1、当前的设备（prober/teseter）维护使用修复性故障维护和预防性维护两种维护方式：
2、修复性故障维护属于事后维护，亡羊补牢。当设备发生故障时需要停止生产查找原因并更换零件，其中维护单一零件的突然失效会导致相关零件的故障率上升，增加了生产成本。而定位设备故障的原因也浪费人力时间，因此当前的机台维护行为具有滞后性，设备发生风险性很高。
3、预防性维护属于事先维护，基于时间、性能等条件对设备进行定期维修，但这种方式更多的是基于经验，这可能导致非必要维护和所谓的被动维护，这样无法有效控制成本，也会影响正常生产的进度。
4、基于以上原因，本发明设计了一种新型的设备智能预测性维护方法，在收集数据的基础上进行预处理和机器学习模型来进行预测故障，无需停机维护即可提前感知设备故障潜在风险，为实时监控设备状态和提高设备使用寿命提供保障。
1、本发明的目的是克服现有技术的不足，提供一种新型的设备智能预测性维护方法，在收集数据的基础上进行预处理和机器学习模型来进行预测故障，无需停机维护即可提前感知设备故障潜在风险，为实时监控设备状态和提高设备使用寿命提供保障。
2、为达到上述目的，本发明设计了一种新型的设备智能预测性维护方法，包括以下步骤：
4、s2，对s1收集的数据进行预处理并进行数据格式的转换和分析，提取状态指示器，状态提示器用于区分正常状况和故障状况；
5、s3，使用s2中提取的状态训练机器学习模型，通过分析历史数据来预测设备或系统在未来的行为，预测设备是否异常，是否即将发生故障；
7、s1中的收集的数据包括振动、声发射、热成像、超声、摩擦学参数和设备运行数据。
8、设备运行数据包括温度、压力、速度、电压电流、震动、故障记录和维护记录。
10、s2-1，数据清理：对收集的数据中的噪声、异常值或缺失值进行清理用于确保分析的准确性，具体包括：
11、s2-1-1，删除重复值：识别并删除重复的数据用于避免分析结果的偏差；
12、s2-1-2，处理缺失值：选择删除含有缺失值的行或者用特定值填充缺失的值；
13、s2-1-3，数据类型转换：将某些字段的数据类型进行转换用于进行下一步的分析；
14、s2-1-4，数据规范标准化：对数据进行规范化或标准化用于使不同范围和单位的数据可以在同一尺度上进行比较；
15、s2-1-5，错误值检查：将数据中错误的值识别出来并进行相应的处理；
16、s2-1-6，异常值检测：使用各种统计方法来检测和处理异常值，用以避免对分析结果产生影响；
17、s2-1-7，一致性检查：检查数据集中的数据保持无矛盾点和一致性；
18、s2-2，数据转换：根据实际分析续期和数据特性，将收集的数据转换为适合分析的格式，具体包括：
19、s2-2-1，规范化：将数值型数据转换到[0,1]区间或标准正态分布，使得不同量纲或量级的数据可以在同一尺度上进行比较；
20、s2-2-2，离散化：将连续属性的值或者有序属性的值分成若干个区间，用不同的符号或整数值代表落在每个子区间中的属性值；
21、s2-2-3，二值化：将数据转换为二元0/1变量，通常用于处理分类数据；
22、s2-2-4，哑变量编码：将分类数据转换为一系列的二元变量，用于回归分析机器学习算法；
25、s2-2-7，特征选择或提取：从原始数据中选择或提取出对目标变量影响最大的特征用以减小数据的维度并提高模型的性能；
26、s2-2-8，数据聚合：将两个或多个属性或对象合并为一个属性或对象，用以降低数据的复杂性；
27、s2-3，特征提取：根据故障的具体情况，从数据中提取出有意义的特征，用于从原始数据集中提取出有用的信息或模式用于构建预测模型，具体包括：
28、s2-3-1，主成分分析：用于连续变量的降维技术，将一组可能相关的变量转化为一组线性不相关的变量，并按照解释原始数据变异的程度进行排序；
29、s2-3-2，线性判别分析：用于将数据在分类任务中进行降维，找到一个特征子空间可以最大化类之间的距离并最小化类内的方差；
30、s2-3-3，自动编码器：用于学习数据的低维表示，自动编码器由一个编码器和一个解码器组成，编码器将数据压缩成低维表示，解码器则试图从这个低维表示中重构原始数据；
31、s2-3-4，时序特征提取：对于时序数据提取统计特征、频域特征以及形状特征；
32、s2-3-5，文本特征提取：对于文本数据使用词袋模型、tf-idf、词嵌入、或者深度学习模型来提取特征；
33、s2-3-6，图像特征提取：对于图像数据使用颜色直方图、纹理特征、形状特征或者卷积神经网络提取的特征。
37、s2-3-4中的统计特征为均值、方差、最大值和最小值；频域特征为傅里叶变换或小波变换的系数；形状特征为趋势、周期性和季节性。
38、s3为使用机器学习算法神经网络训练预测模型，模型学习设备的正常运行模式以及故障发生的模式，并从s2获取及转换的数据中提取特征，借助这些特征来理解设备的正常运行和故障运行，用以判断哪些部件需要维修以及剩余运行时间，包括以下步骤：
39、s3-1，数据分割：将数据集分为训练集和测试集；训练集用于训练模型，测试集用于评估模型的性能，并使用交叉验证来优化模型参数和性能；
40、s3-2，选择模型：基于问题的具体需求选择适当的模型；对于分类问题选择逻辑回归、决策树、支持向量机或神经网络；对于回归问题选择线性回归、岭回归或随机森林；
42、s3-4，模型验证：在训练过程中使用验证集来调整模型的参数，以防止过拟合或欠拟合；
43、s3-5，模型评估：使用测试集来评估模型的性能，评估指标包括准确率、精确率、召回率、f1分数、roc曲线，模型调整：根据模型在测试集上的性能需要返回并调整模型的参数或选择不同的模型；
45、s3-7，预测新数据：当模型训练和评估完成用来预测新的和未见过的数据。
47、同现有技术相比，本发明通过智能状态监控传感器作为数据记录器，收集和预处理设备内的数据，通过ai预测模型分析设备的运行数据预测故障，预测模型包括统计监测，将测得的数据与设备健康运行状态参数进行比较，从而判断否即将发生故障，并将预测结果反馈给维护团队制定维护策略并及时调整。