MAIRS是智物联提供的数据分析服务中的在线“人工智能”服务，是智物联工业物联网数据分析服务系统 INDASS 的一个延伸服务，提供工业设备连续运行风险识别。
所谓风险识别，也就是判断在未来时间段内，发生风险的可能性，包括：设备出现故障的风险、设备出现运行稳定性问题（或者由于稳定性而导致的各种问题）的风险，以及设备出现状态突变的风险。
MAIRS实际上是一个工业数据的识别模型，就是针对工业数据的一系列的计算方法。我们就简单的把MAIRS理解为一个能对工业数据进行识别的机器人吧。
MAIRS出生的时候，虽然有大脑，但却没脑子，因为MAIRS还没知识。所以，我们要先培养它。所以，我们要对MAIRS做两件事：
第一件，就是深度学习，也就是利用现有的数据样本对模型进行训练，就是让MAIRS学习“知识”；
第二件，就是把学到的“知识”变成对设备运行的状况进行识别的服务，对未来的各种风险做出判断。
先说一下MAIRS的训练。所谓训练，就是用之前从很多设备中已经采集到的数据，做成“训练样本”，并用这个样本，不停地对这个MAIRS模型进行训练。这个训练可谓是“博采众家之长”，因为MAIRS是向所有同类的设备去学习，这样，即便是面对一台新上线的设备，也能预测出这台设备从来没出现过的情况。同时，MAIRS的学习训练是一个“活到老学到老”的过程。不间断的学习，让MAIRS的知识不断丰富，识别的准确度不断提高。
我们重点说一下MAIRS识别的事情。.
还记得INDASS吧，设备的实时数据在INDASS里面进行了指数的计算，除了指数的水平，在MAIRS里面还对指数做了三维梯度计算。也就是说，我们除了要了解当前指数的水平，还需要知道这个指数是怎么变化过来的。就像股票指数一样，虽然都是3000点，但是，从3500点掉下来的，还是从2500点涨上去的，含义完全不一样。除了指数和指数梯度以外，剩下的就是设备的特征值了，什么温度压力电流电压之类的。
首先要明白一点，MAIRS的数据来源是INDASS，也就是智物联的数据分析（计算）服务。那么，MAIRS判断出什么结果呢？
我们看到的是，我们的识别分成了几个部分：
（1）综合评估。前面是计算出来的数字，是一个组合数值，代表一系列可能发生的情况；后面是标识，比如，N，OQ，OA，OF等等，分别代表可能出现的情况：
• N 代表Normal，就是一切正常；
• OQ 代表 Over Quota，代表可能出现数据超出正常范围；
• OE 代表 On Event，意思是可能出现了某些意外事件；
• OF 代表 On Fault，意思是可能已经出现了某些故障；
• OA 代表 On Alert，意思是可能出现了某些报警。
（2）在4个预测区间（10、30、60、和90分钟）出现故障、稳定性和突变风险的概率（0.00 ~ 1.00，也就是 0% ~ 100%）。这里要说明是，这个预测是基于“连续运行”的预测，也就是说设备中途不会出现启停的情况。
MAIRS模型是专门为工业设备运行识别而设计的，与其他AI（人工智能）应用是有区别的，并不是简单地去“学习一万张猫的照片，然后去识别一只猫” 这么简单。首先，MAIRS是一个动态识别模型，道理很简单，因为仅仅根据当前的设备参数，温度压力，电流电压频率什么的，不仅不能判断未来会怎么样，就算是当前是什么状态其实都很难判断。
这就是为什么，我们除了需要去识别指数的水平，还需要识别指数变化的梯度。指数变化梯度实际上是一个数学概念，意思是指数变化的方向和变化的程度。换句话说，MAIRS识别的依据不仅仅是指数的水平，而且还有指数的变化。
我们举个例子就明白了：假设我们根据当前上证指数，去判断股市形势。其实，我们从当前3000点，并不能得知什么；但是，如果我们知道，今天的3000点，是从2500点涨上来的，那基本就能判断股市是逐渐趋好，如果这是三天内的事情，那就是股市暴涨，如果是三个月的事情，那只是逐渐趋好；同理，如果我们知道，今天的3000点，是从3天前的3500点跌下来的，那肯定能判断股市在暴跌。
在同一个预测区间里面，实际上预测了三件事情：故障、稳定性和突变。
（1）故障，这个容易理解，就是在这个预测区间出现故障的可能性。
（2）稳定性，意思是，在预测区间里面，设备出现稳定性问题，或者由于稳定性问题而引起其他设备问题的可能性。我们应该还记得INDASS里面对设备参数稳定性的计算，这里实际上就是根据INDASS对各重要参数稳定性的计算，对设备稳定性所做的整体稳定性趋势判断。
（3）突变，就是会出现状态上的突变，比如，设备崩溃就是一种突变。举个极端的例子，一台设备，额定压力是10MPa，到15MPa的时候，就超出了安全阈值，但是，一旦到了20MPa，就可能会发生爆炸，这就是突变。MAIRS根据突变的折叠模型进行拟合，对设备的连续运行做出区间的突变风险的预测。
