3.4　基于數據挖掘的智能預測性維護技術體系與框架

利用大數據、互聯網和人工智能等新一代信息技術構建如圖3.7所示的基于數據挖掘的智能預測性維護技術體系與框架，包括基于IoT的數據采集、處理與分析方法、數據驅動的故障診斷與預測方法、面向智能工廠的維護優化與決策、面向SPdM網絡的大范圍維護服務預測與優化配置、基于信息物理系統CPS的運行過程控制等。

圖3.7　基于數據挖掘的智能預測性維護技術體系與框架

本書后面的重點研究內容包括：①在基于IoT的數據采集、處理與分析方法部分，研究設備層基于IoT的感知資源管理框架與模型、面向復雜制造環境的WSN路由協議與模型以及相應的軟硬件協議集成方法等內容，支撐設備狀態監測數據的采集與預處理；②在數據驅動的故障診斷與預測方法部分，研究各種非平穩非線性信號的特征提取方法、數據驅動的設備故障診斷方法和模型、數據驅動的故障預測與健康管理（Prognostic and Health Management，PHM）理論和方法；③在面向智能工廠的維護優化調度與決策方法部分，面向設備使用的智能工廠，研究基于成本最優的設備維護、備件庫存和生產過程的聯合優化調度與決策模型；④在面向SPdM網絡的大范圍維護服務預測與優化配置方法部分，面向大范圍MRO網絡，研究動態網絡環境中不確定性服務需求管理及預測模型、基于改進隨機規劃的服務備件預測與管理、服務提供商選擇與評價、基于模糊隨機規劃和利潤共享模式的服務資源配置等內容，構建面向設備智能預測性維護運行網絡的大范圍智能預測性維護服務預測與優化配置的理論和方法；⑤面向智能制造裝備及系統，研究基于信息物理系統CPS的運行過程補償、系統調節和控制方法。