《陆军实施预测性维护》

美陆军希望在 2030 年之前实施预测性维护，因此确定预测性维护的最佳应用至关重要。尽管在陆军维护系统的所有部分增加预测性措施是雄心勃勃的，但也有一些领域增加预测性维护是不可行或不必要的。本文探讨了预测性维护在美国陆军内部的实施情况，以提供一个模型，确定哪些平台和部件最能从预测性技术中获益。本文重点介绍了通过仿真模型、维护模型、利益相关者和相关风险评估以及持续改进流程，在开发组件和平台选择框架方面所做的工作。研究和发现为在陆军中开发和实施预测性维护奠定了一些必要的基础。

随着人工智能（AI）在商业领域和军事领域的应用日益广泛，陆军也在积极探索如何将预测因素融入现有的维护周期，通过预测性维护提高效率。预测性维护是一种主动维护技术，它利用实时资产数据（通过传感器收集）、历史性能数据和高级分析来预测资产故障发生的时间。预测性维护是一种新的维护方法，它结合了新技术和人工智能来帮助监控系统和平台。在当前的维护流程中实施人工智能和基于机器学习的预测器，有可能对陆军的战备状态产生积极影响，并通过改进往往导致过早或延迟维护行动的传统策略，使陆军能够更有效地运作。在最近一篇关于军事领域预测性维护的系统文献综述中，Dalzochio 讨论了用于预测功能的不同类型的模型，包括机器学习模型、深度学习模型、概率模型、混合模型、合理模型和基于物理的模型。为了解决军事领域的预测性维护问题，顶点小组采用了系统方法来解决这个问题： “陆军如何确定哪些平台沙组件最能从预测性维护模型中获益？” 在回答这个问题时，顶点小组深入研究了陆军内部现有的维护实践、预测性维护的现状、与实施预测性维护相关的挑战及其潜在影响。鉴于陆军装备的种类繁多、应用各异，提供了全面的文献综述、开发了模型、进行了利益相关者分析并评估了风险，从而为美国陆军人工智能集成中心（AI2C）开发人工智能和基于机器的预测器提供了价值。本文概述了预测性维护的背景、确定了方法、展示了预测性维护应用的模型，并提供了模拟模型的初步发现。

图 2：决策树： 该图展示了当一个部件发生故障时机械师将经历的过程。它概述了我们模拟背后的功能和概念。虽然车辆或部件出现故障后还必须进行许多其他活动，但该流程图概述了在使用和不使用预测器的情况下模拟维护流程时的步骤。