资产绩效指标的数据管理和清洁、可用数据的维护对当今的制造商提出了巨大挑战。大量不规则和不准确的数据限制了工程师对数据集进行分析的可靠性。由此产生的故障和维护循环困扰着制造商，他们的数据流程不一致，而且可用于纠正历史数据的资源有限。
在大数据时代，制造商必须解决数据问题进入问题以实现高质量的资产性能分析，从而为组织节省成本。对于任何工业组织来说，最具创伤性的事件之一就是资产故障。从停止生产和代价高昂的物理损坏到对人类和环境的安全问题，资产故障的影响仍然是工业公司面临的首要风险。
幸运的是，制造商现在拥有更先进的软件和计算能力ps，准确计算故障率可以通过称为认知分析的机器学习技术来实现。这种方法对工作订单描述使用自然语言处理，以更智能地识别不良行为者、确定资产故障并提高可靠性。
维护和可靠性专业人员协会 (SMRP ) 将故障定义为“资产无法执行其所需功能”的情况。尽管有这个明确的定义，但许多工程师和操作员在事件发生时犹豫是否将资产标记为故障，这导致许多真正的故障在维护数据集中被错误描述。如果制造商无法正确跟踪故障并确定资产的准确平均故障间隔时间 (MTBF)，资产性能和组织的底线就会受到影响。
一个可靠性团队试图确定他们的资产发生故障的频率并确定优先级列表，但他们遇到了这样一种情况，他们意识到他们的计算机化维护管理系统中的故障指示器字段很少被填充，并且很难确定资产是否真的发生故障。结果，使用原始数据计算出的 MTBF 为 16,000 个月。
在调查工单后，团队发现了几个本应标记为失败的工单到 SMRP 定义，但标记不正确。工单描述清楚地概述了问题以及资产失败的原因，包括“由于密封故障需要重建泵”。此工单应已正确标记以指示资产故障并计入 MTBF 指标。
认知分析技术构建模型，然后应用输入数据训练对新数据进行预测。 MTBF 为 16,000 个月的公司将认知分析应用于它的数据和 MTBF 被重新计算为只有 14 个月。一些错误标记的工单得到纠正，工程师验证了该分类数据的准确性。
认知分析包括用于从文本字段中识别可维护项目和故障机制的算法.为了确定资产是否失败，机器学习分类模型使用有关事件的文本信息作为输入数据，并返回关于该事件是否失败的预测和分数。用户从缺少或“未知”字段到对详细数据进行分析以获得有助于组织提高资产性能的洞察力。
不完整和不准确的故障数据可以使用认知分析技术和可靠性实践有效解决。干净的数据可以提供对机器健康状况的重要洞察，并有助于预测机械故障。借助认知分析，组织可以更有效地减少故障风险和计划外维护成本并提高卓越运营。先进的数据科学比以往任何时候都更能帮助工业运营设施采用主动维护技术，以确保合规性、提高安全性并最终节省大量资金。
