長久以來，工廠管理人員發(fā)展出許多分析模型與經驗法則來預測機器設備的故障，降低維護成本，并且提高工廠的生產效率；不過隨著近年來人工智能的快速演進，未來在執(zhí)行機器設備的預測性維護工作上，套用機器學習演算技術將更能夠達到事半功倍的效果。在傳統(tǒng)業(yè)界實務上，象是M2M Data與Senseye這些公司主要是透過由客戶設備端所收集到的數據來開發(fā)出物理分析模型，這些數據包含了象是壓力、馬達轉速、聲音與溫度等各種型態(tài)的參數，在分析模型中，以上的參數若是偏離了正常數值，都是在向管理人員發(fā)出機器設備可能出現(xiàn)異常的訊息。

展望未來，包括Otosense、3DSignals、Predikto與Mtell在內的幾間新創(chuàng)公司，運用機器學習算法在上述數據中尋找特定模式，并且將這些模式與機器設備的異常狀況加以連結，雖然這些算法可能并非建立在任何機器運行的實際模型上，但還是能夠在機器運行時，偵測到那些偏離可接受基準的異常數值。機器學習算法的優(yōu)點，在于只要使用單一的參數，便可以在單一設備中推導出多種不同的運行模式，就如同天文學家利用機器學習技術，在同一個宇宙空間中分離出不同來源的光線數據，藉此判斷發(fā)光體究竟是屬于星系、類星體、行星或著是星系群。

上述天文學家的作法便同樣可以應用在機器設備的預測性維護工作上，只是不像天文學家使用的是光線數據，工廠管理人員則是透過在機器設備上裝設的聲音傳感器來收集聲音數據，之后再運用機器學習算法在現(xiàn)場不同的聲音來源之間進行區(qū)分。目前的機器學習算法大致上可區(qū)分為兩種類別，一種是有現(xiàn)場人員針對分析數據以人工方式加以批注的監(jiān)控模式，但這種方式的限制在于，它的運行必須依賴用來訓練計算機學習的批注數據的可用數量，并且由于這套模型必須適度加以微調，以便遷就那些可用的機器數據，這也使得系統(tǒng)的準確度容易出現(xiàn)不穩(wěn)定的現(xiàn)象。

至于另一種不需要人工批注數據的非監(jiān)控模式，相較于監(jiān)控模式則更象是讓計算機在黑暗中進行摸索，雖然此種方式并不能明確說明或是了解機器設備發(fā)生怎樣的異常狀況，但卻可以針對任何異常數據向管理人員發(fā)出警訊。