当前的技术无法足够早地发现问题

也无法洞悉看似随机的故障背后的原因，这些故障导致超过80％的计划外停机，在这里，使用机器学习软件在机器周围投射“更广泛的网络”可以捕获过程导致的故障，为了避免计划外的停机，公司必须识别并有效应对即将发生的故障的早期指标，传统的维护实践无法预测由过程偏差引起的故障，为此需要结合机器和过程的独特技术方法，特别是对于资产密集型行业，例如制造业和运输业，有了合适的技术，组织可以感知到迫在眉睫的降级模式，并发出足够的警告以防止失败和更改结果。

使用机器学习软件预测停机时间

先进的机器学习软件已经在设备故障的早期识别方面取得了令人难以置信的成功，这种软件几乎是自主的，可以从由机器和过程上以及周围的传感器产生的数字数据流中学习行为模式，这种先进的技术自动运行且需要少的资源，可在操作条件变化时不断学习并适应新的信号模式，在一台机器上学习到的故障签名会“接种”该机器，从而不会再次出现相同情况，另外将学习到的签名转移到类似的机器上，以防止它们受到相同的降级条件的影响。

能源公司因潜水电泵的重复故障而损失高达七百万元的维修费用

并损失了收入，先进的机器学习应用程序了解了十八个泵的行为，该软件检测到一个泵的早期机壳泄漏导致环境事故，将故障标志施加到其余泵上，可提供预警，并允许及早采取措施避免再次发生事故；从而解决了一个主要问题。

开展业务的领先铁路货运公司使用机器学习解决了多年生的机车发动机故障

造成数百万的维修，罚款和收入损失，机器学习应用程序实时在线运行，并部署在非常庞大的机车队中，检查机油数据以非常早期地指示发动机故障，在发动机通过低压测试时，该应用程序甚至检测到了劣化特征，将机车转移到立即服务的状态“为公司节省了数百万美元的昂贵停机时间和罚款。”

现在是时候实施机器学习软件了

公司不能再仅依靠传统的维护实践，而必须在部署数据驱动的解决方案时纳入运营行为。如今，当务之急是从现有资产中提取更多价值，并实施先进的机器学习计划以实现快速改进。有了正确的软件解决方案，预测技术将检测限制资产有效性的条件，同时提供说明性指导，以确保公司保持盈利并提高利润率。