13691093503一、故障诊断算法检测指标
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、检测标准
GB/T 43555-2023《智能服务 预测性维护 算法测评方法》
2024年年底，仪综所实验室成为预测性维护测评领域国内首个且唯一的获得中国合格评定国家认可委员会（CNAS）实验室认可证书及检验检测机构资质认定证书（CMA）的第三方权威检测机构。实验室建设了包含各行业故障数据库、算法模型库、测评环境、测试工具与测试平台的“云维实验室”，从质量管理水平、检测技术能力、人员团队能力与体系运行等全方位保障算法测评服务的严谨高效。下一步，实验室将持续提升预测性维护测评服务能力，致力于以更加严谨和高效的方式为客户提供全面专业的测评服务，为预测性维护技术高质量发展贡献力量。
更多精彩： 发信息 http://www.zhelice.com/news/
