Ny metod förbättrar prediktivt underhåll i industrin med horisontanpassad AI

arXiv cs.AI

Forskare har tagit fram ett ramverk som anpassar hur maskininlärningsmodeller extraherar features (egenskaper ur rådata) beroende på hur långt fram i tiden man vill förutsäga maskinfel – något som tidigare behandlades som ett fast steg. Testerna på 72 maskiner i 9 industrianläggningar visar att en modell tränad för kortsiktiga förutsägelser presterar uselt på längre horisonter: F1-score (ett mått på träffsäkerhet) rasar från 75% till 43% vid 70 timmars framförhållning. Det som är egentligen intressant här är insikten att 'en modell passar alla horisonter' inte fungerar – vilket är relevant för alla som bygger underhållssystem i industrin.