物联网的一个子集——工业物联网——为操作技术增加了新的功能，包括远程管理和操作分析，但迄今为止最大的增值功能一直是预测性维护。
将机器学习和人工智能(AI)与新连接设备产生的海量数据相结合，提供了更深入地了解复杂系统工作和相互交互方式的机会。
相关:
这可以促进可预见的维护——当工业设备的部件可能发生故障时，能够准确定位，以便在故障发生之前更换或维修，从而避免更昂贵的损坏和停机时间。
微调IIoT预测维护模型
日立万通(Hitachi Vantara)的物联网部门销售工程和数据科学高级总监瓦埃尔•埃利法伊(Wael Elrifai)表示，预测维护的复杂性之一是，人工智能生产的系统行为模型必须随着时间的推移而改变。他使用的例子日立Vantara铁路客户提供27½年期维护合同来说明问题。
随着列车部件老化，它们对压力的反应与新列车不同。因此，维护计划应该随着时间的推移进行调整，以考虑不断变化的故障率。他说，这些时间表可以通过机器学习的输出模型生成。
Elrifai说，设备故障有一个“浴缸曲线”。在它的使用寿命开始的时候，经常会出现故障，但是随着时间的推移，维护过程会得到解决，所以故障会变得更少。“然后，当然，生命的结束——它又开始失败很多次，”Elrifai说。
这种人工智能生产的模型也可以用于其他行业，日立公司刚刚发布了一个名为Lumeda的平台，它可以提取大量数据，数据科学家可以利用这些数据更精确地调整他们的机器学习模型。产品营销高级总监Arik Pelkey说:“这一切都是为了在模型投入生产后能够监控机器学习模型的准确性。”
一个例子是化学制造过程。Lumada创建一个集中式的数据池数据科学家可以实验,所以测试的过程相互不同的模型意味着公司可以改变输入和得到一个更准确的预测会发生什么化学物质在另一端的生产线。
Elrifai和Pelkey说，发展中的机器学习模式管理将对低利润、高资本的企业产生最大的影响，比如重工业和交通运输业。