预测性维护几乎遍布在所有人工智能（AI）应用中，并且他们首先需要学习机器学习（ML）和神经网络技能集以实现此类应用程序。根据MathWorks高级产品营销经理Aditya Baru的说法，工程师仍然可以部署预测性维护，而无需学习新的AI和ML技能。
在最近与EDN的谈话中，Baru概述了实施预测性维护的四个基本步骤，并补充说每个步骤都可以使用专用工具。
对于不是数据科学家或没有ML背景的工程师来说，查看由传感器和工业单位（如风力涡轮机，发电机，泵和电动机）生成的大量数据并不容易。工程师处理的数据主要是原始数据，这是极其复杂的。
勘探作业中的喷气发动机或油泵每天可以轻松地创建TB的数据。现在想象一下在TB的数据中寻找错误的条件。那么，工程师可以做什么？“工程师可以查看大量的数据，找出原始数据中是否有任何变化，识别任何系统降级，并确定系统异常的原因，” Baru说。
例如，在石油勘探泵中，工程师可以查看原始数据的一件事是对保持旋转的泵进行光谱分析。因此，他们可以确定出现故障的频率。“虽然工程师已经了解了机器，但是他们现在要做的就是确定最有效的机器。”
如果工程师拥有100个时间序列数据样本，则他应设法将其减少为一个数字，并且该单个数字必须捕获这100个样本中的所有相关信息。“这个想法是，您需要一个庞大的数据集，并将其简化为更少的特征。”
Baru提到了最近的一个项目，其中MathWorks与戴姆勒·梅赛德斯（Daimler Mercedes）合作开发了一个异常检测应用程序，该应用程序分析了大量的时间序列数据并确定生产线是否存在异常。在这里，MathWorks工具将大量数据缩减为较小的功能集（如模式和时间延迟），以将数据处理量减少250倍。
图3.工程师可以使用基于时间和频率的技术从原始传感器数据中提取特征并创建状态指示器。
现在，工程师正在研究数量较少的状态指标，他们可以基于这些状态指标建立预测模型。
借助较小的数据集（代表整个大型数据集并捕获独特的信息），工程师可以使用合适的工具来创建预测性学习模型，而不必学习AI和ML技能集。
各种模型（例如时间序列模型，统计模型和基于概率的模型）同样适用于构建预测模型。“有很多传统的工程技术可以用来建立预测模型，” Baru说。
图4.预测性维护工具箱使工程师能够估计剩余使用寿命（RUL）并提供与预测相关的置信区间。
工程师还可以将工具重新用于不同的应用程序。Baru提到了一家航空航天公司Safran，该公司使用信号调节技术来预测系统何时可能发生故障。该工作在MATLAB中完成，MATLAB是一种用于算法开发，数据分析，可视化和数值计算的编程环境。
第四步可能是最重要的：在生产环境中为预测模型部署算法。工程师可以通过多种方式部署算法。其中包括本地嵌入在计算机中的预测模型，作为本地服务器在本地运行的小型计算机，或在可行时将数据流传输到云服务。
通过此四步工作流实施的预测性维护使工程师能够部署维护服务，该服务可确保机器90％的时间保持正常运行。并且提供了可有效管理所有这四个基本步骤的工具。