WORKING SAMPLE

设备维护/故障排查AI尝试将其替换为您自己的业务。

使用实际学习的决策树对公开可用的合成设备数据进行分类。

您可以通过更改以下输入和条件来检查处理结果。可以保存样本数据和输出。

INTERACTIVE SAMPLE

设备维护/故障排查AI

使用实际学习的决策树对公开可用的合成设备数据进行分类。

01 / 输入样本

编辑输入数据

air_K,process_K,rpm,torque_Nm,wear_min,failure_label
298.3,309.2,1783.0,28.3,130.0,0
298.4,309.7,1419.0,41.3,159.0,0
297.1,307.8,1454.0,50.6,94.0,0
299.5,310.9,1496.0,38.5,162.0,0
300.9,311.4,1532.0,41.5,126.0,0
300.2,309.8,1650.0,29.6,13.0,0
304.2,313.2,1464.0,44.9,37.0,0
299.3,310.6,1480.0,45.1,107.0,0
304.3,313.5,2643.0,12.7,21.0,0
301.7,310.1,1743.0,27.3,210.0,0
299.0,310.3,1483.0,39.2,153.0,0
302.6,311.6,1227.0,68.2,187.0,1
303.7,312.4,1404.0,46.6,119.0,0
298.1,308.7,1581.0,47.4,51.0,0
300.7,310.2,1364.0,65.3,208.0,1
297.2,308.5,1604.0,34.9,200.0,0
303.3,311.6,1301.0,45.1,219.0,1
303.2,311.4,2102.0,19.0,5.0,0
300.2,309.8,1466.0,45.7,41.0,0
301.0,312.2,1510.0,39.9,61.0,0
300.4,310.1,1614.0,33.5,191.0,0
303.0,312.4,1627.0,37.1,168.0,0
300.7,311.9,1462.0,39.7,181.0,0
299.5,309.2,1590.0,35.9,22.0,0
302.4,311.2,1448.0,50.5,53.0,0
298.6,309.5,1366.0,55.0,65.0,0
298.3,308.6,1447.0,38.1,146.0,0
304.2,313.4,1568.0,37.6,25.0,0
302.6,312.0,1447.0,45.5,173.0,0
299.5,310.8,1374.0,48.3,154.0,0
300.6,310.7,1438.0,48.5,78.0,1
299.5,310.0,1594.0,35.1,54.0,0
301.2,310.4,1516.0,44.4,53.0,0
298.8,308.6,1535.0,41.2,40.0,0
297.2,307.9,1309.0,49.6,167.0,0
301.3,310.3,1313.0,55.6,127.0,0
300.6,311.9,1425.0,44.9,224.0,0
297.3,308.5,1520.0,42.4,171.0,0
302.5,311.9,1452.0,47.4,77.0,0
299.6,309.2,1651.0,30.8,92.0,0

检查预测概率的阈值 0.5

02 / 处理结果

目标线: 40
需要确认: 3

线	转速（转/分）	工具使用量（分钟）	模型输出	确认目标	正确答案标签
1	1783.0	130.0	0.002	低于阈值	0
2	1419.0	159.0	0.002	低于阈值	0
3	1454.0	94.0	0.002	低于阈值	0
4	1496.0	162.0	0.002	低于阈值	0
5	1532.0	126.0	0.002	低于阈值	0
6	1650.0	13.0	0.002	低于阈值	0
7	1464.0	37.0	0.002	低于阈值	0
8	1480.0	107.0	0.002	低于阈值	0
9	2643.0	21.0	0.867	需要确认	0
10	1743.0	210.0	0.083	低于阈值	0
11	1483.0	153.0	0.002	低于阈值	0
12	1227.0	187.0	0.909	需要确认	1
13	1404.0	119.0	0.002	低于阈值	0
14	1581.0	51.0	0.002	低于阈值	0
15	1364.0	208.0	0.909	需要确认	1
16	1604.0	200.0	0.002	低于阈值	0
17	1301.0	219.0	0.228	低于阈值	1
18	2102.0	5.0	0.002	低于阈值	0
19	1466.0	41.0	0.002	低于阈值	0
20	1510.0	61.0	0.002	低于阈值	0
21	1614.0	191.0	0.002	低于阈值	0
22	1627.0	168.0	0.002	低于阈值	0
23	1462.0	181.0	0.002	低于阈值	0
24	1590.0	22.0	0.002	低于阈值	0
25	1448.0	53.0	0.002	低于阈值	0
26	1366.0	65.0	0.006	低于阈值	0
27	1447.0	146.0	0.002	低于阈值	0
28	1568.0	25.0	0.002	低于阈值	0
29	1447.0	173.0	0.002	低于阈值	0
30	1374.0	154.0	0.006	低于阈值	0
31	1438.0	78.0	0.002	低于阈值	1
32	1594.0	54.0	0.002	低于阈值	0
33	1516.0	53.0	0.002	低于阈值	0
34	1535.0	40.0	0.002	低于阈值	0
35	1309.0	167.0	0.006	低于阈值	0
36	1313.0	127.0	0.006	低于阈值	0
37	1425.0	224.0	0.083	低于阈值	0
38	1520.0	171.0	0.002	低于阈值	0
39	1452.0	77.0	0.002	低于阈值	0
40	1651.0	92.0	0.002	低于阈值	0

模型输出是训练期间叶节点内的故障率。这不是根据实际设备校准的故障概率。

在合成数据上训练的小型模型。不代表实际设备的故障预测性能。

输入在浏览器内进行处理。它不会被发送到外部人工智能或业务系统。重新加载时编辑的内容将丢失。

查看数据源/模型评估

使用 10,000 个公开可用的合成数据。使用 42 个固定种子学习了 8,000 个结果，并使用 2,000 个结果进行验证。屏幕显示前 40 条验证数据。

AI4I 2020 Predictive Maintenance Dataset (2020), UCI Machine Learning Repository · DOI · CC BY 4.0

验证结果（阈值0.5）：67个故障中检测到28个，遗漏39个。 1933例正常病例中，误检8例。应用到实际设备上还需要进行额外的验证。

所有原始数据 CSV ↓训练模型 JSON ↓来源/使用条款

我想用我自己的数据尝试这个示例。 ↗

从这个示例到实现

用样品检查运行情况

检查处理内容、所需的输入和输出格式。我们还将整理不支持的格式和要求。

使用内部数据进行小规模验证

我们使用我们有权使用的数据来评估准确性、处理时间和校正工时。我们将提前商定如何传输机密数据。

实行审批、协作、运营

在实施系统之前，我们决定权限、确认负责人、现有系统联动和维护条件。将根据目标数据和要求提供成本和交付日期。

设备维护/故障排查AI尝试将其替换为您自己的业务。

设备维护/故障排查AI

01 / 输入样本

02 / 处理结果

从这个示例到实现

用样品检查运行情况

使用内部数据进行小规模验证

实行审批、协作、运营

相关样品

设备维护/故障排查AI

检查记录和报告的自动化

使用视频进行目视检查和异常检测

零件需求/库存优化

联系我们