预测性维护可以使车辆召回过去
和6400万单位就被召回的车辆数量而言，必须从市场上取下市场，2014年是汽车行业最糟糕的几年之一。在2017年下降到1000万的事实是一个改进，但仍然没有庆祝。仅几周前，2018年3月，特斯拉召回了123,000辆型号的汽车，因为转向组件有故障。该公司宣布后，公司的股票下跌了4％。车辆召回继续成为头条新闻，使汽车制造商损失了数百万美元，并造成了巨大的声誉损失。尽管事实是汽车行业是制造过程在质量检查，定期维护和监视方面最严格的行业之一。
随着技术将车辆变成创新平台，通过使用安全性，效率和计算功率性能，在整个生产和购买后生命周期中部署正确的技术时，制造商就该变得“更聪明”了。这是AI，机器学习和预测分析可以使制造商能够获得全面的可见性和控制工艺。
从工厂地板到现场的预测维护
他们说，纠正错误的最佳时间是昨天，并且在汽车领域确实如此。尽管AI和机器学习还不能（目前）转移时间，但认知技术可以以以前无法实现的方式分析数据。尽管数据科学家执行的过去失败模式的手动建模并不是什么新鲜事，但数据分析由AI驱动的平台建立认知学习，不仅可以从过去的失败模式中学习，而且更重要的是要学会检测以前未知或看到的问题。这非常重要，因为最终导致召回的制造过程中发生的大多数问题不是重复问题，而是新问题。认知应用程序能够通过传感器的数据，各种正常工作条件以及对机器的环境影响在细粒度水平上进行教学，超越了人脑倾向于发现的宏观图案。这意味着现在可以在质量检查过程中未发现的微型异常和小变化在发生时自动识别，并在导致当前或将来的缺陷之前对其进行响应。通过这种方式，可以预测出发生的故障或故障，并引发召回或导致停机时间。
为了最有效，应在不同的生产接触点中部署预测性维护系统。在制造过程中，认知预测性维护可以识别并共享有关在线缺陷的警报，然后可以尽早纠正，同时向工业工程师提供有关缺陷性质的信息。这样，在产品到达市场之前就解决了缺陷，并且可以避免昂贵的召回。这也可以大大减少产品线中的废料和返工，从而节省大量成本。
借助工业物联网和传感器，我们现在有能力在细节上了解机器的健康状况。这是通过创建数字双胞胎，零件的颗粒状数字表示以及制造过程中的动态来实现的，通过机器学习启用和人工智能。这些物理资产的数字模型提供了其物理对应物的当前状态，工作条件和功能的表示，以帮助理解和预测这些部分的健康和准备。通过创建数字双胞胎，可以获得洞察力，以自动检测并解决在手动检查过程中否则会遗漏的最小问题。
车辆上市后，人工智能和预测性维护就可以发挥其魔力。服务工程师可以使用从传感器和服务记录收集的多种数据来源的认知分析来识别和解决车辆的问题，然后在“检查引擎”灯继续前进，消除安全风险和昂贵的维修，并提供卓越的客户体验。此外，它可以帮助工程师计划更好地维护所需零件的清单，因为他们提前知道问题。驾驶员和服务工程师都有积极的警报系统的能力，这些系统在升级为安全风险或昂贵的损失之前提示潜在问题，同时，超越了基于计划的预防性维护，以基于需求和及时的预测性维护。制造商还可以从现场数据收集有用的见解，以改善其产品设计以及制造过程。
认知优先的技术为汽车行业节省了一天
预测维护不是当前控制系统上添加的监视层和检查。实际上，这是一种集成的认知和机器第一技术，它在制造和购买后生命周期中端到头，确保这些过程像发条一样运行。随着智能和连接的汽车改变了我们看到车辆的方式，汽车制造商需要接受AI和机器学习所需提供的东西以打破新的记录 - 零汽车召回！
所有的物联网议程网络贡献者都负责其帖子的内容和准确性。意见是作家的，不一定会传达物联网议程的思想。