3.4　基于数据挖掘的智能预测性维护技术体系与框架

利用大数据、互联网和人工智能等新一代信息技术构建如图3.7所示的基于数据挖掘的智能预测性维护技术体系与框架，包括基于IoT的数据采集、处理与分析方法、数据驱动的故障诊断与预测方法、面向智能工厂的维护优化与决策、面向SPdM网络的大范围维护服务预测与优化配置、基于信息物理系统CPS的运行过程控制等。

图3.7　基于数据挖掘的智能预测性维护技术体系与框架

本书后面的重点研究内容包括：①在基于IoT的数据采集、处理与分析方法部分，研究设备层基于IoT的感知资源管理框架与模型、面向复杂制造环境的WSN路由协议与模型以及相应的软硬件协议集成方法等内容，支撑设备状态监测数据的采集与预处理；②在数据驱动的故障诊断与预测方法部分，研究各种非平稳非线性信号的特征提取方法、数据驱动的设备故障诊断方法和模型、数据驱动的故障预测与健康管理（Prognostic and Health Management，PHM）理论和方法；③在面向智能工厂的维护优化调度与决策方法部分，面向设备使用的智能工厂，研究基于成本最优的设备维护、备件库存和生产过程的联合优化调度与决策模型；④在面向SPdM网络的大范围维护服务预测与优化配置方法部分，面向大范围MRO网络，研究动态网络环境中不确定性服务需求管理及预测模型、基于改进随机规划的服务备件预测与管理、服务提供商选择与评价、基于模糊随机规划和利润共享模式的服务资源配置等内容，构建面向设备智能预测性维护运行网络的大范围智能预测性维护服务预测与优化配置的理论和方法；⑤面向智能制造装备及系统，研究基于信息物理系统CPS的运行过程补偿、系统调节和控制方法。