[论文解读] Predictive Maintenance using Machine Learning

Archit P. Kane, Ashutosh S. Kore+3 more|arXiv (Cornell University)|May 19, 2022

Industrial Vision Systems and Defect Detection被引用 11

一句话总结

本文提出了一种基于机器学习的预测性维护（PdM）框架，利用历史设备数据检测故障模式，并在故障发生前预测组件故障。通过将监督学习模型应用于传感器和运行数据，该方法实现了早期故障检测，减少了非计划停机时间和维护成本，同时提高了制造环境中的设备利用率。

ABSTRACT

Predictive maintenance (PdM) is a concept, which is implemented to effectively manage maintenance plans of the assets by predicting their failures with data driven techniques. In these scenarios, data is collected over a certain period of time to monitor the state of equipment. The objective is to find some correlations and patterns that can help predict and ultimately prevent failures. Equipment in manufacturing industry are often utilized without a planned maintenance approach. Such practise frequently results in unexpected downtime, owing to certain unexpected failures. In scheduled maintenance, the condition of the manufacturing equipment is checked after fixed time interval and if any fault occurs, the component is replaced to avoid unexpected equipment stoppages. On the flip side, this leads to increase in time for which machine is non-functioning and cost of carrying out the maintenance. The emergence of Industry 4.0 and smart systems have led to increasing emphasis on predictive maintenance (PdM) strategies that can reduce the cost of downtime and increase the availability (utilization rate) of manufacturing equipment. PdM also has the potential to bring about new sustainable practices in manufacturing by fully utilizing the useful lives of components.

研究动机与目标

• 解决传统定期维护和事后维护在制造中带来的高成本和低效率问题。
• 通过数据驱动技术在故障发生前预测故障，减少非计划设备停机时间。
• 通过智能维护调度延长部件生命周期，提高设备利用率和可持续性。
• 开发一种可扩展的、数据驱动的PdM系统，兼容工业4.0智能制造基础设施。

提出的方法

• 该框架长期收集制造设备的时间序列传感器和运行数据。
• 应用监督学习模型，识别设备行为中预示故障的模式和相关性。
• 从原始传感器数据中提取特征，以表示设备健康状态和退化趋势。
• 训练分类或回归模型，以预测剩余使用寿命（RUL）或故障概率。
• 使用历史故障事件和精确率、召回率、F1分数等性能指标验证模型。
• 该方法支持集成到实时监控系统中，实现对设备健康状况的持续评估。

实验结果

研究问题

• RQ1 机器学习模型能否有效利用历史传感器和运行数据预测设备故障？
• RQ2 与定期维护或事后维护相比，预测性维护在减少非计划停机时间方面表现如何？
• RQ3 从传感器数据中提取的哪些特征对预测即将发生的设备故障最具预测性？
• RQ4 在工业环境中，PdM在提高设备利用率和降低维护成本方面能达到何种程度？

主要发现

• 所提出的PdM框架通过检测传感器数据中的细微模式，成功识别出故障前兆。
• 机器学习模型在实际故障发生前实现了高精度的故障预测。
• 该系统通过仅在需要时安排维护操作，减少了非计划停机时间。
• 与固定周期维护相比，该方法减少了不必要的部件更换和运营成本。
• 该框架通过最大化部件使用寿命和最小化资源浪费，支持可持续制造。