北京预测性维护状态监测算法指标测试服务

基于固定阈值的判别方法通过对测试样本进行分析处理，与现行标准中预设的报警阈值进行对比，获得状态判别的结果。如振动数据报警阈值的设定可参考GBT22393-2015.

基于相对阈值的判别方法通过对标准数据进行学习，对样本数据进行分析处理，与自定义报警阈值进行对比，获得状态判别的结果。基于相对阈值的判别方法可适用于现行标准的场景，也可适用于现行标准无法参考的场景。

分为：状态判别准确率、异常状态漏报率

 

1、状态监测算法对测试数据的要求：

——标准数据：包括数据、数据产生来源、数据采集方式、相应设备的元数据包括设备编号、设备型号、工况、数据标签（异常/正常）；

——测试样本：包括数据、数据产生来源、数据采集方式、相应设备的元数据包括设备编号、设备类型、工况（该工况应属于标准数据中的工况范围）、数据标签（异常/正常）。

 

2、状态监测算法测试方法：

一一基于固定阈值监测算法测试。参评对象以国际/国家标准规定的阈值为基础对测试样本进行状

态判断:异常/正常。参评对象对测试样本做出的状态判断将会用于和真实状态进行比对，通过状态判别准确率、异常状态漏报率等给出通过或者未通过测试的结论。

一一基于相对阈值监测算法测试。提供设备正常运转时标准数据，且包括相对应的设备的控制信

息，如加工信息等，标定该设备所处的模式。测试样本来源为产生标准数据的同一设备，对应工况涵盖在标准数据中的工况，且标准数据中相应工况的数据条数达到一定数量。参评对象利用标准数据进行模型训练，对测试样本进行状态判断:异常/正常。参评对象对测试样本做出的状态判断将会用于和真实状态进行比对，通过状态判别准确率、异常状态漏报率等给出通过或者未通过测试的结论。

 

3、固定阈值的监测算法测试流程:

1)参评对象接受所提供的阈值参考标准和指定数目测试题目，每道题目包含一笔测试样本，

不同题目的数据来自不同设备或工况;2)参评对象对每一笔测试样本进行判断;

3)评测机构将参评对象对每道测试题目的判断结果与标准答案进行比对，计算指标;4)根据10.2.1中的合格线对参评对象给出通过/未通过的结论。

针对基于相对阈值的监测算法，标准数据和测试样本应一一对应，测试流程如下:

1)参评对象接受所提供的指定数目测试题目，每道题目包含来自同一设备和同一工况的标

准数据和测试样本;

2)参评对象提供一套训练模块，该模块使用测试题目中的标准数据训练模型，然后使用训练

好的模型对同一题目中的测试样本进行判断;

3)评测机构将参评对象对每道测试题目的判断结果与标准答案进行比对，计算指标;4)根据10.2.1中的合格线对参评对象给出通过/未通过的结论。

 

状态监测算法定量测试结果包括与合格线和优秀线进行对比，其中合格线对比为判断算法是否通过测试的基准，状态判别准确率大于80%，异常状态漏报率小于40%;

优秀线为判断算法性能优劣的基准，状态判别准确率大于90%，异常状态漏报率小于10%。

 

国内首家可进行预测性维护测试服务的第三方检测机构，根据测评结果出具国家认可的第三方检测报告，CNAS检测报告，CMA检测报告。