May, 2024

钢铁业预测性维护的人工智能方法：调查

PDF
TL;DR基于人工智能的预测性维护对钢铁行业具有重要意义，通过使用来自工业传感器的数据，可以提高操作效率、减少停机时间、延长设备寿命并预防故障。调查与钢铁行业中基于人工智能的预测性维护相关的文章，研究设备和设施，确定常见的预测性维护方法，并了解使用这些解决方案开发的人工智能方法的趋势。最主要的挑战包括将提出的方法应用于生产环境、将其纳入维护计划中，并提高研究的可访问性和可复现性。
发现论文，激发创造
  • 革命性系统可靠性：人工智能在预测性维护策略中的作用

    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

  • 预防性维护调查：系统、目的和方法

    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

  • 人工智能和工业互联网从预测性维护进化为智能化维护

    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

  • 可解释预测性维护

    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

  • 基于数据驱动方法的工业旋转机器多故障诊断研究：二十年研究综述

    本文旨在利用 PRISMA 的方法对使用数据驱动的方法提高冷轧机多故障诊断的工业旋转机器进行系统文献综述，涉及传感器选择、数据获取、特征提取、多传感器数据融合等方面，探讨人工智能技术的应用及其面临的主要挑战和研究空白，并提出了未来研究的方向。

    May, 2022

  • 数字孪生在支持人工智能引导的预测性维护中的应用的现状综述

    数字孪生可以与预测性维护相结合，以解决挑战并推进自动化预测性维护应用的发展。

    Jun, 2024

  • 可解释性预测维护：现有方法、挑战与机遇的调查

    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

  • 关于 PHM 中 XAI 的准确性

    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

  • RobustPdM：针对对抗攻击设计鲁棒的预测性维护

    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

  • 有限资源环境下自动机器状态监测和维护系统的设计与实现

    在本研究中，通过开发成本有效的数据采集系统（DAS），结合小波、微分计算和信号处理的概念，开发了一种特征工程和数据缩减方法，然后提出了在开发预测模型时需要考虑的所有必要理论和实践因素。DAS 在与专业手动监测系统相比的准确率达到了 89%，在预测过程中，SVM 和 NN 的准确率超过了 95%，在测试新样本时达到了 100%。此研究的结果可立即应用于中小型工业领域，以发现其他问题并相应地进行发展，对于自动化故障检测与诊断领域具有重要意义。

    Jan, 2024