内容
问：
机器学习如何帮助维护，修理和大修（MRO）流程？
A：
机器学习可以帮助进行预测性维护和定期维护，以及公司用来支持和保护其资产（例如车辆，设备和其他有用物品）的常规维护，修理和大修（MRO）流程。
通常，结构化的维护，维修和大修计划可从各种数据汇总和分析实践中受益。机器学习正在驱动许多针对特定MRO问题的新工具和平台，以帮助公司进行创新并提高整体维护效率。
机器学习帮助MRO的一种关键方法是建立预测准确性。
在《福布斯》上发表的文章“机器学习正在彻底改变制造业的10种方式”中，谈到了通过对零件和组件的更高的预测精度来改善维护。这个想法是，通过集成来自数据库和其他来源的数据，机器学习系统可以为公司在维护领域提供更多的商业智能。反过来，这将增加维护，维修和大修流程的能力，并促进更主动的预测性维护，以及更好的定期计划维护和运营效率–例如，制定适当的流程来执行计划维护，并拥有针对已完成工作的更强大的报告系统。
机器学习还可以应用于维护，维修和大修清单。 MRO流程依赖于支持有效维护的零件和产品清单。例如，公司将为车队保留一定数量和数量的零件，例如大量订购的制动片和制动蹄，机油滤清器或其他通常用于定期或预测性维护的物品。
谁都可以想象，处理这些库存是一件复杂的事情。库存的位置，标记方式以及何时将其应用于维护，维修和大修系统都将有所作为。机器学习过程的应用也可以增强MRO库存的处理或解决与库存相关的问题。数据丢失会在业务流程中造成麻烦。机器学习可以寻求保护数据的安全性，并为表带来更一致的分析和流程。它还可以帮助确定诸如人工成本之类的因素，或增加平均故障间隔时间的情报，或与任何其他指标，基准和指标一起使用，以简化维护，修理和大修流程并使其更好地工作。
在非常基础的基础上，机器学习方法具有某些优势-处理大量预测变量以创建更好的商业智能的优势。它的优势在于其敏捷性和处理复杂数据的能力，这些数据为从零件清单到人工管理再到长期设计和工程分析的各种维护要素提供了透明度。