工廠和設備中部署了大量的傳感器用於記錄數據。如果分析得當這些數據會在改進製造工藝及確保生產質量等方面產生巨大的價值。為此，魏德米勒工業分析部門與客戶密切合作，開發所需的數據分析模型。我們從工廠和設備中提取各類數據集合，比如溫度、壓力、能耗和振動，稱之為特徵，並使用人工智能對其評估。之前的項目經驗表明，大多數工廠和設備已經記錄了全部重要數據，不必新增傳感器。

異常檢測和分類

異常分類的工作，是將已識別的數據偏差按重要程度進行分類，重要異常往往是導致設備故障的原因。有了這些信息的輔助，設備操作者可以更快地處理問題，甚至可以識別潛在故障。這樣的快速診斷方式可以減少停機時間、降低成本並優化產能。

“特徵”工程識別複雜模式

“特徵”工程是開發可靠人工智能模型的重要技術，該方法從測量數據中找出複雜的統計相關性。例如，為了找出這樣的統計相關，可以用相關係數表示在一段時間內兩個或多個“特徵”的關聯變化。數據科學家會根據設備的歷史數據來開發新的“特徵”。

與僅使用原始數據相比，這樣做可以更可靠地識別異常情形。例如，通過振動測量或頻率轉換獲得的高頻信號，可以基於數學模型分解到相應的不同頻段上。人工智能模型從設備的正常行為中學習信號的頻段特性，相比於僅使用未分解的原始信號，可更好地預測故障可能性。

數據集合必須根據具體的機器或工藝加以解釋和評估，因此“特徵”工程需要全面的應用知識。無論是數據科學家的專業知識，還是機械工程師或機器操作人員的應用知識，對於找出實際解決方案至關重要。只有應用專家才能評估一個數據異常是否代表了機器故障，在應用專家的幫助下，數據科學家才能建立準確識別正常運行和異常的算法。

目前，人工智能模型已經應用於許多領域，例如包裝機、填充技術、材料處理以及機器人技術。魏德米勒基於這些數據模型向用戶提供適合的定制化軟件，幫助用戶持續監測設備運行情況、做出預測，並將數據和分析結果可視化呈現。 UI專家設計定制的用戶界面，以便每個用戶都能獲得與其應用領域相匹配的解決方案。

對於設備歷史數據中未包括的異常或故障，人工智能模型在運行之初是無法描述和預測的。因此，用戶可以通過更新學習數據、擴展軟件模塊來不斷完善工業分析模塊。當然，魏德米勒數據科學家會按用戶所需提供支持幫助。

數據和分析結果的可視化使我們更容易掌握機器的當前狀態。為此，我們可以查看並標記各個時間範圍應包含在未來數據評估中的信息。用戶還可以查看這些區域，辨明是否存在異常。通過這種方式，該模型能繼續學習並且可以更精確地對未來狀態進行分類。