在之前的案例中我们发现，每个这些问题发生的频率是不同的。变速箱过热是常态问题，5个月一共发生了1340起，占到了整个故障的77%，如果能准确预测这类问题，那么就能结局大部分问题。

除此之外，需要注意的是，有些问题之间也存在关联，例如变速箱过热会产生其它的问题。当某天变速箱过热问题特别集中，atv，我们要分析这其中的原因，这对数据建模、特征分析、特征工程非常有帮助。

拿到数据做完分析之后，下一个工作是要工程处理。

工业智能数据有个特点：低维高频，维度不多（相比购买行为预测的变量很少），但是频次很高，每秒都在采集。所以，我们需要有相应的处理办法：对传感器的数据做聚合，最大、最小、中值、标准方差等，主要目的是让初始变量更加丰富，变量越多预测的准确性也越高。

然后是数据建模。对于故障预测，我们进行了多个模型的选择，尤其是在分类和异常检测方面。分类是要告诉设备是否会坏，这会用到二元分类、回归、多元分类和异常点检测。

建模后要进行模型评估

这张图显示的是，在自由的算法包中进行评估来预测下5个小时内发生变速箱过热的概率。右下角是预测的对比值（逻辑回归、增强决策树、决策树、支持向量机）：

最终评估下来，增强决策树算法在准确性、精准度等拥有很好的表现，所以最后选择用这个算来作为变速箱过热的预测。

最后是模型部署。做完模型之后，输出的结果是一条记录，例如变速箱在未来5个小时发生过热的概率是多少。这之后有三种选择：第一是和现场维修工单系统对接，第二是把结果推送到系统监控平台，另外也会发邮件提醒给管理人员。

从目前来看，能做数据采集的公司一般都具备这样的维修工单系统平台。

变速箱智能化主要给客户带来了四个方面的价值：提升设备、人员的生产力；减少故障停机，提高客户满意度；建立智能码头；构建新的价值体系。

另外，这个案例还得出了一个结论：如果要做成套设备的话，一定要从组件开始做预测。

三、通过预测性模型进行刀具故障预测

在工业制造里面，机床最核心的问题就是刀具问题。实际上，刀具之于机床就如牙齿之于人类，如果刀具发生问题能提前感知，才能第一时间修复。

如果问题发生之后，再去修复就已经产生了废品，这也会造成更大的损失。

上图显示的是某公司通过控制器收集了不同机床运行的数据，包括电流、电压等。这里有几个原则：因为影响刀具寿命的变量很多，所以需要人工智能算法来预测；另外，可以和多年经验曲线进行结合；刀具寿命是非线性关系，一定要通过实时数据进行在线学习。

应用大数据算法形成智能化机床设备管理体系之后，直播，会根据数据建模分为两大问题：第一类，刀具会不会发生故障，第二类是多久发生故障。

针对第一类问题，用分类模型来解决，例如选择用逻辑回归、决策树还是神经网络来告诉我们会不会坏，如果会坏，就来到下一个问题。预测多久发生故障，则主要用决策树、泊松回归、神经网络回归等来告诉设备提供商设备多久会坏。

总结

之前，我们看到的智能算法主要聚焦在商业或者交互领域，现在我们正在尝试把智能算法带到工业领域。

工业智能，解决问题的算法体系主要分为三大类：第一是预测性维护，这对于基于物理损耗为主的设备是最行之有效的算法；第二类是能效管理；第三类是质量管理。

精彩问答

Q：对于流程工业生产环境下的生产设备故障预测，在数据采集汇总阶段，需要考虑哪些因素？或者需要哪些数据输入呢？