本文利用机器学习对可用数据进行了操作并计算出了累计软件故障程度。应用机器学习预测软件的残余缺陷，以准确预测软件故障是本文的总体目标。

May, 2023

本研究旨在基于 TOPSIS 方法，设计一种结构化的方法，以预测异构自动化软件的可维护性并发现 GARF 技术表现最佳。

Sep, 2022

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

应用机器学习技术研究软件工程领域的现状，特别关注软件质量保证、软件维护、软件理解和软件文档等方面。

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

该论文介绍了一个新的概念，用于可解释和可适应的软件系统：自维持软件系统（S4）。S4 建立了现代软件系统中所有可用知识源之间的知识循环，以提高其可解释性和适应性。

Jan, 2024

通过评估现有的预测性维护方法并提出创新性框架，本研究介绍一种基于人工智能和工业互联网的智能化维护框架，包括概率可靠性建模和深度学习等最新机器学习算法，并利用涡轮风扇引擎退化数据集验证了新颖的概率深度学习可靠性建模方法。

Sep, 2020

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

本文提出了一个基于现有进展的全面质量管理框架视角，并确定了软件工程研究的新领域，以实现更可靠的人工智能。

Jun, 2020