<?xml version="1.1" encoding="utf-8"?>
<article xsi:noNamespaceSchemaLocation="http://jats.nlm.nih.gov/publishing/1.1/xsd/JATS-journalpublishing1-mathml3.xsd" dtd-version="1.1" xmlns:xlink="http://www.w3.org/1999/xlink" xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"><front><journal-meta><journal-id journal-id-type="publisher-id">IED</journal-id><journal-title-group><journal-title>International Economy and Development</journal-title></journal-title-group><issn>2995-4339</issn><eissn>2995-4355</eissn><publisher><publisher-name>Art and Technology</publisher-name></publisher></journal-meta><article-meta><article-id pub-id-type="doi">10.61369/IED.8226</article-id><article-categories><subj-group subj-group-type="heading"><subject>Article</subject></subj-group></article-categories><title>工业4.0视角下的预测性维护</title><url>https://artdesignp.com/journal/IED/2/5/10.61369/IED.8226</url><author>方亮亮,吴旭,陈禄</author><pub-date pub-type="publication-year"><year>2024</year></pub-date><volume>2</volume><issue>5</issue><history><date date-type="pub"><published-time>2024-05-20</published-time></date></history><abstract>在工业4.0时代，预测性维护作为智能制造的重要组成部分，通过集成物联网（IoT)、大数据、云计算、机器学习等先进技术，实现了对生产设备状态的实时监控与精准预测，从而有效减少非计划停机时间，提升生产效率与设备寿命。然而，当前预测性维护在实施过程中仍面临诸多挑战，如数据量不足、数据质量低、建模难度大、维护决策复杂及投资回报率难以预估等。本文将结合工业4.0 的核心理念与技术优势，探讨如何解决这些问题，推动预测性维护的深入应用。</abstract><keywords>工业4.0,预测性维护,预测建模</keywords></article-meta></front><body/><back><ref-list><ref id="B1" content-type="article"><label>1</label><element-citation publication-type="journal"><p>[1] 周东华，魏慕恒，司小胜．工业过程异常检测、寿命预测与维修决策的研究进展［J］．自动化学报，2013,39(06):711-722.[2] 袁烨， 张永， 丁汉．工业人工智能的关键技术及其在预测性维护中的应用现状［J］．自动化学报，2020,46(10):2013-2030.DOI:10.16383/j.aas.c200333.[3] Achouch, Mounia &amp;amp; Dimitrova, Mariya &amp;amp; Ziane, Khaled &amp;amp; Sattarpanah Karganroudi, Sasan &amp;amp; Dhouib, Rizck &amp;amp; Ibrahim, H. &amp;amp; Adda, Mehdi. (2022). On Predictive Maintenance in Industry 4.0: Overview, Models, and Challenges. Applied Sciences. 12. 8081. 10.3390/app12168081.[4] 王凯，李元辉．迁移学习在机械设备预测性维护领域的应用综述［J］．中国仪器仪表，2019,(12):64-68.[5] 郑晓雨，樊重俊．基于全局搜索策略WOA 优化ELM 的RUL 预测性维护［J］．智能计算机与应用，2024,14(02):144-149.[6] 毛凯，吴锋，薛红波等．基于数据的预测性维护方法创新［J］．设备管理与维修，2023,(15):32-34.DOI:10.16621/j.cnki.issn1001-0599.2023.08.14.[7] 骆健恒．数字化运维与预测性维护工厂安全生产的重要一环［J］．中国安防，2023,(05):98-100.[8] 张建雄，吴晓丽，杨震等．基于工业物联网的工业数据采集技术研究与应用［J］．电信科学，2018,34(10):124-129.[9] 李杰其，胡良兵．基于机器学习的设备预测性维护方法综述［J］．计算机工程与应用，2020,56(21):11-19.[10] 陆宁云，陈闯，姜斌等．复杂系统维护策略最新研究进展：从视情维护到预测性维护［J］．自动化学报，2021,47(01):1-17.DOI:10.16383/j.aas.c200227.[11] 祝旭．故障诊断及预测性维护在智能制造中的应用［J］．自动化仪表，2019,40(07):66-69.DOI:10.16086/j.cnki.issn1000-0380.2019030334.[12] 禹鑫燚，施甜峰，唐权瑞等．面向预测性维护的工业设备管理系统［J］．计算机科学，2020,47(S2):667-672+677.[13] 藏义明，杨明波．工业互联网条件下智能维修的预测性维护策略［J］．设备管理与维修，2017,(19):62-63.DOI:10.16621/j.cnki.issn1001-0599.2017.12D.34.[14] 常宏，朱艳梅，徐小成等．物联网技术在设备预测性维护中的应用［J］．物流工程与管理，2018,40(09):79-80+63.[15] 彭牡林，肖宏，肖逸军，等．基于决策树的设备预测性维护［J］．数字通信世界，2018,(08):68-69.</p><pub-id pub-id-type="doi"/></element-citation></ref></ref-list></back></article>
