适应性机器学习模型用于工业物联网 (IIoT) 系统的预测性维护

科学领域:

• 事物的工业互联网 (IIoT)
• 机器学习 机器学习
• 预测性维护 (PdM) 是指预测性维护.

背景情况:

• 在IIoT中的传统故障预测模型与动态的环境和设备变化作斗争.
• 提高准确性和可靠性对于工业环境中有效的预测性维护至关重要.

研究的目的:

• 评估适应性强化学习 (RL) 和深度强化学习 (DRL) 模型对 IIoT 预测性维护的性能.
• 将自适应模型与非自适应模型进行比较,使用准确度,精度,回忆,F1得分和AUC-ROC等指标.

主要方法:

• 利用自适应机器学习模型,包括RL和DRL,用于IIoT环境中的故障预测.
• 将自适应模型的性能与非自适应基线进行比较 (例如,随机森林,SVM).
• 集成的自适应模型与边缘和云计算,用于快速决策和系统集成.

主要成果:

• 与传统模型相比,自适应模型在故障预测方面表现优越.
• 适应模型实现了更高的准确性,精度和回忆力,显著减少了假阳性和假阴性.
• 适应组合模型实现了93.4%的准确性和95.2%的AUC-ROC,表现优于非适应基线.

结论:

• 适应式学习模型提高了IIoT中的预测性维护系统的准确性和可靠性.
• 适应模型有效地处理环境和设备的变化,比非适应方法提供了显著的改进.
• 该研究为寻求优化其PdM系统以提高效率和成本效益的行业提供了宝贵的见解.