面向预测性维护的基准数据集
本文介绍了一篇关于来自 SCANIA,瑞典一批卡车的一个匿名化引擎组件(称为 X 组件)的实际多变量时间序列数据集的描述。这个数据集包括捕获详细操作数据、维修记录和卡车规格的多种变量,通过匿名化保持机密性。该数据集非常适合于各种机器学习应用,如分类、回归、生存分析和异常检测,尤其适用于预测维护场景。大规模的人口数量以及采用直方图和数字计数器格式的各种特征,再加上包含时间信息,使这个实际数据集在该领域中显得独特。发布这个数据集的目的是为各种研究人员提供从国际知名公司获取实际数据并引入到预测维护领域的标准基准,促进可再现性研究。
Jan, 2024
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
鉴于近年来电动自行车与机械自行车的增加,本研究旨在开发一种全面了解移动动态的方法,区分不同的移动方式,并引入一种专为自行车量身定制的新型预测性维护系统。通过利用巴塞罗那的自行车共享系统 Bicing 的行程信息和维护数据,本研究对移动模式及其与自行车部件故障之间的关系进行了广泛分析,并应用了统计和机器学习生存模型来准确预测自行车的维护需求。
Apr, 2024
该论文介绍了一个专门设计用于评估微服务应用中根本原因分析的数据集,该数据集涵盖了分布式应用程序在 5 分钟间隔内发出的延迟、请求和可用性指标。此外,数据集还包括 68 个性能问题,这些问题通过增加延迟和降低系统的可用性来减少。我们展示了如何使用该数据集评估涵盖了不同因果和非因果特征的各种方法的准确性。我们希望该可在 https URL 上获取的新数据集能够进一步发展该重要领域中的技术。
Nov, 2023
本文提出一种应用于时间序列回归模型的 XAI 方法的关键性和比较式修订,以探索这些方法的有效性,并比较它们之间的性能差异,结果表明 GRAD-CAM 是最强大的方法。
Mar, 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
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
本研究分析了制造测试台的四个传感器数据集,评估了若干传统和基于机器学习的时间序列预测模型的性能,并通过从高数据速率传感器中执行转移学习来对缺乏数据的传感器进行缺陷类型分类,因此为实现预测维护铺平了道路。
Jun, 2022