资产密集型组织一直在寻求一种预测设备故障的框架模型，

及时预测设备故障不仅可以避免设备完全故障，数据与大数据，企业服务软件，降低直接和间接成本，而且还可以减少意外停机、事故，淘客app原生，

我们通过对SAP应用程序中的设备维护记录应用数据提取算法进行了实验，云服务器推荐，包括状态监测测量、备件使用、自上次完成维护以来经过的时间段以及计划中的下一个最近预防性维护订单未来日期。

数据收集自SAP互联网演示和评估系统（IDES）应用程序，用于泵。泵为模型准备的数据库由274个实例组成对于39个设备，每个实例与11个特征相关联。数据模型中的每个实例根据生成实例维护订单的维护过程的起源被分类为预防性、纠正性或故障。这些数据被分成75%的将训练集（n=205）和25%纳入测试集（n=52）

我们采用无监督聚类学习技术，并进行班级聚类评估，准确率为80%。作为监督学习的一部分，来自最终数据模型的数据被输入到各种机器学习（ML）算法中，在这些算法中，分类器模型被训练以预测预防性、纠正性故障场景，支持向量机（SVM）和决策树（DT）算法能够对设备故障进行分类，预测准确率高，真阳性率（TPR）在95%以上。SAP与机器学习的集成有着巨大的潜力

，物联网工程课程