工业机器学习算法-预测性维护

应用类型

• 流程型
• 离散型：轴承
• 旋转器械

模型类型：

• 物理
• 知识库
• 数据
• 组合

类型：

• 特征少，样本少：物理模型
• 特征少，样本多：生存分析
• 特征多，样本少：简单模型
• 特征多，样本多：数据挖掘

任务类型：

• 回归
• 二分类
• 多分类

故障类型：

• hard failure
• Soft failure

难点：

• 业务
• 样本不平衡、多故障类型

产出：

• 框架
• SDK

特征：

• 时序
• 事件

场景选择

• 数据多、正样本
• 如对于易损易耗件，事后维修（或替换）始终是最好的选择，对于特种设备（如电梯），定期定量的预防性维护在相当长的一段时间内仍会存在。

趋势：先确定是指数加速、线性还是减速。如果是线性在根据斜率确定速度
商业：综合收益最大

模型：sequence classification, or sequence regression
带一些AutoML性质的