人工智能（AI）有望实现真正的工业设备预测性维护。
我去年写的一个例子是Cosen Saws的基于云的预测维护应用程序，该应用程序不仅可以监控公司数控锯刀片的寿命，而且可以在故障发生之前预测刀片故障。 一个类似的例子是Mazak的基于AI的主轴健康监测系统（SHMS），它目前是其HCN卧式加工中心（HMC）的一个选项。
这两个系统都是与辛辛那提大学的工业AI中心（以前称为智能维护系统中心）共同开发的。
现在，工业AI中心由辛辛那提大学（UC），密歇根大学和密苏里科技大学组成。自2001年以来，该中心与100多个国际组织合作开展了100多个项目，包括丰田，波音，博世，卡特彼勒，通用电气航空，固特异，哈雷戴维森和西门子。其目标是消除工业设备意外故障的风险。
Mazak的SHMS旨在使车间能够在主轴或主轴轴承损坏发生之前很长时间内采取主轴维护措施，从而最大限度地减少停机时间并使任何维护任务更加方便。 Mazak的流程开发协调员Joe Sanders表示，公司基于AI的系统与其他主轴监控技术之间的关键区别在于SHMS不是基于阈值数据。这将是当检测到特定的主轴振动频率时将发送警报的情况，该特定的主轴振动频率将表明已经或很快将发生损坏。相反，他说SHMS可以在发生前几个月发现问题，提供时间安排主轴维修或在最方便的时候进行更换。
在历时一年的大泛围主轴破坏性测试得出的数据基础上，SHMS的AI建立了其主轴神经网络自组织图。主轴特定的特征可以区分良好振动与不良振动之间的差异。算法预测了主轴在一段时间内显示剩余使用寿命时如何随着时间的推移而降级（除非发生崩溃）。 “这不同于估计主轴寿命的时间表，因为我们不知道机器是否会用于轻型工作，起伏切割，24*7操作或任何其他可能的情况，”桑德斯先生解释说。
SHMS的主要组件包括振动和电流传感器，数据采集模块和处理SHMS算法的工业计算机。安装后，一小时的建模测试会映射特定主轴的操作特征。之后，用户可以执行定期的60秒测试，将数据与主轴模型进行比较。当周期时间足够长时，桑德斯先生建议在每个部件完成后进行测试。然而，他指出，对于周期时间相对较短的零件来说，这可能不是必需的。
SHMS可作为配备该公司Smooth CNC的Mazak HCN机器的选件，也可作为Matrix CNC机器的改造。 （系统的图形用户界面目前正在改进中。）
该公司很快计划提供滚珠丝杠预测监测作为SHMS选项的一部分。事实上，工业人工智能中心已经收集数据，为滚珠丝杠开发预测磨损算法已有一段时间了。下一个目标是创建一种有效的SHMS技术，该技术将持续监控主轴健康状况并消除60秒测试的需要。桑德斯说，这种主动系统还能够检测刀具磨损并自动减少切削参数，以防止破损。
SHMS将于去年9月在国际制造技术展（IMTS）上展出，将于10月在其位于肯塔基州佛罗伦萨的总部举办的Discover活动中正式推出。
