概述
预测结果取决于传感器、故障定义和运行条件。
深入探讨
状态监测系统分析诸如振动、温度或电流等测量值。异常监测可以识别出与基线的偏离，而剩余使用寿命模型则能估计达到特定故障阈值的时间或循环次数。NASA 的存储库提供了用于预测的 C-MAPSS 等基准数据，凯斯西储大学轴承数据中心则为轴承实验提供了振动信号。这些数据集是研究资源，并不能证明某个传感器或模型能够泛化应用于每台机器。NIST 将数字孪生定义为物理或感知的真实世界实体的虚拟表示；具体系统可能会增加同步和仿真功能。
现实世界的实施
振动测量可以支持旋转设备中的轴承状态监测。
NASA 的预测数据存储库包含用于研究剩余寿命估计的从运行到失效的数据集。
自编码器可以学习正常模式，并将较大的重建误差标记为异常。
数字孪生是一个与物理资产或过程相连的模型；其范围和数据链接应当予以明确。
人工智能在预测性维护中的未来
在目标设备、运行工况和故障定义上验证预测性维护模型。持续跟踪误报、漏报以及校准情况。如果没有前瞻性评估，基准数据集并不能确定在特定工厂中的节省效果、停机时间减少量或安全性提升。
付诸实践
为什么这很重要
- 背景与规则. 行业背景决定了人工智能创意能否与现实接触。
- 质量控制. 领域约束会影响可接受的错误率和监督模型。
- 构建选择. 成功的部署使技术能力与一线工作流程保持一致。
留意
- 监管要求可能会使原本强大的原型失效。
- 历史数据可能会编码损害特定社区的偏见。
- 遗留系统可能会造成集成瓶颈和隐性成本。
后续步骤
- 让领域专家参与从问题框架到评估的整个过程。
- 在启动前设计审计跟踪和文档。
- 尽早验证合规性和安全义务。
- 分阶段推出，并具有明确的停止和回滚标准。
不断探索
常见问题
什么是预测性维护中的人工智能？
预测性维护利用设备状况数据来评估性能退化、检测异常或预测剩余使用寿命。预测结果取决于传感器、故障定义和运行条件。
与预防性维护相比，预测性维护主要解决什么问题？
预防性维护会在日历上更换零件，即使它们没问题；根据实际情况进行预测性维护，减少浪费。
“剩余使用寿命”(RUL) 的估计值是多少？
RUL 是 PdM 的核心输出：零件可能发生故障之前剩余的预测小时数或周期。
在凯斯西储大学轴承故障诊断数据集中收集了哪种信号？
凯斯西储大学轴承数据中心为轴承故障实验提供了振动信号；这是一个特定于数据集的事实，并不意味着振动信号在任何情况下都是最佳信号。
自动编码器通常如何支持 PdM 中的异常检测？
自动编码器学习重建正常行为；当输入偏离时，重建误差就会上升，发出异常信号。
所引用的状态监测论文研究了哪种边缘计算方法？
所引用的论文研究了在靠近受监视设备的边缘设备上，使用旋转机器振动数据的基于联邦自编码器的状态监测；这并不意味着该技术已得到广泛部署或具有普遍的延迟优势。