熵吮吸。但工业预测维护可以帮助它为工厂，石油钻机，飞机发动机甚至数据中心吸食一点。2020欧洲杯预赛关键是利用东西互联网（物联网）和机器学习帮助公司“准确地确定制造工厂，机器，组件或部分可能会失败，因此需要更换。”
在坚果壳中，是一个迷人的新谷歌云博客帖子背后的观点Prashant Dhingra，机器学习铅，先进的解决方案实验室，铺设“实施工业预测维护的战略。“
作为三部分系列的第一个，Dhingra解释了“预测性维护如何减少停机时间，降低维护成本，提高运营效率和安全性，通过识别即将发生在发生之前。”
熵=一切都会随着时间的推移而退化
这是一件大事，因为正如丁格拉所指出的，“机器、电池和其他机械和电子元件……随着时间和使用而退化。”从长远来看，每一件制造设备都会达到其使用寿命的终点。(在我看来，这听起来就像熵，尽管Dhingra并没有使用这个术语。)
一旦你接受熵 - 你真的没有太多选择 - 这个问题是如何处理它。不幸的是，当给定的一件设备即将放弃幽灵时，这并不容易预测。正如Dingla所指出的那样，公司已经尝试了一切，从基于时间表的维护到基于条件的维护，以确定需要修理或更换时。问题是，要最大限度地减少现场昂贵的失败，您需要依赖最坏情况的寿命估计，这通常意味着您正在更换可能继续运作的事情，这很长一段时间 - 并且浪费时间和金钱。
通过组合大数据，云计算，机器学习，边缘计算等技术，Dhingra表示，公司可以使用IoT传感器从高度仪表设备中收集多个参数，将其发送到云端，并采用机器学习申请预测分析和识别失败模式。
如果做得好，Dhingra说，结果是能够为这些问题获得更好的答案：
- 这些设备会坏吗?
- 设备的剩余寿命是多少?
- 设备行为是否有异常？
- 如何优化设备设置？（有趣的是，Dhingra引用了一个2020欧洲杯预赛数据中心案例研究说明这个例子。）
预测维护：这完全是关于数据集
那么，你怎么做到的？根据Dhingra的说法，“建立预测维护解决方案的最重要要求是具有正确的数据集。有一个显示可识别设备劣化的数据集是理想的理想选择。“他说，机械产生的温度，振动，声音和电压的IoT数据是建立预测维护模型的最有价值的。
结合所涉及设备的元数据(制造、型号、修订等)、使用历史和维护历史，可以使设备使用时间更长，减少计划外停机时间，节省资金，甚至实现新的业务模型。例如，为便于预测性维护而建造的设备将具有显著的竞争优势，并可能获得市场溢价。
这不完全颠倒熵，但它仍然听起来非常好。