物联之家网|如何将机器学习应用于预测性维护？( 二 ) 预测性维护应用数据和模型来预测设备或

通常，我们使用两种预测建模方法：
回归模型可预测部件的剩余使用寿命。它告诉我们机器还有多少时间会出现故障。为了使回归模型起作用，必须提供历史数据。每个事件都会被跟踪，理想情况下，各种类型的故障都会被表示出来。
回归模型提供的假设是，基于系统的固有（静态）方面及其当前性能，可以预测其剩余生命周期。但是，如果系统发生故障的方式有多种，则必须为每种可能性创建一个单独的模型。
分类模型可预测特定时间内的机器故障。我们不需要提前太久知道机器要发生故障，而是只需要知道故障即将发生。
分类和回归模型在许多方面是相似的，但是在某些方面确实有所不同。首先，分类着眼于一个时间窗口，而不是一个确切的时间。这意味着需要的数据不那么严格。
工作原理
一旦建模，就可以通过以下方式进行预测性维护：
机器学习模型收集传感器数据，并基于历史故障数据，识别故障之前的事件。
我们预先设置了所需的参数，以触发潜在故障的警报。当传感器数据超出这些参数阈值时，将启动警报。
机器学习的作用在于检测正常系统操作之外的异常模式。借助高质量数据对这些异常有了更好的认识，我们预测故障的能力将大大提高。
总之，机器学习支持以最少的人为干预分析大量数据。
【物联之家网|如何将机器学习应用于预测性维护？】通过应用机器学习，结合从工业物联网设备收集的数据，可以改进流程、降低成本、优化员工效率，并显著减少机器停机时间——这是组织成功的关键。