在去年的Ignition社区会议上，感应自动化公司的凯文·麦克卢斯基(销售工程联席总监)和凯西·阿普勒鲍姆(高级软件工程师)探索了机器学习在工业中应用的各种方式。在这次演讲中，他们深入研究了最适用于行业的机器学习类型及其背后的算法。你可以在这篇文章中阅读更多关于2018年的演讲《如何应用工业机器学习》这是基于那次演讲的。
在今年的活动中，McClusky和Applebaum再次聚集在一起，强调了过去一年里更多的机器学习能力整合到点火系统中，并展示了点火系统用户正在探索的四个机器学习的工业用例。
在Ignition中最新可用的机器学习功能使用户能够利用之前添加到Ignition 7.9.10中的Apache Math 3库点火8。Applebaum表示，添加该库提供了访问K-Means，遗传和回归算法和神经网络。“我们释放的模板现在利用这个脚本来将机器学习直接应用于点火项目，而无需转到云，”她补充道
在演示过程中，McClusky展示了如何使用软件的Vision应用程序和Perspective应用程序视图中的模板在Ignition中使用这些功能。他还强调了CSE Icon、流线创新、Andritz自动化和美国集成集团(TIGA)如何将机器学习应用于点火系统。
CSE图标是一个专注于石油和天然气行业的系统集成公司。据麦克朗斯基介绍，CSE图标通过创建模型和运行算法来解决普通石油和天然气行业问题，通过机器学习找到了成功。他说：“很难根据所有变量确定最佳操作点，”他说。但是通过使用分类（线性判别分析）和与Python的线性回归，CSE能够隔离各种测量和历史数据，他们可以用来训练机器学习算法。这些见解正在应用于诸如优化和人工升力优化和预测之类的应用中。
Applebaum指出，Python是一种通用编程语言，它被内置到Ignition中，并包含了用于机器学习应用程序的库。她补充说，点火系统中包含了新的模板，这样机器学习就可以直接在点火系统中使用Python，而不是使用一个外部系统。
精简创新(特色是“今天的数字转型现实”）在点火中使用Python进行线性回归分析。该公司正在寻求将其调查结果应用于它用于从天然气中除去有毒硫化物的化学过程。流线创新植物产生元素硫，其在需要精确控制的化学反应中除去硫化氢。McClusky指出，简化创新正在采用机器学习提供先进的控制效率，创建一个完全自调整系统，并继续增加这种高度敏感过程的运营效率。
Andritz Automation希望利用机器学习自动运行其植物。“首先，他们使用仿真软件，与点火分开，模拟植物，”麦克拉斯基说。“然后，他们用点火并将其连接到这种模拟，以培训点火机的机器学习模型，以便学习如何运行工厂。您可以模拟培训此模型的各种条件，并在模拟中看到它与模型所提出的建议表现如何。如果它经过足够好的培训，可以将模拟器移除，模型然后直接连接到工厂以运行它。
McClusky指出，对于这些应用程序，Andritz正在使用Markov决策问题和决策树，通过Python和Tensorflow，一个用于机器学习的开源符号数学库。“马尔可夫决策问题是一种强化学习的形式，结合探索和剥削来最大限度地提高累积奖励，避免选择最终导致不良结果的短期奖励的陷阱，”Applebaum解释说。
像CSE图标一样，TIGA是一个专注于在石油和天然气行业中使用机器学习来解决核心运营问题的系统集成公司。问题的类型Tiga目标包括坦克泄漏检测，曲线分析（就如何产生较少且越来越少的时间），管道腐蚀预测和地质特征识别，以提高探索结果。McClusky表示，TIGA正在使用地质数据，以及过去的性能数据，在机器学习分类应用中（如K-Colless邻居，物流回归和随机森林回归），以确定基于地质组成的新领域 - 最有可能提供探索钻井的积极成果。
尽管从终端用户的角度来看，机器学习的应用在今天仍然具有挑战性，但过去一年在Ignition上取得的进展清楚地表明，机器学习不再只是数据科学家的工具。它正迅速向制造工程师更普遍的用途发展。
