预测性维护”是人工智能技术在智能制造领域中的最典型应用之一，也是工业互联网的“杀手级”应用。然而，预测性维护市场发展预期却在不断下调，其发展并未与其受重视程度相匹配，以致出现了“不可操之过急”等“冷静的思考”。究其原因在于预测性维护技术难以评价、实施效果难以衡量，背后的技术瓶颈是预测性维护算法的准确性、有效性和适用性难以进行科学合理的评价。算法测评无章可循、无据可依的瓶颈极大限制了预测性维护的市场发展。

为了促进预测性维护技术应用和产业健康发展，仪综所联合清华大学等共计70余家单位的110余位专家牵头制定了首项预测性维护算法测评国家标准GB/T 43555-2023《智能服务 预测性维护 算法测评方法》。该标准是行业内首个标定预测性维护算法性能的国家标准，为引领预测性维护产业健康有序发展提供了重要保障和支撑。

一、检测项目

状态监测算法、故障诊断算法、寿命预测算法、预测性维护功能测试等。

1、状态监测算法测评

基于阈值的监测算法:状态监测算法可分为两种，分别是基于固定阈值的判别方法和基于相对阈值的判别方法。

2、故障诊断算法测评

专家系统测评:专家系统可应用人工智能技术和计算机技术，根据领域专家的知识和经验，进行推理和判断，基于专家系统的特征数据匹配度，获得故障诊断的结果。

机器学习算法测评:机器学习算法可通过状态特征的分类，获得故障诊断的结构。

3、寿命预测算法测评

 基于用户定义的失效阈值，寿命预测算法能够推演预测特征的轨迹在何处与失效阈值相交，并得到寿命终点时间，进而获得寿命预测的结果。

二、检测标准

GB/T43555-2023《智能服务 预测性维护 算法测评方法》

三、实验室资质

— 中国合格评定国家认可委员会CNAS资质认可；

— 中国计量认证认可CMA资质认可；

— 工业智能与预测性维护创新中心；

— GB/T43555预测性维护算法检测标准第一起草单位和归口单位；

— 工业和信息化部授权的“国家中小企业公共服务示范平台”；

— 工业和信息化部授权的“工业（测量控制设备及网络）产品质量控制和技术评价实验室”。

四、测试案例

定制化工厂的预测性维护、冲压生产线的预测性维护、汽车冲压厂的预测性维护、机械机加工数字化工厂的预测性维护、船舶起重运输车间运维服务、石化工厂的预测性维护、海洋石油平台状态监测与远程诊断系统的预测性维护、打印系统、减速器、运动控制系统、机械设备、大规模机器人、点焊设备、数控机床、风机叶片的状态监测、压缩机、超临界大型电力机组、数控机床刀具、水平机器人、智能分板机、机械泵、电力变压器、自动扶梯、城市路灯照明系统等各类电气系统等行业产品。

五、测试流程

1、申请测试：申报单位需填写《预测性维护算法测评信息登记表》。

2、项目初审：仪综所对登记表进行初审，与符合测试条件的企业进行确认。

3、签订合同：双方签订测试合同。

4、技术对接：仪综所与企业对接，对测试条款进行解答，沟通测试安排。

5、测试开展：准备测试数据、部署测试环境，对算法进行测试和评价，形成初步测试结果。

6、结果评审：企业对测试结果进行确认，确认后报告由仪综所及中机维协组织相关专家进行评审。

7、检测报告发放：形成正式的测试报告。

仪综所实验室是预测性维护测评领域国内首个且唯一的获得中国合格评定国家认可委员会（CNAS）实验室认可证书及检验检测机构资质认定证书（CMA）的第三方权威检测机构。实验室建设了包含各行业故障数据库、算法模型库、测评环境、测试工具与测试平台的“云维实验室”，从质量管理水平、检测技术能力、人员团队能力与体系运行等全方位保障算法测评服务的严谨高效。下一步，实验室将持续提升预测性维护测评服务能力，致力于以更加严谨和高效的方式为客户提供全面专业的测评服务，为预测性维护技术高质量发展贡献力量。

检测试验找彭工136-9109-3503。