GUIDE–PdM：一种基于数据的方法选择框架，用于预测性维护

《IEEE Access》：GUIDE–PdM: A Data-Informed Framework for Method Selection in Predictive Maintenance

　　

摘要：

在电力系统中，为提前预判故障并提升电网可靠性，人工智能已成为预测性维护的重要手段。然而，人们在采用先进模型时，往往并未系统地评估数据质量、维护目标以及运行限制等因素，从而无法确定这些模型是否真正可行或具有优势。在至关重要的电力系统应用中，不恰当的方法选择可能会导致难以实施的解决方案，增加成本，并延缓取得实际成效。因此，有必要制定明确的、基于数据的标准，以便在复杂的人工智能方法、传统的数据驱动方法以及非数据驱动方法中选出合适的预测性维护方案。本文提出了GUIDE–PdM这一五阶段决策支持框架，它能将建模策略与数据准备情况以及资产管理目标相衔接。该框架指导从业者依次完成问题定义、数据特征分析、方法选择、模型开发以及适应性部署等工作，在这一结构化流程中，复杂人工智能方法的应用是有证据支撑的，而非凭猜测。为辅助这一框架，我们还提供了数据与方法对应表，将不同类型的数据、相关约束条件以及应用需求与现有文献中的各种方法联系起来。该框架以伪代码形式呈现，并配有流程图，附录A中还给出了一个具体案例的完整数值演示。通过四个关于电网运行和资产管理的案例研究，展示了数据准备程度、系统复杂性以及运行限制如何共同影响方法的选择。虽然这些案例研究针对的是电力系统中的资产，但同样的方法也可应用于其他存在类似约束条件且需要类似方法选择依据的工业领域。