据外媒报道，随着认知学习(cognitive learning)的技术发展，物联网传感器在产品线应用的增多，制造工厂已进入了新的预见性维护阶段。

　　AI驱动型平台采用感知技术后，不仅能利用过去的失败案例进行自学，还能通过学习预计未来的状况。该功能极为重要，因为许多召回事件的症结在于出现了新的问题。

　　利用传感器数据实现自学后，认知应用就能从微观层面了解常规工况及环境因素对机器造成的影响了，效果远超人脑常用的宏模式(macro-patterns)。这意味着，当在品质检查流程汇中未被探查到细微异常(micro-anomalies)及小变动出现时，可自动识别上述情况。于是，就能提前预知设备关停或故障的时间，并在发布产品召回或引起设备关停前，提前解决问题。

　　为确保该技术得到有效地利用，汽车制造商应致力于在生产流程中部署多个接触点。在最初的制造流程中，认知型预见性维护可识别在线缺陷(in-line defects)，在产品进入市场前，就能解决存在的问题。

　　认知型预见性维护不仅能监控车辆生产，还能在确保生产线平稳运行的情况下，使用生产线机器打造零件。在制造工厂内配置了大量的工业级物联网及传感器后，可了解机器的运行及健康状况，测定精度可达分钟级别。

　　这意味着工厂能始终采用精准的数字化模拟其所有机器的运行情况，为其机器提供工装，查看其是否在未来某个时间段实现维护。认知学习被引入制造流程后，可分析机器的健康状态并进行上报，从而实现提前维护，避免后期出现故障。

　　当车辆出厂后，预见性维护依然发挥其作用。认知型预见性维护建模可根据互联车辆、检修记录、已更换零部件的测试数据等多个数据渠道进行判定。此外，天气条件、路况、驾驶员注意力及生物识别感应器(biometric sensors)及社交媒体等获得相关信息及数据。该数据可被用于识别并解决故障，避免设备关停，或快速开展维护流程并规划零部件库存及现场人员配置。

　　对汽车业而言，认知型预见性维护的重要性越来越高，即使是细微的优势也能为车企节省数百万美元。然而，最令人兴奋的是，认知技术在汽车制造流程中的应用只是个开始而已。