使用數據收集和分析來提高公司的效率和生產力，并開發新的商業模式，這一解決方案激發了機械和工廠工程師尋找新增長和收入可能性的興趣。GEA是一家長期致力于狀態監測的供應商，隨著魏德米勒最新的自動化機器學習軟件的推出，GEA希望開發和擴展在設備方面提供的服務，在德國厄爾德啟動了相應的“試點"項目。

工業4.0：挑戰和重大機遇并存

數字技術和工業4.0給機械和工程行業的公司帶來挑戰的同時也帶來了全新的機遇：他們需要能夠根據個別產品和客戶要求調整生產設施。服務業務越來越受到關注?！伴L期以來，我們一直致力于機器狀態監測，并建立了閾值分析方法。我們也知道，在這一領域還有更多的潛力。"GEA服務產品管理高級副總裁Kerstin Altensuer解釋道，“我們希望繪制流程圖，與客戶一起優化應用程序。當然，我們也希望建立新的商業模式和應用領域，例如機器租賃或訂購。"

在算法中提供專業知識

GEA在液體分離器和傾析器制造領域擁有125年的經驗。這些產品應用于各個行業，如食品、化學和制藥工業，以及生物技術、能源工業、航運業和環境技術工業。GEA希望通過創建新業務模式或應用挖掘更多收入來源。Kerstin Altensuer說：“我們意識到，在這些項目中我們需要數據專家的專業知識和幫助。找到合適的算法專家并吸引他們加入團隊并不容易，這使得事情變得更加復雜"。

與其各自為戰，不如協作共贏

如何從合適的專家獲取專業的知識？正是在尋求解決這一問題的過程中，GEA了解到魏德米勒在工業分析領域的專業性。GEA希望重新設計其向客戶提供的服務，建立一系列智能服務。提高其設備的質量和性能，是挖掘新商業模式的基礎，這將使GEA在市場上具有競爭力。

將行業工程師的知識轉化為算法

GEA和魏德米勒開始探索如何建立該項目，以及項目追求的核心目標。魏德米勒的工業分析業務部門經理Tobias Gaukstern解釋說：“很快我們就會明白，我們首先需要通過概念論證（PoC）來驗證項目的可行性，然后才能幫助GEA獨立開發和運營ML模型。"未來通過使用自動機器學習軟件服務，GEA的專家將能夠獨立訓練機器學習算法或模型。Tobias Gaukstern解釋道：“AutoML工具使應用程序專家使用ML的過程變得更快、更容易，并且不需要任何ML領域的專家知識。"機械工程公司經常面臨這樣的問題：他們的設計、自動化以及過程專家不能很容易地將他們的知識轉化為機器學習領域的解決方案。當前僅是將這些應用程序的專業知識匯集到一起或一個軟件中都很困難，更不用說算法了。GEA電子解決方案部門經理Matthias Heinrich解釋道：“我們對這個解決方案很感興趣，因為我們有很多行業工程師，他們對機器非常熟悉，并且在一定程度上能夠解讀數據。在魏德米勒的幫助下，我們現在可以將這些知識轉化為一種算法。"為了檢驗理論觀測在GEA生產環境中的實地應用，我們在厄爾德使用歷史數據進行了概念論證（PoC），確認是否可以實現自動檢測乳品行業分離器中的異常行為。

密切合作的優勢

這個項目的成功要歸功于團隊內部的緊密合作。一方面，區域臨近是一個很大的優勢，因為項目團隊可以很容易地在短時間內開會討論個別問題。Kerstin Altensuer解釋道:“從數據學家的角度來看，魏德米勒有著非常廣泛的知識。同時，作為一家機械工程公司你會有遇知音的感覺，因為你要會見的不僅是IT專家，還是真正了解機器的工程師。"作為該項目的一部分，GEA管理數據輸入和需求分析，而魏德米勒則負責概念論證。Tobias Gaukstern解釋說:“這次分工合作是非常成功的。我們有序積極的協調，取得非常好的結果，這為試點應用和最終轉化到系列生產打下了基礎。 "

2020年的后續計劃

如今應用程序已經與現有的物聯網場景結合實施，用于GEA的狀態監測。“我們和大家一樣都在談論數字化，此外，我們更想用通過數字化創造額外價值。"Kerstin Altensuer說：“我們希望魏德米勒開發的解決方案能幫助我們邁出下一步。"在2020年計劃真正實施之前，我們還需要做一些事情，比如改善數據連接和數據質量。Kerstin Altensuer解釋道：“到目前為止，我們已經將500臺機器連接到現有的門戶，我們的目標是盡快將魏德米勒的解決方案遷移到這些機器上。"Altensuer展望未來：“我看到了新技術的巨大潛力，它可以很快應用中GEA以外的其他領域。"