在制造中，生产线中的缺陷检测过程变得越来越智能。深度神经网络集成使计算机系统可以识别诸如刮擦，裂纹，泄漏等表面缺陷。　　通过应用图像分类，对象检测和实例分割算法，数据科学家可以训练视觉检查系统来来进行给定任务的缺陷检测。结合了高光学分辨率相机和GPU，深度学习驱动的检测系统将比传统机器视觉具有更好的感知能力。　　例如，可口可乐构建了基于AI的视觉检查应用程序。该应用程序诊断设施系统并检测问题，然后把检测到的问题通知给技术专家，助力专家采取进一步的措施。与其在发生故障时进行修复或安排设备检查，不如在发生问题之前进行预测。　　通过利用时间序列数据，机器学习算法可以微调预测性维护系统以分析故障模式并预测可能的问题。——当传感器跟踪诸如湿度，温度或密度之类的参数时，这些数据将通过机器学习算法进行收集和处理。　　根据预测目标，如故障之前的剩余时间，获取故障概率或异常等，有几种机器学习模型可以预测设备故障：　　①、预测剩余使用寿命(RUL)的回归模型。通过利用历史数据和静态数据，此方法可以预测故障之前还有多少天。　　②、用于在预定时间段内预测故障的分类模型。为了定义机器将要失效的时间，我们可以开发