1. 簡介
預測性維護是一個綜合性的概念，它包括但不限於：故障預測，故障診斷（根因分析），故障探測，故障分類，故障發生前的緩解建議，故障發生後的維護行動。
預測性維護重點關注：預測長期運行的機器何時會發生故障的技術。這項技術通過學習大量與機器運行狀態相關的先驗知識，生成預測模型。該模型輸入機器的實時運行狀態數據，輸出機器故障發生時間點或故障維護建議，從而實現設備故障時間的預判，並提前執行維護工作，降低維護成本。
本預測性維護案例致力於解決三大類問題：
- 迴歸問題：預測剩餘使用壽命（RUL， Remaining Useful Life）,失效時間（TTF，Time to Failure）;
- 二分類問題：預測在某一特定時間段內，設備是否會故障；
- 多分類問題：預測在多個不同時間段內，設備是否會發生故障
注：上述問題的時間單位可以按工時，週期，里程碑，事物發展等具體業務場景來確定。
本預測性維護模型基於虛擬飛機引擎的運行-故障事件記錄構建。進行設備故障預測性維護前提：設備工作時滿足漸進老化至故障的規律，該規律反映在設備的傳感器測量中。 通過檢查設備傳感器的時序採樣值，機器學習算法可以學習傳感器採集值和變化值，及其相對於歷史故障值之間的關係，來預測未來的故障。 具體過程設計以下三個步驟：
-
數據準備和特徵工程
-
訓練和評估下面三種模型
- 迴歸模型
- 二分類模型
- 多分類模型
-
使用上述三種模型部署web服務器
2. 數據準備與特徵工程
2.1 數據準備
數據集
- 訓練數據：飛機引擎從正常運行到出故障的完整運行狀態數據的時序記錄；
- 測試數據：飛機引擎還未發生故障的運行狀態數據的時序記錄；
- 驗證數據：測試數據的後半段運行數據（發生故障的時間點標識）。
數據採集
- 訓練數據：按一定週期採集，確保第一個週期採集的數據爲設備正常運行數據，最後一個週期採集的數據爲設備異常運行數據（超過正常門限值），即訓練數據集涵蓋設備由正常到故障的整個過程。
- 測試數據：和訓練數據類似，但是最後一個週期採集的數據並不是異常運行數據點，此時設備運行正常，但是不知道到底要經過多少個週期，才能遇到故障點。
- 驗證數據：直接給出每個測試設備之後發生異常時的採集週期值。
數據標籤
- 迴歸模型：目前這個正常運行的設備還需要多少個週期纔會發生故障。
- 二分類模型：設備是否會在未來某個時間點發生故障
- 多分類模型：15天故障預警，30天故障預警，，，，即判斷未來不同時間點是否會發生故障。
![數據標籤]()
2.2 特徵工程
特徵數據的來源：
- 原始特徵：從原始的採集數據中挑選合適的特徵，這個過程需要豐富的專業領域知識。
- 聚合特徵：總結歷史數據集，經過算法運算處理，轉換爲新的特徵。（一段時間內採集數據的平均值或方差，採集值變動的範圍，採集值相對於初始值的差值，採集值變化的速率，超過安全閾值的特徵點個數）
經驗提示：時變特徵的提取，注意採集時間的粒度（例如某個故障每兩個月發生一次，採樣週期按天和周計比按秒計效果會更好，從另一方面改善了正常運行數據和故障數據的分佈不平衡性問題）
3. 模型訓練與評估
第一章節講過預測性維護模型按使用場景劃分，主要涉及三大類：迴歸模型，二分類模型，多分類模型。儘管三者的訓練與評估方法各不相同（後文會依次展開），但是他們依然有一些共同之處，說明如下：
- 享有共同的訓練測試數據集和流程
- 享有共同的特徵工程來挑選特徵
3.1 迴歸模型
3.2 二分類模型
3.3 多分類模型
