预测性维护是根据观测到的状况而决定的连续或间断进行的维护，以监测、诊断或预测构筑物、系统或部件的状态指标。预测性维护是针对各行业设备或部件，以振动、图像、电流、声纹等信号分析为手段，结合新一代信息技术进行状态监测、故障诊断及剩余寿命预测，制定运维决策方案并安排合理维修活动的新型装备运维模式。预测性维护是人工智能技术在智能制造领域中最典型应用之一，已逐渐发展成为智能运维服务的主要模式。算法作为预测性维护能否有效实施的核心，科学合理的评价预测性维护算法性能成为推动技术应用的关键。

一、故障诊断算法检测指标

准确率、精确率（宏平均）、精确率（微平均）、召回率（宏平均）、召回率（微平均）等。

——泛化能力。该模型训练数据为多工况下的轴承振动信号，并且在信号处理流程中对信号进行了数据增强，能有效提升模型的鲁棒性。但对于未知工况下的泛化能力较弱。

——优化能力。该模型为卷积神经网络的基准模型，可以从网络结构、网络参数、数据处理等部分进行优化，有很大的提升空间

——易用能力。该模型是一种端到端的深度学习模型，有效解决了数据处理、特征提取、故障分类三者割裂的情况，模型易于上手。

故障诊断算法定量测试结果包括与合格线进行对比，其中合格线对比为判断算法是否通过测试的基准，专家系统的故障识别准确率合格指标为大于80%、故障类别识别准确率的合格指标为大于60%；机器学习的准确率、精确率、召回率大于70%，宏平均、微平均都应满足精确率、召回率的指标要求。

二、检测标准

GB/T43555-2023《智能服务 预测性维护 算法测评方法》

仪综所实验室已成为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。可以面向社会出具具有法律效力和权威性的CNAS检测报告和CMA检测报告。未来，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。