【数据分析】Altair 物联网应用系列之：机器学习及实时监控应用于智能工厂流程化生产

随着互联设备越来越广泛、可采集的数据体量越来越大以及机器学习和人工智能技术的进步，机器学习与物联网的结合在改善工业运营、智能制造方面呈现出越来越大的应用潜力。

虽然终端设备采集数据能力的不断发展，但大多数工厂对于数据分析的应用却没有与时俱进。如何分析这些数据、挖掘出数据中的洞察，并根据所揭示的信息做出决策，这些都是优化工厂流程、带来经济效益的关键。其中，数据分析又以“实时”监控数据最难实现。

以工业自动化生产中的设备故障预测和产品质量评估为例。这是一个旨在预测机器部件故障并触发预防性维护的程序。它可以防止意外事件造成的损害，并帮助机构计划运营以及停机维护时间。同时，根据生产产品时自动生成的各类数据来判断产品质量的优劣。那么，如何将机器学习用于工业流程实时监控？

下图介绍了利用 Altair 数据分析产品，形成一个完整的“机器学习+工业流程实时监控”的解决方案。

首先，利用前期生成的历史数据，建立机器学习模型，得到相关的策略，比如判断机器发生故障的概率，根据生产数据判断产品质量合格与否的标准。

Altair Knowledge Studio™ 作为一个专业的通用机器学习、预测分析工具，可以在完全可视化、无需编码的环境下生成机器学习模型，并把训练好的模型自动生成 Python 或其它语言的代码，然后部署到服务器或边缘设备上。

其次，利用 Altair Panopticon™ 实时流处理和可视化工具，把之前生成的机器学习模型部署进去，然后把终端设备采集的生产数据，先通过机器学习模型对数据进行分析和判断，然后根据其中部署的策略给出判断，最后在可视化端通过多种图表形式，以交互式的方式展示出来，并设置一些报警阈值。

本案例介绍了利用 Altair Knowledge Studio + Altair Panopticon 来预测和监控药品化学生产过程的质量。

上图为某企业自动化生产的实际生产流程图，由于只能使用细粉片剂来继续该流程的下一步，那么细粉片剂的质量就影响后续最终产品质量，为此，我们需要实时监控生产流程中细粉片剂的质量。