72、预测性维护应用中机器学习模型的比较

预测性维护应用中机器学习模型的比较

1 引言

第四次工业革命旨在降低生产成本，同时提高最终产品的质量，以在竞争日益激烈的全球市场中立足。这使得机械维护策略得以重新定义，借助技术进步提高了整个生产过程的效率，还带来了安全、缩短上市时间和更好估算库存数量等好处。

工业领域的维护策略主要分为三大类：
- 纠正性维护 ：这是一种无计划的维护，目的是尽快使设备恢复正常运行，可通过修理或更换故障部件，或切换到冗余部件来实现。
- 预防性维护（PM） ：这是一种计划性维护，会提前安排定期检查，检查频率可根据不同因素选择。它能组织生产停机，降低故障概率，但无法消除灾难性故障的发生。
- 预测性维护（PdM） ：该技术通过对资产进行实时健康监测，优化设备的使用间隔，同时将维护活动频率降至最低，以预测故障并在部件损坏前进行更换。监测活动提供的连续信息有助于发现潜在异常，实现对在用设备状态的预测。据相关研究，PdM可降低25% - 35%的维护成本，消除70% - 75%的故障，减少35% - 45%的故障时间，并提高25% - 35%的产量。

在PdM的各种方法中，数据驱动的机器学习方法最为流行。为确保该方法在特定应用中的成功，需要准确选择机器学习（ML）模型。本文旨在比较多种ML技术，找出最适合实际应用的模型，特别是用于车床预测性维护，根据刀具对材料施加的力对切屑形状进行分类。选择最佳模型的标准是准确性和预测速度（以减少推理时间），因为及时发现潜在机器故障并在故障发生前进行干预至关重要。推理时间是获得最终预测总时间的三个组成部分之一，另外两个部分是从传感器