據(jù)外媒報(bào)道，隨著認(rèn)知學(xué)習(xí)(cognitive learning)的技術(shù)發(fā)展，物聯(lián)網(wǎng)傳感器在產(chǎn)品線應(yīng)用的增多，制造工廠已進(jìn)入了新的預(yù)見性維護(hù)階段。

　　AI驅(qū)動(dòng)型平臺(tái)采用感知技術(shù)后，不僅能利用過去的失敗案例進(jìn)行自學(xué)，還能通過學(xué)習(xí)預(yù)計(jì)未來的狀況。該功能極為重要，因?yàn)樵S多召回事件的癥結(jié)在于出現(xiàn)了新的問題。

　　利用傳感器數(shù)據(jù)實(shí)現(xiàn)自學(xué)后，認(rèn)知應(yīng)用就能從微觀層面了解常規(guī)工況及環(huán)境因素對(duì)機(jī)器造成的影響了，效果遠(yuǎn)超人腦常用的宏模式(macro-patterns)。這意味著，當(dāng)在品質(zhì)檢查流程匯中未被探查到細(xì)微異常(micro-anomalies)及小變動(dòng)出現(xiàn)時(shí)，可自動(dòng)識(shí)別上述情況。于是，就能提前預(yù)知設(shè)備關(guān)?；蚬收系臅r(shí)間，并在發(fā)布產(chǎn)品召回或引起設(shè)備關(guān)停前，提前解決問題。

　　為確保該技術(shù)得到有效地利用，汽車制造商應(yīng)致力于在生產(chǎn)流程中部署多個(gè)接觸點(diǎn)。在最初的制造流程中，認(rèn)知型預(yù)見性維護(hù)可識(shí)別在線缺陷(in-line defects)，在產(chǎn)品進(jìn)入市場(chǎng)前，就能解決存在的問題。

　　認(rèn)知型預(yù)見性維護(hù)不僅能監(jiān)控車輛生產(chǎn)，還能在確保生產(chǎn)線平穩(wěn)運(yùn)行的情況下，使用生產(chǎn)線機(jī)器打造零件。在制造工廠內(nèi)配置了大量的工業(yè)級(jí)物聯(lián)網(wǎng)及傳感器后，可了解機(jī)器的運(yùn)行及健康狀況，測(cè)定精度可達(dá)分鐘級(jí)別。

　　這意味著工廠能始終采用精準(zhǔn)的數(shù)字化模擬其所有機(jī)器的運(yùn)行情況，為其機(jī)器提供工裝，查看其是否在未來某個(gè)時(shí)間段實(shí)現(xiàn)維護(hù)。認(rèn)知學(xué)習(xí)被引入制造流程后，可分析機(jī)器的健康狀態(tài)并進(jìn)行上報(bào)，從而實(shí)現(xiàn)提前維護(hù)，避免后期出現(xiàn)故障。

　　當(dāng)車輛出廠后，預(yù)見性維護(hù)依然發(fā)揮其作用。認(rèn)知型預(yù)見性維護(hù)建模可根據(jù)互聯(lián)車輛、檢修記錄、已更換零部件的測(cè)試數(shù)據(jù)等多個(gè)數(shù)據(jù)渠道進(jìn)行判定。此外，天氣條件、路況、駕駛員注意力及生物識(shí)別感應(yīng)器(biometric sensors)及社交媒體等獲得相關(guān)信息及數(shù)據(jù)。該數(shù)據(jù)可被用于識(shí)別并解決故障，避免設(shè)備關(guān)停，或快速開展維護(hù)流程并規(guī)劃零部件庫(kù)存及現(xiàn)場(chǎng)人員配置。

　　對(duì)汽車業(yè)而言，認(rèn)知型預(yù)見性維護(hù)的重要性越來越高，即使是細(xì)微的優(yōu)勢(shì)也能為車企節(jié)省數(shù)百萬美元。然而，最令人興奮的是，認(rèn)知技術(shù)在汽車制造流程中的應(yīng)用只是個(gè)開始而已。