DeepFMEA -- 面向数据驱动 PHM 的可扩展框架：整合工艺专业知识

基于机器学习 (ML) 的prognostics and health monitoring (PHM)工具为制造商提供了新的机会，使其能够以风险优化的方式运行和维护设备，并在其生命周期内更可持续地利用设备。然而，在大多数工业环境中，数据数量往往有限，其质量可能不一致——这两者都对开发和运行可靠的ML模型至关重要。为弥合这一实际差距，成功工业化的PHM工具依赖于引入领域专业知识作为先验条件，以实现足够准确的预测，同时提高可解释性。因此，开发数据驱动PHM工具的关键挑战在于，将维护人员、开发人员和服务工程师的经验和过程知识转化为数据结构。这种结构不仅要捕捉专业知识的多样性和可变性，还要使该知识对各种数据驱动算法可用。最终，这导致数据模型高度针对特定应用以及开发团队旨在检测或预测的故障模式进行定制。缺乏标准化方法限制了开发对新故障模式的可扩展性、对新应用的可移植性，并阻碍了标准数据管理和MLOps工具的利用，增加了开发团队的负担。DeepFMEA受到故障模式与影响分析 (FMEA)的启发，其结构化方法用于分析任何技术系统并生成标准化数据模型，同时考虑捕捉过程和维护专业知识的关键方面，使其对领域专家而言直观，而所得信息可作为ML算法的先验条件引入。