在计算连续体系统中，维护领域正随着人工智能（AI）的整合而快速发展。本文重点调查了计算连续体中预测性维护（Pd.M.）的当前状态，并注重可扩展 AI 技术的结合。通过综合研究领域内最新进展的发现，本文提供了实施基于 AI 的预测性维护的效果和挑战的见解，强调了在 AI 时代需要继续研究和发展更智能、高效和经济的维护解决方案的趋势。

Apr, 2024

基于人工智能的预测性维护对钢铁行业具有重要意义，通过使用来自工业传感器的数据，可以提高操作效率、减少停机时间、延长设备寿命并预防故障。调查与钢铁行业中基于人工智能的预测性维护相关的文章，研究设备和设施，确定常见的预测性维护方法，并了解使用这些解决方案开发的人工智能方法的趋势。最主要的挑战包括将提出的方法应用于生产环境、将其纳入维护计划中，并提高研究的可访问性和可复现性。

May, 2024

本文介绍了从强健性的角度出发，将维护人工智能（AI）的重要性与汽车保养做类比，提出了一种 AI 模型检查框架以检测和减轻其强健性风险，并通过对车辆自主性的借鉴，定义了强健性自动化的级别，以实现 AI 维护的各项功能，从而实现在 AI 生命周期过程中，进行强健性评估、状态追踪、风险扫描、模型加固和监管，这是构建可持续和值得信赖的 AI 生态系统的重要里程碑。

Jan, 2023

数字孪生可以与预测性维护相结合，以解决挑战并推进自动化预测性维护应用的发展。

Jun, 2024

在当今技术驱动的时代，预防性维护和高级诊断的必要性不仅限于航空领域，还包括对旋转和移动机器中损坏、故障和操作缺陷的识别。实施这些服务不仅可以降低维护成本，还可以延长机器的使用寿命，确保更高的运营效率。此外，它还可以预防潜在事故或灾难事件。人工智能的出现已经在各个行业中彻底改变了维护工作方式，实现了对机器故障的更准确、更高效的预测和分析，从而节约时间和资源。我们提出的研究旨在深入研究各种机器学习分类技术，包括支持向量机（SVM）、随机森林、逻辑回归和基于卷积神经网络 LSTM 的方法，用于预测和分析机器性能。SVM 根据数据在多维空间中的位置将其分类到不同类别，而随机森林采用集成学习来创建多个决策树进行分类。逻辑回归使用输入数据来预测二元结果的概率。本研究的主要目标是评估这些算法在预测和分析机器性能方面的性能，考虑准确性、精确度、召回率和 F1 分数等因素。研究结果将帮助维护专家选择最适合的机器学习算法来有效预测和分析机器性能。

Mar, 2024

本文强调了现有可解释人工智能的方法与行业应用之间的鸿沟，并探讨了特定于预测维护领域的解释方案的需求和不同目的，列举和描述了通常在文献中使用的可解释人工智能技术，最后展示了四个特定的工业用途案例。

Jun, 2023

利用机器学习和深度学习模型以及传感器数据进行预测性维护，预测航空发动机故障，重点分析模型的解释性和预测准确性。

Sep, 2023

本文通过系统架构、目标和方法等方面，全面综述了预测性维护（PdM），并从知识、传统机器学习（ML）和 DL 等三个主要方面分类回顾了 PdM 系统中的故障诊断和预测方法，提出了重要的未来研究方向和目标。

Dec, 2019

通过使用人工智能和机器学习来预测最佳维护时间，预测性维护是一套经过深入研究的技术集合，旨在延长机械系统的使用寿命。当这些方法被应用于更为严重且潜在危及生命的应用时，人类操作员需要对预测系统产生信任，这就引入了可解释的人工智能 (XAI) 领域，以提高用户对预测系统的信任度和性能.

Jan, 2024

本文旨在利用 PRISMA 的方法对使用数据驱动的方法提高冷轧机多故障诊断的工业旋转机器进行系统文献综述，涉及传感器选择、数据获取、特征提取、多传感器数据融合等方面，探讨人工智能技术的应用及其面临的主要挑战和研究空白，并提出了未来研究的方向。

May, 2022