在全面连接智能时代，关于智能预测性维护（IPdM）的调研

《IEEE Communications Surveys & Tutorials》：A Survey on Intelligent Predictive Maintenance (IPdM) in the Era of Fully Connected Intelligence

预测性维护通过6G、云边计算和AI技术突破传统网络限制与资源瓶颈，提升工业系统可靠性，并分析其在数据中心、传感器网络等场景的应用及未来方向。

　　

摘要：

预测性维护（PdM）是一种仅在分析模型预测到特定故障或退化时才进行维护的维护模式。虽然传统的PdM提高了维护效率，但其可扩展性受到网络限制、资源分配挑战以及人工智能驱动的分析计算需求的制约。借助全面连接的智能技术，智能预测性维护（IPdM）通过利用6G、边缘计算和人工智能的进步克服了这些限制，从而实现了更加灵活和智能的维护框架。本综述从通信和网络的角度为蓬勃发展的IPdM学术研究做出了贡献。首先，我们探讨了通信演进和网络技术进步如何通过提供一个集成的云-边缘-设备IPdM框架来促进IPdM的部署。在这个框架下，我们分析了IPdM的生命周期，并探讨了每个阶段的挑战和解决方案。特别是，我们讨论了通信和人工智能领域中支持IPdM的新技术手段。随后，我们通过调查IPdM在数据中心和传感器网络等领域的应用，探讨了IPdM如何促进通信和网络的发展。最后，我们总结了推动IPdM在下一代网络中进一步应用的关键未来方向。我们相信，这项工作不仅有助于IPdM的学术研究，也为应对第四次工业革命的行业专业人士提供了宝贵的见解。

引言

在工业领域，有效的维护对于确保运营连续性以及最小化停电、过热和腐蚀等风险至关重要[1]。计划外的延迟或故障可能会导致企业业务受损或中断，从而造成巨大的经济损失和声誉损失。例如，2022年12月，阿里巴巴云在香港的一个数据中心发生冷却系统故障[2]，导致服务中断超过三小时，影响了OKX等主要客户以及澳门多个金融机构的网站应用。同样，2023年Equinix在新加坡的数据中心故障[3]导致DBS和Citibank等大型银行关闭，并影响了菲律宾、香港、印度等地区的社交媒体访问。据记录，超过三分之二的数据中心故障造成的损失超过10万美元，其中近四分之一的故障损失超过了100万美元[4]。因此，组织和企业必须制定完善且高效的维护策略，并依赖稳定的网络来防止意外停机，提高整体可靠性并降低运营成本。