近幾年工業(yè)部門已逐漸意識到數(shù)碼化的價值，并投入了更多的發(fā)展資金。隨之而來的，便是反應式(reactive)維護至預測性(proactive)維護的模式轉移。在引進機器學習技術后，預測性維修的效率還可獲得進一步提升。

報導指出，工業(yè)物聯(lián)網(IIoT)最大的賣點，便在于資料分析所產生的洞見，有助于提升設備的性能與生產效率，增加企業(yè)收益。預測性維護除了能將設備意外停機的時間最小化，也能大幅縮短預定的停機時間，在不增加額外資金支出的情況下，提升整體生產力。

工廠在引進工業(yè)物聯(lián)網后，設備維修的依據不再是機器的預期使用年限，工程師也不是只有在設備發(fā)生狀況后才能做出反應，而是能根據機器的現(xiàn)況，事先判斷維修的時機。

龐大的資料量以及后續(xù)的分析工作，是達成預測性維護所會遇到的最大挑戰(zhàn)。由于要考慮的層面除了感測資料、機器健康訊號外，還有過往維修紀錄、機器作業(yè)歷史、外在條件等，因此光憑一般人力不可能有效率的完成這項復雜的工作。

經過訓練的機器學習算法，能夠辨識資料內的相關因素，并藉此標示出問題與造成問題的根本原因，便可在此時派上用場。例如，GE Digital的Predix平臺與資產績效管理(APM)套件，能透過機器學習算法對設備狀態(tài)進行分析，讓工廠人員清楚何時適合進行維修，以及之所以要維修的原因。

機器學習算法還能參考歷史資料，歸納某一問題發(fā)生的頻率，辨識出問題發(fā)生前的各種征兆。如果能將算法與管理系統(tǒng)集成，便能在機器需要維修時，通知工程人員。

機器學習使得維修資料分析過程更加自動化。事實上，已有一些工業(yè)應用可讓算法直接對機器進行重新配置。隨著算法學到越多，效率提升也將越明顯。

英國數(shù)學家Clive Humby曾在2006年時宣稱，資料是新一代的石油。不論是食品加工廠或是汽車制造廠，生產流程的各項資料將成為提升效率與效益的關鍵。