机构名称：
¥ 1.0
摘要 生产系统受到由操作和环境条件引起的性能下降和故障的影响。事实上，计划外、计划外的维护 (UUM) 实践会导致生产力下降、生产损失、昂贵的劳动力（呼叫、加班）和设备损坏。然而，预测性维护 (PdM) 是一种基于条件的维护策略 (CBM)，近年来在从业者中越来越受欢迎，它在需要时执行维护行动，避免不必要的预防措施或故障。机器学习 (ML) 已成为维护策略中缓解这些挑战的一种先进诊断方法。尽管如此，由于负责数据收集和执行的工业物联网 (IIoT) 不成熟，基于 ML 的 PdM 策略仍处于起步阶段。实施基于 ML 的 PdM 是一个困难且昂贵的过程，尤其是对于那些通常缺乏必要技能和财务和劳动力资源的公司而言。因此，需要进行成本导向分析来确定何时实施基于 ML 的 PdM。拟议的研究开发了 ML 算法，并为考虑航空行业的从业者和研究人员提供了一个智能 PdM 模型和框架。本文的贡献有两个方面。首先是开发基于 ML 的预测维护模型。分析表明，随机森林的表现优于其他模型，在平均
基于机器学习的预测性维护模型 - IEOM
主要关键词
相关文件推荐
