预测性维护方法综述：基于分类与回归的 prognostics 分析

预测性维护 (PdM) 已成为现代工业实践中的关键要素。PdM 通过减少意外停机和优化资产生命周期管理，在运营可靠性和成本管理方面发挥重要作用。机器学习和深度学习使对设备故障及剩余可用寿命 (RUL) 的预测更加精确。尽管已进行大量 PdM 研究，但仍不存在基于回归与分类方法的独立比较研究。本综述涵盖多种 PdM 方法，重点聚焦于 prognostics 领域中分类与回归方法的比较应用。回归方法通常提供 RUL 的估计值，而分类方法则预测在定义好的时间区间内的故障概率。通过对近期文献的全面分析，我们概述了关键进展、挑战（如数据不平衡和高维特征空间），以及新兴趋势，包括混合方法和 AI 实现的 prognostic 系统。本综述旨在为研究者和实践者提供对 various PdM 方法优势与权衡的认识，帮助确定未来研究方向，构建更稳健、具有针对性的自适应维护系统。未来工作可能包括对实际方面（如公共数据集、基准平台和开源工具）的系统性综述，以支持 PdM 研究的进一步发展。