Mondi 工厂的挤压机和其他机器庞大而复杂，长达 50 米，高 15 米。每台机器最多由五个可编程逻辑控制器 (PLC) 控制，这些控制器记录机器传感器的温度、压力、速度和其他性能参数。每台机器每分钟记录 300–400 个参数值，每天生成 7 GB 的数据。 Mondi 在使用这些数据进行预测性维护方面面临着若干挑战。首先，工厂人员在统计分析和机器学习方面的经验有限。他们需要评估各种机器学习方法，以确定哪些方法为他们的数据产生了最准确的结果。他们还需要开发一个应用程序，将结果清晰而直接地呈现给机器操作员。最后，他们需要打包这个应用程序以便在生产环境中持续使用。

如果活动现场的卡车出现泵故障，贝克休斯必须立即更换卡车以确保连续运行。向每个站点发送备用卡车会使公司损失数千万美元的收入，如果这些卡车在另一个站点积极使用，这些卡车可能会产生这些收入。无法准确预测阀门和泵何时需要维护是其他成本的基础。过于频繁的维护会浪费精力，并导致零件在仍然可用时被更换，而过于不频繁的维护可能会损坏泵而无法修复。

Our hardware engineers were translating algorithms developed by algorithm engineers into HDL using written specifications, and without knowing exactly how the algorithms worked. If the FPGA implementation did not perform like our simulations, we never knew if the implementation or the algorithm was the problem. And even a small change to the algorithm meant rewriting most of the HDL.