预测性维护故障诊断算法是预测性维护测评中非常重要的算法之一。在实际的预测性维护中有相当广泛的应用，例如对不同类型的轴承评价均采用故障诊断算法进行测试。

一、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。

模型测试结果，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）均达到了70%以上，算法合格，通过测试。 

——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、测试方法

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9生成的样本集，通过算法指标计算得到故障诊断准确率，精确率，召回率等结果。 

三、算法测评流程

—— 测试准备阶段：测试准备阶段包括客户申请、测评类型选择、样本数据库（简称数据库）是否支持判断等活动。基于客户提出的测评申请，首先确定测评类型，其次判断数据库是否支持测试，如支持则进入抽样环节，如不支持则需要客户提供样本数据（简称数据）并更新数据库。 

—— 算法测评阶段：算法测试阶段包括抽样、模型准备、测试环境搭建、算法测试、算法评价等活动。经过抽样后的模型进行训练等准备，就绪后基于算法是否可公开而搭建测试环境，环境搭建应选用接口调用或算法直接部署等方式； 

—— 算法调试阶段：算法调试阶段包括是否调试判断、算法调试、出具报告等活动。测评结果如不理想，允许进行算法调试和更新，重新进行测评，调试次数不超过2次，达到客户满意度则输出测评报告。

检测试验找彭工136-9109-3503。

专栏文章内容及配图由作者撰写发布，仅供工程师学习之用，如有侵权或者其他违规问题，请联系本站处理。 联系我们