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

本研究探讨了如何使用基于卷积核的方法，包括 ROCKET 和一维卷积神经网络，在多变量时间序列分类中实现故障检测。使用三个不同的基于卷积核的分类器，该方法在测试数据中表现出超过 98.8％的准确性，优于其他曾有的方法。

May, 2023

基于 LSTM 神经网络的多元时间序列数据监测和故障检测，采用 Modelica 模型进行验证，引入阈值筛选机制并过滤超出操作者兴趣范围的故障。

Dec, 2016

本文介绍了一种基于深度学习的故障检测方法，利用高精度的数据采集设备收集数据来训练模型，并使用长短时记忆网络和一维卷积神经网络来提取时序特征和频率信息进行故障预测，在 Kaggle 平台上的结果表明该方法具有更好的性能和解释性。

Sep, 2020

该研究提出了两种机器学习方法，即随机森林和时间卷积网络，用于实时检测不良事件。结果表明，我们的方法能够有效分类事件类型并预测其出现的概率，解决了以前研究中发现的挑战，并提供了更有效的生产过程中的故障事件管理解决方案。

Oct, 2023

基于机器学习的智能电网攻击检测模型，通过利用来自相量测量设备（PMUs）的数据和日志，学习系统行为并有效识别潜在的安全边界。研究使用来自不同 PMUs、继电器嗅探警报和日志的 15 个独立数据集验证了提出的模型，结果显示随机森林模型在检测电力系统扰动方面表现最佳，准确率达到了 90.56%，有助于操作人员的决策过程。

Jul, 2023

该文提出一种通过直方图理论设计 / 提取输入特征的新算法，将不同的时间序列传感器数据的特征提取过程统一起来，用于机器状态识别，结果表明该方案对于预测机器健康状态具有显著效果。

Feb, 2024

本文提出了一种新颖的非侵入式系统故障预测技术，该技术利用开发人员提供的信息和原始日志中的最小信息（而不是挖掘整个日志），并将数 据完全保留在数据所有者的管辖范围内。

Sep, 2022

本篇论文利用 Transformer 神经网络提出了一个 T4PdM 故障自动分类器模型，以提高机械故障分析和诊断过程的性能，并比较了该模型与其他之前发表作品的表现，结果表明此模型在检测和分类旋转式工业机械故障方面具有优越性。

Apr, 2022

提出一种端到端的方法，通过分析不同类型的对抗攻击并提出新的对抗性防御技术，设计对抗性强的预测性维修系统，利用 NASA 的 turbofan 引擎数据集进行评估，表明近似对抗性训练可以显著提高预测性维修模型的鲁棒性，同时提供比现有最先进的预测性维修防御方法多出 3 倍的鲁棒性。

Jan, 2023