随着物联网技术的快速发展，在各个行业中产生了不同的结果。物联网进入了工业领域，被叫作工业物联网（IIoT），它正在给传统自动化设备带来全新的变革，同时也为设备厂商创造更多的增值机会。
作为物联网的一个子集，工业物联网为运营技术（包括远程管理和运营分析）增加了新的功能。到目前为止，工业物联网最大的价值在于预测性维护，新型物联网设备收集了大量的生产数据，再通过机器学习和人工智能分析，从而让管理者更好地理解生产系统是如何工作和维护的。
预测性维护是提前维护的最佳办法，当分析到工业设备的组件可能出现故障时，设备管理者就可以预先维护，以便在进行维修之前可以对其进行更换或修理，从而避免更高成本的损坏和停机时间。预测性维护融合大数据、机器学习等多项技术，为人与机器互动交流提供了机会。
预测性维护的关键是什么？
要预测出一套设备的可能性故障，除了从设备数据中整理出关键的指标，还要结合更多的历史事件进行分析，最终形成一个与设备对应预测性维护模型。预测性维护的复杂性在于这套基于机器学习的生产系统模型必需随着时间而改变。
以火车的维护为例，随着火车零件的老化，它们对压力的反应与新的时候不同。因此，维护计划应该随着时间的推移进行调整，以考虑不断变化的故障率，这些时间表可以使用机器学习输出新的模型。
设备在全生命周期的不同阶段有着不同的表现，设备故障有一个“浴缸曲线”的说法，把设备寿命划分为三个主要阶段：早期故障率阶段、稳定状态阶段和损耗阶段。通常机器在使用寿命开始时，会经常出现故障。但随着时间的推移会进入稳定期，维护过程会逐渐消失，故障更为罕见。而到了后期机器故障会率会飙升，最终报废。
浴缸曲线
因此，机器学习需识别出设备处于哪个生命阶段，并不断调整预测模型，如日立开发的Lumeda的平台，引入了数据科学家，可以用来更精确地调整机器学习模型，在模型投入生产后能够监控机器学习模型的准确性。该平台会创建集中的数据库供数据科学家进行实验，测试不同模型时公司可以改变它的输入，并更准确地预测生产线将会发生什么。
