智能运维预测性维护可靠性健康管理主要测试哪些指标
智能运维预测性维护可靠性健康管理主要测试哪些指标，有哪些算法类型，每种算法类型主要考核哪些具体的测试指标。北京哪里可以做预测性维护测试，出具第三方检测报告。
北京首家预测性维护测试实验室，预测性算法测试服务，出具第三方检测报告，北京首家提供预测性维护算法系统.M程序的预测性维护算法验证测试、适用性、准确性测试服务，实验室具备强大的数据库，可提供全面的第三方验证服务，出具第三方检测报告。
检测试验找仪综所彭光琼V136-9109-3503。
北京第三方预测性维护算法实验室，全国首家可以提供预测性维护算法的第三方检测机构，提供面向机加工、数控机床、石油石化、核电、轨道交通、智能机器人、计算机软件、工业AI,减速机、机械设备，各类电气系统提供预测性维护功能测试和预测性维护算法测试服务，出具第三方检测机构试验报告，CNAS检测报告，CMA检测报告。
1、状态监测算法可分为基于固定阈值的判别方法和基于相对阈值的判别方法。
状态监测算法指标
状态判别准确率：是指设备状态监测结果分类的准确率。设备状态分为正常、异常两种。
异常状态漏报率：设备异常状态识别和判断的漏报率可用给定样本中未识别到的异常的数量和异常总数量之间的百分比进行测试。
故障诊断算法指标
专家系统算法指标
基于专家系统的故障诊断算法应先对有/无故障识别准确率进行测试，然后再对故障类别识别准确
率进行测试。对有置信度输出的专家系统算法，可对置信度均值进行测试。
有/无故障识别准确率是对于给定的诊断测试样本集，正确识别有/无故障的样本数量占总样本数
量的百分比，见式（3）。
𝐴𝑐𝑓 =
𝑁𝐶
𝑁
× 100%…………………………………………（3）
式中：
𝐴𝑐𝑓——有/无故障识别准确率；
𝑁𝐶——正确识别有/无故障的样本数
𝑁——总样本数。
有/无故障识别准确率取值范围为[0,1]，越大越好。
故障类别识别准确率是对于给定的诊断测试样本集，正确分类的样本数量占总样本数量的百分比，
见式（4）。
𝐴𝑐𝑑 =
∑ 𝑇𝑖
𝑛
𝑖=1
𝑁
× 100%…………………………………………（4）
式中：
𝐴𝑐𝑑——故障类别识别准确率；
𝑇𝑖——正确识别i类别的样本数；
𝑛——样本的类别数；
𝑁——总样本数。
故障类别识别准确率取值范围为[0,1]，越大越好。
2、机器学习算法指标
机器学习的分类算法评价指标主要有准确率、精确率和召回率,计算方式可分为宏平均与微平均两类。其中宏平均是先计算每一类的指标值，然后再对所有类求算术平均值，而微平均指把数据集中的所有实例不分类别地汇总在一起计算出最终的指标值。
3、预测算法指标
预测算法指标从四个维度对算法性能进行衡量：预测准确率、预测误差、算法拟合程度与预测误差评分。预测准确率指标用于衡量算法预测结果的准确性；预测误差指标用于衡量算法预测剩余使用寿命与实际剩余使用寿命之间的误差程度；算法拟合程度指标用于衡量预测结果与实际剩余使用寿命间的拟合程度；预测误差评分对算法预测结果打分，工程上相较于过迟预测倾向于过早预测，该指标对于过迟预测的惩罚要高于过早预测，可以作为误差评分指标。
预测准确率
预测准确率是度量算法对剩余使用寿命预测准确性的指标，见式（11）及式（12）。
𝑒(𝑡𝑖) = 𝑟(𝑡𝑖) − 𝑟∗(𝑡𝑖)…………………………………………（11）
𝐴𝑐(𝑟, 𝑟∗) =
1
𝑁
∑ 𝑒𝑥𝑝
−
|𝑒(𝑡𝑖
)|
𝑟(𝑡𝑖
𝑁 )
𝑖=1 × 100%………………………………（12）
式中：
𝐴𝑐(𝑟, 𝑟∗) ——预测准确率；
𝑖 ——第i个样本；
𝑁 ——样本总数；
𝑒(𝑡𝑖) —— 𝑡𝑖
𝑟(𝑡𝑖) —— 𝑡𝑖
𝑟∗(𝑡𝑖) —— 𝑡𝑖
预测准确率范围（0,1]，预测准确率越接近于1，算法准确率越好。
平均绝对误差
平均绝对误差是预测剩余使用寿命与实际剩余使用寿命之间接近程度的度量，见式（13）。
𝑀𝐴𝐸(𝑟, 𝑟∗) =
1
𝑁
∑ |𝑟(𝑡𝑖) − 𝑟∗(𝑡𝑖)|
𝑁
𝑖=1 ………………………………（13）
式中：
𝑀𝐴𝐸(𝑟, 𝑟∗) —— 平均绝对误差；
𝑖 ——第i个样本；
𝑁 ——样本总数；
𝑟(𝑡𝑖) —— 𝑡𝑖
𝑟∗(𝑡𝑖) —— 𝑡𝑖
MAE范围[0,+∞)，MAE值越小，算法误差越小。
均方根误差
均方根误差定义为误差平方平均值的方根。这个指标对于误差大的值会有更高的权重，任意一个过
大的误差都会让RMSE的值很差，见式（14）。
𝑅𝑀𝑆𝐸(𝑟, 𝑟∗) = √
1
𝑁
∑ (𝑟(𝑡𝑖) − 𝑟∗(𝑡𝑖))
𝑁 2
𝑖=1 ……………………………（14）
式中：
𝑅𝑀𝑆𝐸(𝑟, 𝑟∗) ——均方根误差；
𝑖 ——第i个样本；
𝑁 ——样本总数；
𝑟(𝑡𝑖) —— 𝑡𝑖
𝑟∗(𝑡𝑖) —— 𝑡𝑖
可决系数
可决系数为回归平方和与总平方和的比值，用于度量预测剩余使用寿命对实际剩余使用寿命的拟
合好坏程度。可决系数计算见式（15）和式（16）。
𝑅
2 = 1 −
∑ (𝑟(𝑡𝑖)−𝑟∗(𝑡𝑖))
𝑁 2
𝑖=1
∑ (𝑟(𝑡𝑖)−𝑟̄)
𝑁 2
𝑖=1
………………………………………（15）
𝑟̄=
1
𝑁
∑ 𝑟(𝑡𝑖)
𝑁
𝑖=1 ……………………………………………（16）
式中：
𝑅
2——可决系数；
𝑖 ——第i个样本；
𝑁 ——样本总数；
𝑟(𝑡𝑖) —— 𝑡𝑖
𝑟∗(𝑡𝑖) —— 𝑡𝑖
𝑟̄ ——实际剩余使用寿命𝑟(𝑡𝑖)的均值。
可决系数范围(-∞,1]，可决系数越接近于1，算法拟合程度越好。
预测误差评分指标
预测误差评分指标是RUL误差的加权总和。评分函数是不对称函数，该指标对RUL的过迟预测惩罚
要大于过早预测的惩罚，分值越低代表算法性能越好，见式（11）及式（17）。
𝑆𝑃𝐸(𝑡𝑖) = {
∑ (𝑒
𝑛
𝑖=1
(
𝑒(𝑡𝑖
)
𝛼⋅𝑟(𝑡𝑖
)
)
− 1) 𝑒(𝑡𝑖) ≥ 0
∑ (𝑒
𝑛
𝑖=1
−(
𝑒(𝑡𝑖
)
𝛽⋅𝑟(𝑡𝑖
)
)
− 1) 𝑒(𝑡𝑖) < 0
…………………………………（17）
式中：
𝑆𝑃𝐸(𝑡𝑖) ——预测误差评分指标；
𝑖 ——第i个样本；
𝛼 ——过早预测的惩罚因子，宜取值范围为[10,15]，推荐采用13；
𝛽 ——过迟预侧的惩罚因子，取值应小于𝛼，宜取值范围为[7,12]，推荐采用10。
SPE范围[0,+∞)，SPE值越接近于0，算法预测结果越好。
