2024年9月1日，由国际智能制造联盟（ICIM）主办的“全球视野下的智能制造：合作与共赢”系列线上公益讲座第九讲顺利举行。本次讲座特别邀请到了加拿大工程院院士、广州大学人工智能学院/研究院院长杨春生教授，为大家带来了题为“人工智能与预测性维护”的精彩分享，吸引来自各地近三千名观众在线参与。

加拿大工程院院士、广州大学人工智能学院/研究院院长杨春生

凭借超过二十载深耕人工智能（AI）领域及预测性健康管理（PHM）的丰富研究积累，杨教授深入剖析了预测性维护技术的最新进展与实际应用，同时详细阐述了AI技术如何改变并促进预测性运维的效能。杨教授表示，预测运维是一种前瞻性的维护策略，其与疾病预防及养生理念类似，均强调通过早期介入来规避潜在问题。其核心在于精准预测系统未来的运行态势，从而实施预防性措施，有效避免故障发生，提升系统可靠性并削减维护成本。随着智能制造技术的发展，预测性维护已成为确保各类复杂系统稳定运行不可或缺的关键支撑技术。

对于预测性维护的推进，杨教授认为，首要任务是明确需求并确立核心目标，具体而言，就是要清晰地界定需要解决的关键问题是什么，明确为何这个问题亟需解决，以及解决这一问题能带来多大的经济效益。随后，进入模型开发阶段，进行系统的数据工程处理，包括数据的获取、数据的前处理、特征的有效提取与选择等一系列步骤。完成这些基础工作后，再进行模型的部署，并根据实际应用效果进行持续的迭代优化。

预测性维护推进策略

杨教授指出，在面对复杂系统的不确定性时，传统的物理模型往往难以奏效，因此，数据驱动的方法成为了一种更有前途的选择。AI技术，特别是机器学习和大数据技术，为数据驱动的建模提供了强大的工具。这些技术能够从大量的数据中学习并提取出有用信息，从而建立能够准确预测系统行为的模型，如建立PHM/LLM（预训练模型）或进行TTF（Time to Failure）预测等。PHM技术的核心之一是从大数据中开发基于机器学习（ML）的模型，通过应用这些模型，更好地了解复杂系统的运行状态，及时发现潜在问题，进行预警，并根据故障类别采取恰当的措施，从而实现有效的故障预防。

从大数据中开发基于ML的模型

最后，杨教授谈到，预测性运维的实现离不开AI的支持，但完全落地还面临着许多挑战，除了技术原因之外，还涉及商业模式和实际应用中模型的权衡等问题。例如，在应用过程中，需要平衡模型精度与误报率，在推广过程中需要深入了解用户需求，提供定制化的解决方案。

在讲座的尾声，杨教授与线上听众展开了一场细致深入的互动讨论，针对大家关心的“是否有针对小样本故障数据的准确建模方法？如何有效应对多型号设备运维挑战？如何合理设定故障数据的时间窗口？”等问题给予了详尽且耐心的解答。听众们反响热烈，纷纷表示杨教授的讲座信息量大、视角新颖，为大家提供了诸多启发性的思考与珍贵的意见。

本次在线讲座由国际智能制造联盟副秘书长、e-works数字化企业网CEO黄培博士主持，并与嘉宾进行互动研讨，为观众答疑解惑。

本次讲座吸引了来自全国各地的智能制造领域专家、学者及企业代表参与。与会者普遍达成共识，深信通过人工智能与预测性维护技术的紧密融合，必将为智能制造行业的蓬勃发展注入强劲的创新动力与活力。