內(nèi)的幾間新創(chuàng)公司，運用機器學(xué)習(xí)算法在上述數(shù)據(jù)中尋找特定模式，并且將這些模式與機器設(shè)備的異常狀況加以連結(jié)，雖然這些算法可能并非建立在任何機器運行的實際模型上，但還是能夠在機器運行時，偵測到那些偏離可接受基準的異常數(shù)值。機器學(xué)習(xí)算法的優(yōu)點，在于只要使用單一的參數(shù)，便可以在單一設(shè)備中推導(dǎo)出多種不同的運行模式，就如同天文學(xué)家利用機器學(xué)習(xí)技術(shù)，在同一個宇宙空間中分離出不同來源的光線數(shù)據(jù)，藉此判斷發(fā)光體究竟是屬于星系、類星體、行星或著是星系群。

上述天文學(xué)家的作法便同樣可以應(yīng)用在機器設(shè)備的預(yù)測性維護工作上，只是不像天文學(xué)家使用的是光線數(shù)據(jù)，工廠管理人員則是透過在機器設(shè)備上裝設(shè)的聲音傳感器來收集聲音數(shù)據(jù)，之后再運用機器學(xué)習(xí)算法在現(xiàn)場不同的聲音來源之間進行區(qū)分。目前的機器學(xué)習(xí)算法大致上可區(qū)分為兩種類別，一種是有現(xiàn)場人員針對分析數(shù)據(jù)以人工方式加以批注的監(jiān)控模式，但這種方式的限制在于，它的運行必須依賴用來訓(xùn)練計算機學(xué)習(xí)的批注數(shù)據(jù)的可用數(shù)量，并且由于這套模型必須適度加以微調(diào)，以便遷就那些可用的機器數(shù)據(jù)，這也使得系統(tǒng)的準確度容易出現(xiàn)不穩(wěn)定的現(xiàn)象。

至于另一種不需要人工批注數(shù)據(jù)的非監(jiān)控模式，相較于監(jiān)控模式則更象是讓計算機在黑暗中進行摸索，雖然此種方式并不能明確說明或是了解機器設(shè)備發(fā)生怎樣的異常狀況，但卻可以針對任何異常數(shù)據(jù)向管理人員發(fā)出警訊。