基于机器学习的预测性诊断和健康监测工具为制造商提供了新的机会，以风险优化的方式运营和维护设备，并在其生命周期内更可持续地利用。然而，在大多数工业环境中，数据往往数量有限，质量也可能不一致，这对开发和运行可靠的机器学习模型至关重要。为了弥补这一实践中的差距，成功工业化的预测性诊断和健康监测工具依赖于引入领域专业知识作为先验，以实现足够准确的预测，并提高其可解释性。因此，发展数据驱动的预测性诊断和健康监测工具的关键挑战之一在于将维护人员、开发人员和服务工程师的经验和过程知识转化为数据结构，该结构不仅必须捕捉到专业知识的多样性和变异性，还必须使这些知识能够让各种数据驱动算法访问。这导致数据模型严重依赖于特定应用程序和开发团队旨在检测或预测的故障模式，缺乏标准化方法限制了开发的可扩展性和可转移性，并阻碍了标准数据管理和 MLOps 工具的利用，增加了开发团队的负担。DeepFMEA 从故障模式与影响分析（FMEA）中汲取灵感，以其结构化的方法分析任何技术系统和由此产生的标准化数据模型，同时考虑到捕捉过程和维护专业知识的关键方面，以对领域专家直观，并使得所得信息可以作为先验引入机器学习算法。

May, 2024

本文提出采用优化技术自动化完成 FMECA 之后的决策过程，以达到关键性和开发约束的最佳解。

Mar, 2024

该研究提出了一种基于降维技术 UMAP 的故障模式诊断方法，通过将每个单元的退化轨迹投影和可视化到低维空间，并利用这些退化轨迹开发基于时间序列的聚类方法来识别训练单元的故障模式。最后，引入一种具有单调约束的预测模型，能够同时预测测试单元的故障模式标签和剩余寿命，并保持剩余寿命预测值在连续时间步长中的单调性。该模型通过飞机燃气涡轮发动机数据集进行了验证。

Feb, 2024

机器学习的有限元机器特征选择方法在计算机网络异常检测方面显示出有希望的结果。

Dec, 2022

使用拓扑数据分析中的 Mapper 算法，本文提出了一种名为 FiFa 的方法，用于分类预测过程的失败模式。在 MNIST 图像添加噪声的情况下，通过对高误差区域的群集分析，可得到预测过程的区别失败模式。本文还演示了两种使用失败模式分类的方法：一是产生一层校正层以通过失败模式的相似性来调整预测，另一种方法是检查失败模式的成员，以说明并调查每种失败模式的特点。

Feb, 2018

本文利用混合贝叶斯网络（BN）提出一种新的医疗器械风险管理方法，解决了传统方法的限制，包括可靠性差和缺乏历史数据等问题，并在除产线和售后维护等环节应用到一种除颤器设备上进行实际验证。

Sep, 2022

通过对稀疏心衰患者数据集进行处理挖掘和决策挖掘，本研究探讨了在医疗保健领域处理不同类型数据的各种挑战，并分析了患者心衰数据中与多个研究问题相关的信息增益和决策结果。

Mar, 2024

本论文介绍了基于模型的诊断，探讨了该领域的主要挑战，并讨论了一些应对这些问题的研究方法。

Jun, 2023

应用数据驱动方法学习可用于指导 AST 中的故障搜索的分类器，该方法结合了重要状态，增加了一个自主驾驶策略中的安全违规案例。

Apr, 2023

本研究首次探讨大型语言模型（LLMs）在故障模式分类（FMC）中的有效性，并通过使用限制代码表的方式详细介绍了促使 LLM 预测给定观察结果的故障模式的方法。我们展示了在注释数据上进行微调的 GPT-3.5 模型（F1=0.80）在性能上明显优于在相同注释数据集上训练的当前可用文本分类模型（F1=0.60）。该微调模型也优于开箱即用的 GPT-3.5 模型（F1=0.46）。这项研究强调了使用 LLMs 进行特定领域任务时的高质量微调数据集的必要性。

Sep, 2023