HPEC + AI = 可預測維護作業 ROI
姑且不論可預測維護作業這類技術的精密與創新，它們的核心其實是節省成本的解決方案。
Hexagon Technology Inc. 是專精於自動化系統、安全儀表裝置與機器學習的技術服務公司，而 Peter Darveau 是該公司的工程設計部門主管兼首席工程師。他認同，可預測維護作業的第一個目標，就是分析機器一段時間的行為模式，以防止系統故障並且將效能最佳化。終極目標當然是締造更敏捷、競爭力更強且高獲利的作業。
Darveau 表示：「如果你的工廠設備價值 500 萬美元，而你採取的是典型的作法，也就是以 5% 的利息融資其 80% 的金額，而且你剛讓機器的壽命延長了一年，形同是省了 200,000 美元。」「如果你可以直接多獲得一年，這樣的投資回收率稱得上誘人。利息馬上就入袋了。」
然而，利息不保證操作簡易。
特徵工程：邁向操作性 AI 之路
將預測設備故障的過程自動化，並且推薦預防故障的行動，AI 是不可或缺的一環。若要讓 AI 發揮效益，人類必須伸出援手。
工程師必須產生資料集，而且資料得包含設備的「正常」情況與「故障」情況，AI 演算法才能識別異常情況。何謂正常及何謂故障是先從振動或聲學這類的類比訊號所擷取出來，然後再透過稱為特徵工程的程序相應地分類。然而，這個手動程序需要大量訊號處理專業知識，才能從目標機器適當擷取、評估及分類訊號資料。
特徵工程的複雜度，說明了可預測維護作業策略部署之所以曠日費時的原因。
Hexagon Technology 協助各公司為大規模工業設備實作資產監控解決方案，例如處理好幾噸原物料碎片的鋼銑削機器。每當大量材料移動，機器的基座便隨之振動，而基座的設計正是為了承受巨大的重量。Hexagon 開發出所謂的預測與可用性監測（P&AM）系統，會持續分析這些架構，維持完整性。
Darveau 表示：「過去我們進行振動分析時，光是為了獲得有幫助的資料集就必須大費周章。」「如果想分析嘈雜的訊號，就必須完成大量計算。你必須執行快速傅利葉轉換（FFT）這個將時間函數轉換為頻率函數的方法，才能篩選出噪音，接著則必須訓練資料。」
多虧了高效能嵌入式運算（HPEC）的進展，如今 Hexagon 得以略過大半的特徵工程程序。具體而言，該公司使用了 Intel® Xeon® 處理器、Intel® Movidius™ VPU，以及建置於 Intel® OpenVINO™ 工具組的推論引擎，在串流波形尋找模式，而非從複雜的類比訊號擷取特徵。
Darveau 表示：「由於目前使用 Intel1® 處理器的效能更高，因此我們能進行視訊的推論。」「我可以切割視訊畫面這件事意味著，我再也不必取得原始資料，也無須檢視非常特定的區域，而是輕輕鬆鬆檢視一段時間的模式，然後將它與模擬的資料加以比對。接著，讓推論引擎完成工作即可。」
生氣十足的 AI 與 ML 模型設計
Hexagon 的 P&AM 解決方案就技術而言是可運作的原型，而且已經在上述這類工廠以操作方式部署了兩年之久。那段期間，Hexagon 的視訊分析效能提升超過兩倍，從 30 增加為 60 FPS（或是肉眼可見的速度）再到 140 FPS。系統準確偵測已觀察到之特徵的能力也提高到了 95%。
儘管如此，Darveau 知道他的系統必須達到約 99.999% 的準確度，才能用於廣泛的商業部署。
「由於這個環境活力十足，而且任何 AI 或機器學習類的模型正是如此，因此模型是有生命的東西。改良系統是我們的工作。」他說明。「而且這將是難度最高的最後關頭。我們預期將會更新這個模型好幾次，直到我們覺得它效率夠高為止。」
打從一開始就知道他們的 P&AM 解決方案會是具有生命力的設計，OpenVINO 於是成了輕而易舉的選擇。它的最佳化功能不僅能儘量提升現今處理器的執行效能，其跨 CPU、GPU、FPGA 與加速器的可攜性也意味著，它可以將舊式的工作負載擴充至次世代處理器。這樣一來，工程師可以不受處理器限制更新模型，而且知道永遠都會有一款高效執行他們 AI 的硬體平台。
AI、可預測維護作業，以及邁向 ROI 之路
可預測維護的最後一項條件，就是有人負責引領有生命力的 AI 模型。理想的情況下，這是系統安裝所在之技術員工的一員。然而，目前許多公司不太可能存在這種角色。
這樣一來，Intel® DevCloud 這類工具會先為測試模型提供沙箱，然後才部署於可運作的硬體，是一款寶貴的平台。若是打算自行支援 P&AM 系統的組織，不妨使用 DevCloud 實驗分析與診斷功能，或是瞭解 AI 將如何與舊式裝置整合。
若結合 DevCloud 這類開發平台與 OpenVINO 最佳化的部署硬體，自動化公司終於可以實作可用的可預測維護作業系統。這樣一來，他們的 ROI 之路將會更加順暢無礙。