预测算法允许您通过监视来自机器的传感器数据来预测何时将发生故障,从而避免设备故障。根据这些预测,您可以调整维护计划。这些预测算法为传统的预防性维护程序提供了一种替代方案,其中维护计划由规定的时间表确定。
预测算法使客户和设备制造商能够:
- 通过在故障前识别问题来减少设备停机时间,从而延长设备的使用寿命
- 只有在必要时才安排设备维修,以避免不必要的维修费用
- 通过确定即将发生的故障和故障的根本原因,使设备更快地恢复工作
预测算法对预测维护程序的成功至关重要。温度、压力、电压、噪音或振动的测量数据是用传感器收集的。这些数据是用各种统计方法处理的信号处理提取特征的技术称为条件指标。为了监视设备的健康状况,您可以使用数据聚类和分类等方法,将这些状态指示器与已建立的故障状态标记进行比较机器学习技术。您还可以使用条件指示器作为输入剩余使用寿命(RUL)估计模型训练预测算法。使用的RUL模型——基于相似性、基于趋势或基于生存——取决于可用的数据类型。最终的结果是一个预测算法,可以分类和预测下一个故障事件,并在预测上提供一个可靠的界限。
一旦通过验证,预测算法可以在IT环境中具有可操作性,诸如服务器或云。可替换地,预测算法可以在嵌入式系统中直接实现的设备上,从而实现更快的响应时间和显著减少通过网络发送的数据量。
有关其他信息,请参见预见性维护工具箱™,统计和机器学习工具箱™,深度学习工具箱™。