Decision Framework for Predictive Maintenance

Dieses Kapitel befasst sich mit der Anwendung von Modellen des maschinellen Lernens für die vorausschauende Instandhaltung, wobei ein besonderer Schwerpunkt auf der Schätzung des Restnutzungszeitraums (RUL) von Industrieanlagen liegt. Die Studie verwendet den C-MAPSS-Datensatz, einen anerkannten Benchmark in der Forschung zur vorausschauenden Instandhaltung, um die Leistung verschiedener Regressions- und Klassifizierungsalgorithmen zu bewerten. Zu den Schlüsselthemen zählen die vergleichende Analyse von Regressionsmodellen wie Lineare Regression, Unterstützende Vektorregression (SVR) und Zufällige Waldregression sowie Klassifikationsmodelle wie Unterstützende Vektorklassifikation (SVC), Zufällige Wälder, Naïve Bayes und K-Nearest Neighbors (K-NN). Das Kapitel beleuchtet die Stärken und Grenzen der einzelnen Modelle und bietet Einblicke in ihre Eignung für unterschiedliche Vorhersageaufgaben. Die Ergebnisse zeigen, dass SVR die beste Verallgemeinerungsfähigkeit unter allen Regressionsmodellen bietet, während SVC die höchste Genauigkeit bei Klassifizierungsaufgaben erreicht. Die Studie schließt mit der Betonung der Bedeutung der Auswahl geeigneter maschineller Lernmodelle auf der Grundlage der Natur der vorhersagenden Aufgabe, seien es präzise numerische Schätzungen der RUL oder interpretierbare Risikobewertungen für die Entscheidungsfindung in Echtzeit. Die Ergebnisse deuten darauf hin, dass zukünftige Forschung hybride Ansätze erforschen könnte, die Regressions- und Klassifizierungstechniken integrieren, um Strategien zur vorausschauenden Wartung weiter zu verbessern.