预测性维护故障诊断算法指标测试服务

一、故障诊断算法测试项目：

1、专家系统算法

针对某一待测算法，依照测评流程开展算法测评。首先输入测试样本，根据专家系统输出结果按照算法指标计算专家系统有/无故障识别准确率及故障类别识别准确率:对于输出置信度的专家系统，可进一步进行置信度平均值测试。

2、机器学习算法

针对某一待测算法，依照测评流程开展算法测评。利用GB/T43555标准中9.2.1条款中生成的样本集，通过GB/T43555标准中8.2.2条款算法指标计算得到故障诊断准确率，精确率，召回率等结果。

 

二、对于测试数据要求

对于专家系统和机器学习诊断算法的测试采用基于数据库形成的训练样本集和测试样本集。

1、训练样本集:从数据库中选取带有标签数据的正常状态与故障状态的数据形成训练样本集。 

2、测试样本集:从数据库中抽取一组或多组数据，每组数据包含所有类别状态样本，供被测试算法进行分析，

对于未训练的算法，需先基于训练样本集进行训练，然后利用测试样本集进行测试。对于已训练好的算法，可直接基于测试样木集进行测试。

 

三、故障诊断算法检测结果评价

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。

 

四、评价说明

评价说明中应包括算法是否通过的结论以及算法测试过程的详细描述，包括:测试环境搭建、样本集、测试指标、测试方法等。宜增加对算法能力的补充说明，如:

1、泛化能力。参考测试指标对算法泛化能力的说明，通常包括算法工况适应性、算法场景适用性等:

2、优化能力。基于测试方案、测试指标等对算法自优化能力的说明，通常描述为算法是否具有自优化能力:

3、易用能力。基于测试方案、部署难易程度对算法易用性的说明，通常描述的算法是否已部署。

 

仪综所检测中心是国内首家可进行预测性维护功能、状态监测、故障诊断、寿命预测的第三方机构，国家标准预测性维护GBT43555标准由我单位起草并归口，实验室建立了工业智能与预测性为维护实验室，具备完善的检验检测能力，出具国家认可第三方检测报告。