资产绩效管理(APM)正在快速发展。包括云计算和机器学习在内的技术正与自动化方法直接集成到APM解决方案中，将先进的分析技术以以前无法想象的规模交到运营商和工程师手中
低接触机器学习是扩大APM潜力的催化剂。APM中机器学习的广泛集成标志着从估计工程和统计模型到测量实际资产行为模式的转变。制造工厂的员工现在可以很容易地从现有的设计和操作数据中提取价值，以更好地管理和优化资产性能。这种低接触的机器学习方法包括资产行为的变化，并支持实时APM价值创造。
实现新的APM愿景的基础已经存在，但直到21世纪后期，APM软件还不能传达准确、可靠或及时的诊断或明确的建议。然而，就在那时，我们开始看到多种并行技术创新合并为最先进的APM方法。
一流的系统现在可以结合正常和故障行为的精确模式的检测，并执行退化的关键指标的计算隔离。尤其重要的是，2006年亚马逊首次推出了可扩展云计算的Web服务。在此期间，在企业一级测试和改进了结构化和非结构化数据库和业务数据池方面的进展。
与此同时，智能传感器在性能、尺寸、可靠性和价格上都发生了变化。除此之外，机器学习的计算和分析能力也有了巨大的提高，被称为“深度信念网络”或“深度学习”。其结果是在能力上的巨大飞跃，使机器学习成为全球所有IT领域的主导分析方法。
在2007年至2010年期间，流程工业的劳动力从工业物联网(IIoT)的实验转向了对智能设备和消费风格应用程序的需求。工业软件和技术开始更新包含低触摸、易于导航的应用程序和显示的用户界面。与此同时，跨行业的举措导致了用于连接不同系统和工作流程互操作的开放标准的开发。
在此期间，从故障修复到以可靠性为中心的维护技术也提供了增量改进。然而，成本、复杂性、时间和人员配备技能要求限制了部署。
今天，越来越多的人认识到，仅靠维护无法解决意外的资产故障问题。市场领先的公司明白，他们已经尽可能地使用传统的预防性维护技术。预测性维护代表了下一个前沿。
制造业中的数据密集型和复杂环境是部署可靠性管理新进展的主要候选者。通过适当的自动化进行一致部署，机器学习能够提供更大的灵活性和灵活性，以结合来自流程传感器以及机械和流程事件的当前、历史和预测条件。系统变得自动化和敏捷，出现了学习和适应真实数据条件的灵活模型，并融合了真实资产行为的所有细微差别。
数据容量和计算能力如此强大，以至于内部员工现在可以对单个流程和机械资产进行主动和准确的管理。这种管理能力现在可以应用于资产的组合——工厂范围、系统范围或跨多个地点。
APM功能的转变在一个重要时刻到来。制造商正面临着经济压力，而微薄的运营利润正迫使流程行业高管指望APM来获得额外的投资回报。低接触机器学习APM已经准备好实现这一价值。
考虑到这一点，这里有五个机器学习最佳实践，它们推动了最先进的可靠性管理，适用于任何行业、任何级别的任何资产，从单一地点到全国范围的系统。
在过去的二十年中，从传感器收集的植物数据的各种来源进行大规模数据分析的每一次尝试都遇到了关于收集、及时性、验证、清理、规范化、同步和结构问题的严重问题。通常，这样的数据准备会消耗50-80%的时间来执行和重复数据挖掘和分析。
然而，这一过程对于确保适当和准确的数据，使最终用户能够信任随后的分析结果至关重要。APM的新进展已经自动化了大量的数据准备过程，以确保信任，并以最小的用户准备来揭示以前未发现的机会。
一旦数据是可信的，就可以应用基于状态的监测(CBM)。根据资产的机械性能、原料质量的变化、天气条件和生产时间表以及需求的变化，工厂条件不断变化。静态模型在这种压力下无法工作。此外，将CBM集中在机械设备行为上，只能揭示导致退化和故障的真正问题的一小部分领先的组织认识到，遗留的CBM现在是不够的，因为它通常忽略了导致大部分故障的突出过程诱发条件。APM的最新进展可以全面监测所有可能导致故障的机械和上下游工艺条件。
工作的历史提供了过去失败预防和/或补救的解决方案的面包屑痕迹。问题识别、编码和解决问题的标准方法为资产生命周期中的准确故障点提供了重要的基线。
OEM数据可能存在于大数据解决方案中，可以深入了解工艺问题和工厂流程中特定于配置和工程的异常值。有远见的组织了解这些数据的重要性，以及它如何有助于超准确预测最终导致资产失效的生产退化。
干净的数据和CBM实现了就地预测分析:一个解释过去行为的过程，并基于该分析预测未来的结果。相比之下，使用工程和统计模型来估计传感器的未来读数，并解释与实际读数的差异，是一种充满错误和假阳性的技术。顶尖的执行者使用内联、实时分析工艺设备和机器的正常和故障行为模式。
如果执行正确，预测分析可以准确地描绘资产生命周期和资产可靠性，并专注于退化的早期根本原因。可用的洞察力提供了准确、关键的交货时间。这为消除损坏和维护提供了时间，或者至少为减少修复时间和减轻后果提供了准备时间。
一流的APM基于根本原因分析提供规范性建议，并提供有关主动避免导致损坏的工艺条件的方法的信息，和/或就所需的精确维护提供建议。因此，预测性和规定性功能提高了资产生命周期的可靠性，有助于在主动避免资产和产量风险的同时，决定何时以及如何实现产量最大化。
当组织实施策略以尽早发现根本原因时，运营完整性将得到改善
下一个级别的分析允许共享池或车队中某个资产上发现的模式，从而为所有设备提供相同的安全和停机保护。一旦部署，公司可以迅速将解决方案从一个单元扩展到多个站点。从所有本地系统中，不同站点的信息汇总到一个更大的模型中，提供跨站点和工厂的资产性能比较，创建公共基线，突出需要改进的领域。
制造业已经发生了变化。现在，可以改进以前的维护实践，以识别影响资产退化的所有问题。当组织实施策略以尽早发现根本原因时，运营完整性将得到改善，为良好的决策提供更长的前置时间，以避免意外停机。对于每个流程工业组织来说，低接触机器学习APM今天已经准备好消除资产的灾难性故障，提高可靠性，提高净产品产量并提高盈利能力。
