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

本文介绍了一种基于时间序列的深度学习方法及其与传统机器学习方法的比较结果，结果表明，输入变换可以提高传统 GBRT 模型的性能，使其优于所有评估的最新 DNN 模型。

Jan, 2021

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

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

提出了一种基于编码器 - Transformer 结构的多元时间序列预测框架，用于预测系统剩余可用寿命，与其他 13 种当前最先进模型相比，其性能提升了平均 137.65%。

Aug, 2023

该论文研究了循环神经网络和其变体在处理序列方面的强大性能，并提出了一种基于长短期记忆（LSTM）预测区间的控制图方法，用于监测具有时间变动性的数据，并表明该方法优于其他基于神经网络的预测监测方法，特别适用于检测平均值突变的异常情况。

Sep, 2023

研究比较了多种不同的深度学习模型，发现在预测业务流程中下一步活动的性质和时间戳时，简单的多层感知器（MLP）往往表现优于 Sophisticated Deep-learning Models。在应用自动化过程预测技术时，需要注意在业务流程的不同阶段进行反思和评估。

Feb, 2021

本研究利用统计学、机器学习和深度学习模型建立了一个强大而准确的股票价格预测框架，研究结果表明该多模型的结合方法可以从波动和随机的股票价格数据中有效地学习。

Apr, 2020

本研究采用深度学习方法，提取异常事件并构建带有注意力机制的 RNN 分类器，以预测并解释存储环境中的故障。结果表明，该方法具有与传统 RNN 基本分类器相当的准确性，并可通过返回导致故障预测的关键异常事件来解释预测结果。

Jan, 2019

本文为对财务领域中利用深度学习模型进行时间序列预测的文献进行了全面的回顾，将研究分为根据预测实现区域（如指数、外汇、商品预测），以及基于不同 DL 模型选择（如 CNNs,DBNs,LSTM），同时探讨了该领域未来的发展机会和挑战。

Nov, 2019