【AI+军事】附论文+PPT《利用机器学习技术对海军资产进行预测性维护》，西班牙海军等

摘要

在工业资产运行过程中出现的异常情况可能表明存在退化和故障，随着时间的推移，会导致不期望的行为、运行条件的丧失以及系统的最终崩溃。预测性维护技术负责监测系统的状态，以便在初始阶段对这些异常情况进行检测，从而以最佳方式安排维护任务。本文介绍了一种基于机器学习的人工智能技术的海军资产预测性维护解决方案。为此，使用了由船舶实时收集并通过控制中心传输的传感器（温度、压力等）的信息。所开发的系统（SOPRENE）能够从我们军舰上的发动机的历史数据中预测不同的故障模式或异常运行状况的发生。此外，该系统的使用可扩展到大型舰队，该解决方案已使用Spark分布式环境来实现，以促进预测的分布式计算。

简介

维护成本是工业运营成本的一个重要部分。在某些情况下，如在冶金行业，这些成本可以达到总生产成本的15%-60%。此外，其中三分之一的投资由于不必要的或不正确的活动而被浪费。然而，维护是至关重要的，因为系统的故障会导致巨大的财务成本。

在过去，由于不可能处理大量连续的数据流，所以在很多情况下，只能使用统计技术。然而，今天的预测性维护则遵循更先进的理念：

与其依靠这些行业统计数据（如平均故障间隔时间）来安排维护活动，不如对系统进行实时监测，以确定其状态和真实状况。目前的计算能力允许处理更多的数据，以及使用更复杂的技术来进行预测、检测异常情况和对系统进行可能的诊断。因此，预测性维护可以理解为基于系统的当前状态或条件以及根据运行历史进行的未来预测的预防性维护。

这项研究工作介绍了在SOPRENE项目中开发的预测性维护系统在海军舰艇发动机上的应用。拟议的系统已经分析并使用了分布式环境中的机器学习技术。在这个意义上，所考虑的方法论可以根据Ran等人的说法来划分。

图3-1. SOPRENE解决方案架构：从数据预处理到训练和操作