工厂和设备中部署了大量的传感器用於记录数据。如果分析得当这些数据会在改进制造工艺及确保生产质量等方面产生巨大的价值。为此，魏德米勒工业分析部门与客户密切合作，开发所需的数据分析模型。我们从工厂和设备中提取各类数据集合，比如温度、压力、能耗和振动，称之为特徵，并使用人工智能对其评估。之前的项目经验表明，大多数工厂和设备已经记录了全部重要数据，不必新增传感器。

异常检测和分类

异常分类的工作，是将已识别的数据偏差按重要程度进行分类，重要异常往往是导致设备故障的原因。有了这些信息的辅助，设备操作者可以更快地处理问题，甚至可以识别潜在故障。这样的快速诊断方式可以减少停机时间、降低成本并优化产能。

“特徵”工程识别复杂模式

“特徵”工程是开发可靠人工智能模型的重要技术，该方法从测量数据中找出复杂的统计相关性。例如，为了找出这样的统计相关，可以用相关系数表示在一段时间内两个或多个“特徵”的关联变化。数据科学家会根据设备的历史数据来开发新的“特徵”。

与仅使用原始数据相比，这样做可以更可靠地识别异常情形。例如，通过振动测量或频率转换获得的高频信号，可以基於数学模型分解到相应的不同频段上。人工智能模型从设备的正常行为中学习信号的频段特性，相比於仅使用未分解的原始信号，可更好地预测故障可能性。

数据集合必须根据具体的机器或工艺加以解释和评估，因此“特徵”工程需要全面的应用知识。无论是数据科学家的专业知识，还是机械工程师或机器操作人员的应用知识，对於找出实际解决方案至关重要。只有应用专家才能评估一个数据异常是否代表了机器故障，在应用专家的帮助下，数据科学家才能建立准确识别正常运行和异常的算法。

目前，人工智能模型已经应用於许多领域，例如包装机、填充技术、材料处理以及机器人技术。魏德米勒基於这些数据模型向用户提供适合的定制化软件，帮助用户持续监测设备运行情况、做出预测，并将数据和分析结果可视化呈现。 UI专家设计定制的用户界面，以便每个用户都能获得与其应用领域相匹配的解决方案。

对於设备历史数据中未包括的异常或故障，人工智能模型在运行之初是无法描述和预测的。因此，用户可以通过更新学习数据、扩展软件模块来不断完善工业分析模块。当然，魏德米勒数据科学家会按用户所需提供支持帮助。

数据和分析结果的可视化使我们更容易掌握机器的当前状态。为此，我们可以查看并标记各个时间范围应包含在未来数据评估中的信息。用户还可以查看这些区域，辨明是否存在异常。通过这种方式，该模型能继续学习并且可以更精确地对未来状态进行分类。