传感器数据在确保工业操作的操作安全性和效率方面起着至关重要的作用。传感器广泛应用于工业环境中，以测量温度，压力，流量，振动等参数。来自这些传感器的数据为操作员提供了一个重要的窗口，可以了解设施资产的物理状态。
物联网和自动化的发展正在推动传感器的更广泛采用。Global Market Insights的最新报告预测，到2026年，工业传感器市场将增长7%，出货量将达到30亿个：
| “在包括石油和天然气，制造，能源和电力以及医疗保健在内的各个工业垂直领域对传感器的需求不断增长，将推动工业传感器行业的需求。例如，为提高智能电网的效率而在电力部门中越来越多地采用传感器将为市场增长增加优势。” |
但是，这种更广泛的采用带来了自己的挑战。随着传感器数量的增加，实时监视传入数据的任务变得更加复杂，更容易出现人为错误。此外，由于传感器故障(例如校准错误，测量漂移，堵塞/结垢等)而引起的细微数据异常，在发生事故之前通常不会被人眼注意到。即使在这些事件不会带来直接风险的情况下，它们也会显着降低输入数据的质量，这可能会使资产状态的长期状况发生变化。反过来，这种不良的数据质量会严重破坏数据分析和预测性维护工作。
有公司开始了解利用机器学习以可扩展的方式解决此问题。ML已被用于其他环境中，例如医疗诊断和欺诈预防，以比人类能够更高的准确性来检测大型数据集中的异常模式。因此，也可以使用类似的方法来减轻手动分析的负担，并减少工业应用中人为错误的范围。
在过去的几年中，已经有通过这种方法的应用取得了巨大的增长，特别是在欧洲和中东，通过在油气，发电和化工领域的试点和全面安装，该方法得到了广泛的应用。
机器学习将在解决工业传感器的实时监控和长期降低数据质量方面发挥越来越重要的作用。种种迹象表明，未来这种方法将被广泛采用，我们期待着成为这一增长的重要部分。
