6GK5812-1AA00-2AA2
市面上已有的预测性维护方案，大部分是在云计算或者雾计算层面的，而随着边缘算力的提升，以及工业人工智能的发展，在边缘侧完成预测性维护变得经济上更加可行。
已有公司研发出了***新一代的边缘控制器，搭载工业人工智能算法，满足用户对于预测性维护的需求。
这类边缘控制器中往往搭载的是“弱人工智能”，并将人工智能与控制过程进行实时集成，用于诊断和预测设备异常。
简单的说，“强”AI是指AI系统具有接近人类甚至超越人类的智能；“弱”AI则专注于解决基于数学和计算机科学方法的具体应用问题，由此开发的系统能够自我优化。弱AI更适合于解决工业领域的实际问题。
6GK5812-1AA00-2AA2
在异常检测的算法上，现已上市的这款边缘控制器是使用“孤立森林”（Isolation Forest）机器学习引擎开发的。
该算法对内存要求很低，且处理速度很快，其时间复杂度也是线性的，非常适合高速实时处理，可以通过微调提高检测精度和准确性。同时，该算法还适用于多模态数据，可用于需要两种或多种操作模式的高度混合的产线。
基于这套算法，边缘控制器采集和记录目标对象的数据，并基于预设的应用模型，分析设备行为的历史趋势，预测机器可能出现的异常状况，提示和指导用户在适当的时间对机电系统采取合理有效的诊断和维保措施，甚至JIT（Just-in-time）准时维护。
目前，该边缘控制器的预测性维护能力主要是面向气缸、滚珠丝杠和传送带、同步轮...等机械传动部件。
可以预判，这样的设备预防性维护方案，其性能表现将很大程度上取决于两个关键要素：
1. 数据采集：帮助有效理解机器行为；
2. 应用算法：创建和优化学习模型，并准确做出判断。
基于工业人工智能算法，边缘控制器有可能识别出程序检测不到的，或者人眼无法分辨的异常状况，从而实现对设备行为较为***准确的学习理解。
6GK5812-1AA00-2AA2