MDL · 01
故障预测
模型
在每个资产族系的标注故障历史上训练的监督模型——轴承、电机、泵、齿轮箱。输出：剩余使用寿命估算、故障模式概率、建议干预窗口。按校准至漂移的节奏重新训练。
故障预测模型、异常检测和自动化建议——针对您设备群调优的生产就绪 ML 流水线，部署于工作发生之处，并从第一天起即在 MLOps 中受到观测。
AI 驱动的资产智能是 Droz 可靠性实践的第三大支柱——在这一层，现场项目（支柱 A）和数据平台（支柱 B）累积为自动化决策。Droz 针对您特定的设备群设计并训练故障预测模型——而非将横向通用模型生硬套用于工业数据。异常检测在流式信号上持续运行；自动化建议落到操作人员现有的渠道中，并附上底层证据。模型通过 Azure ML、AWS SageMaker 或 Vertex AI 上的生产就绪 MLOps 流水线部署——经版本化、受监测，并按校准至漂移的节奏重新训练。在合作有此必要时，Droz 还会构建工厂的数字孪生——一个仿真界面，让运营在真实工厂中采取决策之前先行演练。
在每个资产族系的标注故障历史上训练的监督模型——轴承、电机、泵、齿轮箱。输出：剩余使用寿命估算、故障模式概率、建议干预窗口。按校准至漂移的节奏重新训练。
在流式信号（振动、温度、电流、超声波、能源）上持续运行的无监督模型。输出：按关键性路由的、按严重程度分级的异常，并附上底层信号证据。
结合状态信号、运行情境和经济约束以推荐最佳下一步行动的决策模型——排定干预、调整运行点、重新订购备件。
构建并运营这些模型的 MLOps 与数据科学合作项目 → AI 与机器学习系统
来自支柱 A 的现场历史和来自支柱 B 的统一数据层，被整理为每个资产族系的标注训练集。在任何模型接触数据之前，先处理类别不平衡、泄漏和标签质量。
模型类别按故障模式选择——表格状态历史用梯度提升、频谱特征用深度模型、流式异常用孤立森林变体。超参数在受管扫描中调优。
模型在留出站点上进行验证，并对照归档故障进行重放——模型必须在从未见过的数据上预测出已知故障，方可上线。
对生产性能进行监测——概念漂移、数据漂移、预测类别漂移。重新训练按阈值或按计划触发；在新模型获批之前，旧模型保持影子运行。
Droz 数字孪生是面向工厂或工艺装置的仿真界面——校准至资产群、由可靠性数据层供给，用于演练那些在真实工厂中采取代价高昂的决策。按客户构建；并非横向通用产品。
按决策所需的层级对资产行为进行建模——决策属运营性时用第一性原理物理建模，决策属可靠性时用数据驱动建模。
对照生产排程、备件状况和企业正常运行时间目标，运行“如果这个轴承在周五失效会怎样”。输出是一棵排序的决策树，而非单一答案。
在真实工厂承诺执行之前，于仿真中测试资本递延、干预窗口变更和运行点调整。
ML 流水线和推理端点运行于与可靠性数据平台相同的、经 SOC 2 Type II 审计的控制集之内。
旋转机械模型的异常阈值锚定于 ISO 10816 区域限值——模型相对于标准而非任意基线标记偏差。
流水线通过 Droz 的认证合作伙伴协议部署于客户现有的云上——Azure、AWS 或 Google Cloud。