传统的维修方法紧张基于已有的维修制度、基于运营中发生的各种故障、基于操作和检修职员的行业履历，在面对产品升级改造、设备从未发生的新故障，人工履历的欠缺等问题就会造成设备的过修或失落修，其结果是掩护用度的利用效率低，设备非预期的停机韶光长，从而导致生产力丢失与营运本钱上升，也可能产生额外的维修与更换本钱，使制造商必须准备许多零件，增加库存本钱，最严重的还会带来重大安全问题。
在这种情形下，基于预测性维修的办法应运而生。预测性维修可以监控设备运行状态、定位故障缘故原由、进一步对故障预测，确保质量，优化每一步资源，最大限度的减少非操持性掩护停机韶光，肃清不必要的维修，节约本钱、提高效率。
永洪BI是领悟BigData + BI + AI技能的一站式大数据剖析平台，通过数据采集、数据管理、数据存储、数据挖掘和数据剖析等过程洞察全体产品生命周期中各个时候的状态和性能，并利用人工智能和可视化技能供应设备运行状态监控、故障根因剖析、故障预测、决策剖析全链条一站式运用办理方案。可有效降落设备全生命周期维修本钱，实现预测性维修。
案例先容——风电巨子的“预知”型降本增效
接下来先容一下某风电巨子的一个真实案例。在某风电场中，风力发电机组涌现了主轴承故障。主轴承是连接机组定轴和动轴的关键部件，主轴承发生故障轻则增加机组振动噪声，重则导致动轴卡去世无法旋转。主轴承失落效后只能改换无法修复，常见的故障分类包括磨损性故障、堕落性故障、断裂性故障及老化性故障。在风场中常用的故障检测方法多为定期掩护，有时掩护不及时就会造成比改换必要的零部件和人工本钱更高的代价——机组停机。因此建立提前预知主轴承故障模型，节制主轴承运行状态是非常有必要的。
首先需从风场的传感器和SCADA系统中获取实时数据和故障文件数据，数据记录了风机的基本信息和风机故障的振动和温度信息，然后采取机器学习的方法建立故障预测模型，详细的流程如下：
机器学习是一门人工智能的科学，该领域的紧张研究工具是人工智能，特殊是如何在履历学习中改进详细算法的性能。机器学习已广泛运用于打算机视觉、自然措辞处理、生物特色识别、搜索引擎、医学诊断、检测信用卡敲诈等领域。机器学习的分类有很多种，但在企业运用处景下，多用监督学习和无监督学习。
机器学习在制造业最范例的运用是设备故障预测，因此采取机器学习的方法来建立风机故障预测模型。
首先进行数据预处理，将处理后的数据划分为演习集和测试集，对数据进行故障标注和探索剖析，剖析故障数据和正常数据的差异，创造故障数据在频域表现明显，因此以风速、转速、均值、方差、故障特色频率等为特色建立故障预测分类模型，方法可选择逻辑回归、随机森林、GBDT等。
由于故障数据只记录了是否故障，没有记录故障位置，因此在建立模型时采取监督学习的二分类算法。模型建立完，可利用测试数据打算评价指标进行模型优化，选择效果最好的模型进行支配，终极上线的模型准确率可达90%以上，可有效地对故障风机进行预测，提前预知故障，减少操持外中断，增加设备综合效率，减少维修本钱，提高产能。
建模采取的是永洪BI的深度剖析模块，通过拖拽即可实现从数据处理、建模、模型优化的全套流程。永洪BI作为新一代增强型数据剖析平台，已在除故障预测外，包括出行预测、发卖预测、库存优化、风险掌握等多个行业和领域实现落地。
除了在风电上的设备故障预测运用，永洪BI在汽车行业也做了干系的故障剖析运用。通过产品可视化可实现汽车设备状态监控和故障根因剖析。
如下是给某汽车公司做的IPTV目标达成剖析，IPTV为每千辆车故障率，是汽车行业广泛运用的指标。首先选择不同的车型进行剖析，确定工具后，可对详细车型查看IPTV目标达成剖析状况和整车IPTV的状况，还可以查看详细的故障模式和任务部门，通过数据联动，查看故障发生问题时任务问题是分布在哪一个环节，从而进行对应的优化。
以上通过领悟BI和AI的能力，有效办理了设备故障监控、故障根因剖析、故障预测问题，终极帮助用户做出科学的决策。因此以领悟BI和AI的新一代增强型数据剖析将成为数据剖析领域的一个新发展方向，能够帮助用户访问有效数据、探索数据，并对一些理论想法进行测试与验证，从而为剖析带来更多的自动化功能以及创新洞察力。
