智能AI
morning
制造业中的预测性维护:持续机器学习的运营价值
2026-11-17
1 阅读
约1分钟阅读
Pascal Janetzky, Michael Klar, Manuel Wenzel, Tobias Schlagenhauf, Stefan Feuerriegel
字号:
arXiv:2611.18636v1 公告类型:新 摘要:大批量制造中的预测维护通常面临域增量学习问题:随着新产品配置进入生产,预测模型必须从新的可用数据中学习,同时保持仍在运行的早期配置的性能。在本文中,我们使用博世的实际维护数据,实证研究了持续机器学习方法在应对预测性维护中这一挑战的操作价值。博世的设置涵盖了五年内的 25 种产品配置,这对预测性维护模型提出了实际挑战,因为此类模型必须使用新引入的配置中的数据进行更新,而不会降低之前学到的配置的性能,这种现象称为“遗忘”。同时,在大批量制造中保留所有历史传感器数据并反复重新训练模型通常是不可行的,因为工业机器生成的数据量太大。为了应对这一挑战,我们将持续的机器学习与强大的优化相结合,以支持预测性维护。然后,我们将持续机器学习与广泛的基线进行比较,包括微调、领域适应方法、在线学习方法和特定于配置的模型。通过实验,持续机器学习方法比基线实现了更强的预测性能和更低的维护成本,成本相关指标相对于基线降低了 40% 以上。我们的结果证明,当产品组合随着时间的推移而增长并且历史制造数据无法完全保留时,持续机器学习对于维护决策支持的运营价值。
这篇文章对您有帮助吗?
订阅66必读
每日精选科技资讯,直达你的邮箱