Intégration de données secondaires dans la mise en oeuvre de modèles prédictifs pour la maintenance

1970年年底引入的基于可靠性的维修概念 航空领域的安全目标。新技术的显现 预防性维护费用的解除设备供应商的待遇 basée sur la fiabilité pour des chaines de production industrielles. Matricis公司提供一项商业服务，提供预防性维修等， 巩固GMAO系统在企业中的地位。 Le principe de fonctionnement actuel est de capter des données primaires propioneer de capacitors installés sur les equipements et d'utiliser des outils statistiques pour prévoir une dérioration de l'état des equipements. CES 可归因于多个参数的变量的主要组成部分 fonctionnement des equipements et des systèmes connexes. Ces variations rendent les preévisions de comportement moins rentables à analyzer à l'aide des modèles 直观统计学 该项目的目的是让所有权性质的第二批受教育者受益 fonctionnelles des equipements et de mesurer leurs conditions. 这一点有助于对主要受试者的可变性造成的问题进行研究 此外，还提供了一种解决方案， seront plus intuitifs à interpréter par les utilisaeconomy. Il sera nécessaire de bâtir une procédure pour convertir les données primaires d'échantillonnage en données 第二代健身教练。 Il sera possible de appliquer des outils prédictifs à partir de modèles statistiques de régression et de 神经模式

Le concept de la maintenance basée sur la fiabilité a été introduit à la fin des années 1970 pour atteindre des objectifs de sécurité dans le domaine de l'aviation. L'apparition de nouvelles techniques d'échantillonnage et de traitement des données provenant des équipements permet de développer des outils de maintenance prédictive basée sur la fiabilité pour des chaines de production industrielles. La compagnie Matricis développe un service commercial pour offrir de la maintenance prédictive, et ainsi, bonifier les systèmes de GMAO déjà en place dans la plupart des entreprises. Le principe de fonctionnement actuel est de capter des données primaires provenant de capteurs installés sur les équipements et d'utiliser des outils statistiques pour prévoir une détérioration de l'état des équipements. Ces données primaires comportent des variations qui sont attribuables à plusieurs paramètres provenant du fonctionnement des équipements et des systèmes connexes. Ces variations rendent les prévisions de comportement moins rentables à analyser à l'aide des modèles statistiques intuitifs. L'objectif de ce projet est de générer des données secondaires permettant de caractériser des propriétés fonctionnelles des équipements et de mesurer leurs conditions. Cette approche devrait permettre de résoudre des problèmes causés par la variabilité des données primaires provenant des capteurs et aussi, par le fait même, permettre de bâtir une solution simplifiée dont les résultats seront plus intuitifs à interpréter par les utilisateurs. Il sera nécessaire de bâtir une procédure pour convertir les données primaires d'échantillonnage en données secondaires décrivant des comportements physiques. Il sera possible de leur appliquer des outils prédictifs à partir de modèles statistiques de régression et de modèles neuronaux