GB/T 43555-2023
基本信息
标准号： GB/T 43555-2023
中文名称：智能服务 预测性维护 算法测评方法
标准类别：国家标准(GB)
英文名称：Intelligent service—Predictive maintenance—Algorithm evaluation method
标准状态：现行
发布日期：2023-12-28
实施日期：2024-07-01
出版语种：简体中文
下载格式：.pdf .zip
下载大小：12422019
标准分类号
标准ICS号：机械制造>>工业自动化系统>>25.040.40工业过程的测量与控制
中标分类号：仪器、仪表>>工业自动化仪表与控制装置>>N19其他自动化装置
关联标准
出版信息
出版社：中国标准出版社
页数：32页
标准价格：54.0
相关单位信息
起草人：王成城、王金江、王凯、张来斌、褚福磊、黄庆卿、许伟、张祖超、吴振宇、王春喜、郭东栋、黄晨光、金超、徐骏、孟力、朱超、游和平、刘少清、周林飞、杨炳春、翁良、刘文、高山青、陆小龙、王蓬、吴仕明、吴轩豪、雷亚国、张飞斌、严如强、韩延、李喆、谈宏志、季振山等
起草单位：机械工业仪器仪表综合技术经济研究所、中国石油大学(北京)、清华大学、重庆邮电大学、上海电气集团股份有限公司中央研究院、中国科学院合肥物质科学研究院、北京邮电大学、北京奔驰汽车有限公司、潍柴动力股份有限公司、北京天泽智云科技有限公司、上海大制科技有限公司等
归口单位：全国工业过程测量控制和自动化标准化技术委员会(SAC/TC 124)
提出单位：中国机械工业联合会
发布部门：国家市场监督管理总局 国家标准化管理委员会
标准简介
本文件规定了预测性维护中的算法测评分类、测评流程、测试指标、评价要求和测评数据要求，描述了测试方法。
本文件适用于预测性维护中的状态监测、故障诊断、寿命预测等算法的测试评价。
标准图片预览
标准内容
ICS25.040.40
CCSN19
中华人民共和国国家标准
GB/T43555—2023
智能服务
预测性维护
算法测评方法
Intelligent service-Predictive maintenance-Algorithm evaluation method2023-12-28发布
国家市场监督管理总局
国家标准化管理委员会
2024-07-01实施
规范性引用文件
术语和定义
缩略语
测评对象
算法测评流程
算法测试指标
8.1状态监测算法测试指标
状态判别准确率
异常状态漏报率
8.2故障诊断算法测试指标
专家系统算法测试指标
机器学习算法测试指标
预测算法测试指标
预测准确率
平均绝对误差
均方根误差
可决系数
预测误差评分指标
9算法测试方法
状态监测算法测试
测试数据要求
测试方法
测试结果
9.2故障诊断算法测试
测试数据要求
测试方法
测试结果
9.3预测算法测试·
测试数据要求
GB/T43555—2023
GB/T43555—2023
测试方法
测试结果
10算法评价要求
状态监测算法评价要求
故障诊断算法评价要求
预测算法评价要求
评价说明
测试数据要求
一般要求
数据入库要求
格式与内容要求
校核要求
数据转换
数据人库
数据入库后检查
附录A（资料性）
信号处理算法测试指标
波形质量评价指标
频谱质量评价指标
时频分布质量评价指标
计算复杂度评价指标bZxz.net
附录B（资料性）
均方误差
精确度
预测算法测试补充指标
不确定性度量指标·
附录C（资料性）
附录D（资料性）
附录E（规范性）
-般要求·
测评报告格式
预测算法评价
数据库建设及系统要求
数据质量要求
数据格式：
数据采集频率·
数据采集位置…·
数据内容评估
E.3数据库系统功能
参考文献
数据库系统基本功能
数据库安全管理功能…
数据库输人输出功能
数据库查询、检索与统计功能
GB/T43555-—2023
本文件按照GB/T1.1一2020《标准化工作导则第1部分：标准化文件的结构和起草规则》的规定起草。
请注意本文件的某些内容可能涉及专利。本文件的发布机构不承担识别专利的责任本文件由中国机械工业联合会提出。本文件由全国工业过程测量控制和自动化标准化技术委员会（SAC/TC124）归口。本文件起草单位：机械工业仪器仪表综合技术经济研究所、中国石油大学（北京）、清华大学、重庆邮电大学、上海电气集团股份有限公司中央研究院、中国科学院合肥物质科学研究院、北京邮电天学、北京奔驰汽车有限公司、潍柴动力股份有限公司、北京天泽智云科技有限公司、上海大制科技有限公司、频率探索智能科技江苏有限公司、上海华兴数字科技有限公司、合肥综合性国家科学中心能源研究院（安徽省能源实验室）、西门子（中国）有限公司、舍弗勒（中国）有限公司、斯凯孚绿色智能科技（上海）有限公司、施耐德电气（中国）有限公司、三菱电机自动化（中国）有限公司、恩德斯豪斯（中国）自动化有限公司、丹东华通测控有限公司、北京英华达电力电子研智慧设计研究院有限公司、台达电子管
程科技有限公司、泰兴铂漾集成科技有限公司、武汉东司、华为技术有限公司、中广核研究院有限公司、西安交通大学、北京航空航关大学、重庆天学上海交通大学、中国计量大学、重庆川仪自动化股份有限公司、上海自动化仪表有限公司、中国科学院沈阳自动化研究所、天连理工大学、沈阳中科博微科技股份有限公司、北京博华信智科技股份有限公司、航天智控（北京）监测技术有限公司、青岛明思为科技有限公司、重庆川仪软件有限公司、安徽容知日新科技股份有限公司、上海朋禾智能科技有限公司、中国工程物理研究院动力部、重庆盟讯电子科技有限公司、国家石油天然气管网集团有限公司科学技术研究总院分公司、国家石油天然气管网集团有限公技有限公司、易福门电子（上海）有限公司、院空间应用工程与技术中心
、山东名
信息化部电子第五研究所、上海航数智能科有限责任公司上海飞机设计研究院、中国科学济南中心）、福建阿古电务数据科技有限公司、上海人工智能创新中心、电子科技天学、北京东方振动和噪声技术研究所、一汽解放汽车有限公司、清华大学山西清洁能源研究院、北京龙鼎源科技股份有限公司、科大讯飞股份有限公司、北京角动力技术有限公司、北京工商大学、武汉中云康票科技有限公司、南京高精齿轮集团有限公司、北京华控智加科技有限公司、广东省工业边缘智能创新中心有限公司、西安华云智联信息科技有限公司、西安因联信息科技有限公司、硕橙（厦门）科技有限公司、重庆电子工程职业学院、北京可维卓立科技有限公司、苏州拓康自动化技术有限公司、杭州安脉盛智能技州创新研究院、北京联华科技有限公本文件主要起草人：王成城、主金江、郭东栋、黄晨光、金超、徐骏、孟力、朱超、游和平上海诸算科技有限公司、北京航空航天大学杭京仪综测业科技发展有限公司。、褚福、黄庆卿、许伟、张祖超、莫振宇、王春喜、刘少酒
、周林飞、杨炳春、翁良、刘文、高山青、陆小龙、王蓬、吴任明、昊轩豪、雷亚国、张飞斌、严如强、韩延、季喆、谈宏志、季振山、姜宗睿、董智升、黄毅、吴文超、李祎文、张开桓、阎新华、赵磊、任锦胜、方正飞、肖立宏、黄自平、张益林、李响、钱诚、张可、陶建峰、王强、田英明、包伟华、王错、李宏坤、林跃、杨祖业、刘锦南、曾志生、左明健、姚杰、王勇、崔鹏、李云、陈菁、朱喜平、杨喜良、孟苓辉、徐海杰、史建亮、李海伟、李鹏、张镇、郭昌华、朱国良、陈芳、王敏、刘锋、赵旭、张晓、王玥、宫韬、乔靖玉、金学波、杨宝军、宁国云、王鹏、刘加、陈超、任志刚、田秦、瞿千上、杜雪飞、唐环、张庆军、孙丰诚、谢鹏、张凤丽、郭晓辉、郭小曦、林娟。m
GB/T43555-—2023
预测性维护已逐渐发展成为运维服务的主要模式，在多个行业均有较为广泛的应用。算法是预测性维护能否有效实施的核心，驱需标准化的测评体系来科学合理地评价预测性维护算法的准确性、有效性和适用性。
预测性维护是针对各行业设备或部件，以振动、图像、电流、声纹等信号分析为手段，结合新一代信息技术进行状态监测、故障诊断及剩余寿命预测，制定运维决策方案并安排合理维修活动的新型装备运维模式。本文件以预测性维护中的状态监测、故障诊断、寿命预测等算法为对象，抽取行业共性的测试评价指标及方法，建立通用的算法测评体系，为各行业应用和推广提供支撑通常将预测性维护的从业人员分为装备用户、装备制造商和解决方案供应商。本文件为上述从业人员提供测评依据，如为装备用户采购及验收提供重要支撑材料，为装备制造商和解决方案供应商描述其所提供的预测性维护技术方案的优势提供依据。1范围
智能服务
算法测评方法
预测性维护
GB/T43555—2023
本文件规定了预测性维护中的算法测评分类、测评流程、测试指标、评价要求和测评数据要求，描述了测试方法。
本文件适用于预测性维护中的状态监测、故障诊断、寿命预测等算法的测试评价。2规范性引用文件
下列文件中的内容通过文中的规范性引用而构成本文件必不可少的条款。其中，注日期的引用文件，仅该日期对应的版本适用于本文件；不注日期的引用文件，其最新版本（包括所有的修改单）适用于本文件。
GB/T405712021
智能服务
预测性维护
术语和定义
下列术语和定义适用于本文件。3.1
conditionmonitoring
状态监测
检测与收集反映机器状态的信息和数据。注：如果故障或失效发生，则机器状态恶化［来源：GB/T20921—2007.2.5]3.2
故障诊断
fault diagnosis
通用要求
为确定故障或失效的性质（种类、状况、程度），而检验症状和症候群。来源：GB/T209212007.2.6，有修改3.3
lifeprediction
寿命预测
对故障的症状进行分析，以预估未来的状态和剩余使用寿命。注：寿命预测通常指剩余使用寿命预测［来源：GB/T209212007.2.16.有修改3.4
预测性维护
apredictivemaintenance
根据观测到的状况而决定的连续或间断进行的维护，以监测、诊断或预测构筑物、系统或部件的状态指标。
［【来源：GB/T40571—2021.3.5，有修改］3.5
confidencelevel
置信度
表示诊断/预测的正确程度的质量准则。注1：它以百分率来表示。
GB/T43555-—2023
注2：这个值实质上是一个数字，它表示误差源对输出结果精度的最终可靠性或置信程度的累积影响，通过计算或者加权评估系统来确定。
［来源：GB/T23713.1—2009.3.2]4缩略语
下列缩略语适用于本文件。
MAE：平均绝对误差（MeanAbsoluteError）MSE：均方误差（MeanSquaredError）RMSE：均方根误差（RootMeanSquaredError）RUL：剩余使用寿命（RemainingUsefulLife）SPE：预测误差评分（ScoreofPredictionError）UQ：不确定性度量（UncertaintyQuantification）5总则
根据GB/T40571一2021中5.3的要求，预测性维护可实现状态监测、故障诊断和寿命预测等功能。本文件对状态监测、敌障诊断、寿命预测等算法进行测评，其中寿命预测算法简称为预测算法本文件提出的测评方法包含测试和评价两部分，其中测试主要基于第8章算法测试指标及第9章算法测试方法进行计算，评价主要基于第10章算法评价要求进行分析，二者共同构成了算法测评体系。6测评对象
本文件针对状态监测、故障诊断和寿命预测等算法进行测评，在实际测试中可选择其中一种或多种进行测试。
状态监测算法测评包括以下儿种。基于阈值的监测算法：状态监测算法可分为两种，分别是基于固定阈值的判别方法和基于相对阅值的判别方法。测试指标见8.1.测试方法见9.1。不属于上述类别的算法可参考8.1中的指标进行测评。故障诊断算法测评包括以下几种。专家系统测评：专家系统可应用人工智能技术和计算机技术，根据领域专家的知识和经验进行推理和判断，基于专家系统的特征数据匹配度获得故障诊断的结果。专家系统测试指标见8.2.1.测试方法见9.2。
机器学习算法测评：机器学习算法可通过状态特征的分类获得故障诊断的结果。机器学习算法测试指标见8.2.2，测试方法见9.2。不属于上述类别的算法可参考8.2中的指标进行测评。预测算法测评为基于用户定义的失效阈值对寿命预测算法进行测评。寿命预测算法能够推演预测特征的轨迹在何处与失效阈值相交，并得到寿命终点时间，进而获得寿命预测的结果。预测算法测试指标见8.3，测试方法见9.3
信号处理是监测、诊断和预测算法的重要组成部分，其测试指标包括信号处理质量评价和算法复杂度评价。在进行监测、诊断和预测算法测试时，可根据具体应用场景和需求选择是否进行信号处理算法测试。图谱分析等信号处理算法测试指标见附录A。2
7算法测评流程
GB/T43555—2023
算法测评流程可分为测试准备阶段、算法测评阶段、算法调试阶段·如图1所示测评
数据库
是否支持
客提供
样本数据
数据库
算法测评流程具体如下，
测试准备阶段
图1算法测评流程
测试环
跪搭建
小具测
评报告
算法测评阶段
算法调试阶段
测试准备阶段：测试准备阶段包括客户申请、测评类型选择、样本数据库（简称数据库）是否支持判断等活动。基于客户提出的测评申请.首先确定测评类型，其次判断数据库是否支持测试，如支持则进入抽样环节，如不支持则需要客户提供样本数据（简称数据）并更新数据库。算法测评阶段：算法测试阶段包括抽样、模型准备、测试环境搭建、算法测试、算法评价等活动。经过抽样后的模型进行训练等准备，就绪后基于算法是否可公开而搭建测试环境，环境搭建应选用接口调用或算法直接部署等方式。算法调试阶段：算法调试阶段包括是否调试判断、算法调试、出具测评报告等活动。测评结果如不理想，允许进行算法调试和更新重新进行测评，调试次数不超过2次·达到客户满意度则输出测评报告。
8算法测试指标
状态监测算法测试指标
8.1.1概述
状态监测算法可分为基于固定值的判别方法和基于相对阈值的判别方法。基于固定阅值的判别方法通过对测试样本进行分析处理，与现行标准中预设的报警阅值进行对比，获得状态判别的结果。如振动数据报警阈值的设定见GB/T22393一2015。基于固定阈值的判别方法可适用于现有标准的场景，基于相对阈值的判别方法通过对标准数据进行学习，对样本数据进行分析处理，与自定义报警阈值3
GB/T43555—2023
进行对比，获得状态判别的结果。基于相对國值的判别方法可适用于有现行标准的场景，也可适用于现行标准无法参考的场景。
8.1.2状态判别准确率
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。处于正常状态的设备可无限制长时间运行，处于异常状态时表明设备状态相对正常状态发生了明显改变，需要近期执行维护。
状态判别准确率可用状态正确判别的样本数量和总样本数量的百分比进行表示，见式（1）。Acm
式中：
Ac—状态判别准确率：
C一一正确判别状态的样本数量（含将正常样本判定为正常状态的数量和将异常样本判定为异常的数量）；
全部的样本数量
状态判别准确率取值范围为[0，1]，越大越好。8.1.3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表示，见式（2）。
式中：
U.一异常状态漏报率：
M、未识别到的异常样本数量；
A，全部的异常样本数量。
异常状态漏报率取值范围为[0,1]，越小越好。2故障诊断算法测试指标
8.2.1通则
故障诊断算法可分为专家系统算法和机器学习算法。（2)
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。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，面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。8.2.2专家系统算法测试指标
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）。
式中：
A有/无故障识别准确率；
正确识别有/无故障的样本数；
总样本数。
有/无故障识别准确率取值范围为[0,]，越大越好。GB/T43555—2023
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)。
式中：
Aed—故障类别识别准确率；
正确识别i类别的样本数；
n—样本的总类别数；
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。X100%
（4）
对于存在输出置信度的专家系统，可测试置信度平均值；如果专家系统不输出置信度，则不测试置信度平均值指标。专家系统输出的置信度平均值计算见式（5）。,c
式中：
专家系统输出的置信度平均值；N
一对第个正确识别类别的样本，专家系统输出的置信度；正确识别类别的样本数；
总样本数。
置信度平均值取值范围为[0，1]，越大越好。机器学习算法测试指标
准确率
（5）
准确率指正确诊断的样本数占总诊断样本数的比值，反映的是算法整体性能。准确率计算见式(6)。
式中：
准确率；
正确识别类别的样本数；
样本的总类别数：
总样本数。
..（6)
准确率取值范围为[0，1，代表算法诊断的结果与真实情况的一致性程度，准确率越高，则表示算法的整体诊断结果与真实情况越相符合。8.2.3.2
精确率
精确率指正确诊断的正样本数占所有诊断为正样本的数量的比值。精确率宏平均计算见式（7）。
×2TP,+FP
小提示：此标准内容仅展示完整标准里的部分截取内容，若需要完整标准请到上方自行免费下载完整标准文档。
CCSN19
中华人民共和国国家标准
GB/T43555—2023
智能服务
预测性维护
算法测评方法
Intelligent service-Predictive maintenance-Algorithm evaluation method2023-12-28发布
国家市场监督管理总局
国家标准化管理委员会
2024-07-01实施
规范性引用文件
术语和定义
缩略语
测评对象
算法测评流程
算法测试指标
8.1状态监测算法测试指标
状态判别准确率
异常状态漏报率
8.2故障诊断算法测试指标
专家系统算法测试指标
机器学习算法测试指标
预测算法测试指标
预测准确率
平均绝对误差
均方根误差
可决系数
预测误差评分指标
9算法测试方法
状态监测算法测试
测试数据要求
测试方法
测试结果
9.2故障诊断算法测试
测试数据要求
测试方法
测试结果
9.3预测算法测试·
测试数据要求
GB/T43555—2023
GB/T43555—2023
测试方法
测试结果
10算法评价要求
状态监测算法评价要求
故障诊断算法评价要求
预测算法评价要求
评价说明
测试数据要求
一般要求
数据入库要求
格式与内容要求
校核要求
数据转换
数据人库
数据入库后检查
附录A（资料性）
信号处理算法测试指标
波形质量评价指标
频谱质量评价指标
时频分布质量评价指标
计算复杂度评价指标bZxz.net
附录B（资料性）
均方误差
精确度
预测算法测试补充指标
不确定性度量指标·
附录C（资料性）
附录D（资料性）
附录E（规范性）
-般要求·
测评报告格式
预测算法评价
数据库建设及系统要求
数据质量要求
数据格式：
数据采集频率·
数据采集位置…·
数据内容评估
E.3数据库系统功能
参考文献
数据库系统基本功能
数据库安全管理功能…
数据库输人输出功能
数据库查询、检索与统计功能
GB/T43555-—2023
本文件按照GB/T1.1一2020《标准化工作导则第1部分：标准化文件的结构和起草规则》的规定起草。
请注意本文件的某些内容可能涉及专利。本文件的发布机构不承担识别专利的责任本文件由中国机械工业联合会提出。本文件由全国工业过程测量控制和自动化标准化技术委员会（SAC/TC124）归口。本文件起草单位：机械工业仪器仪表综合技术经济研究所、中国石油大学（北京）、清华大学、重庆邮电大学、上海电气集团股份有限公司中央研究院、中国科学院合肥物质科学研究院、北京邮电天学、北京奔驰汽车有限公司、潍柴动力股份有限公司、北京天泽智云科技有限公司、上海大制科技有限公司、频率探索智能科技江苏有限公司、上海华兴数字科技有限公司、合肥综合性国家科学中心能源研究院（安徽省能源实验室）、西门子（中国）有限公司、舍弗勒（中国）有限公司、斯凯孚绿色智能科技（上海）有限公司、施耐德电气（中国）有限公司、三菱电机自动化（中国）有限公司、恩德斯豪斯（中国）自动化有限公司、丹东华通测控有限公司、北京英华达电力电子研智慧设计研究院有限公司、台达电子管
程科技有限公司、泰兴铂漾集成科技有限公司、武汉东司、华为技术有限公司、中广核研究院有限公司、西安交通大学、北京航空航关大学、重庆天学上海交通大学、中国计量大学、重庆川仪自动化股份有限公司、上海自动化仪表有限公司、中国科学院沈阳自动化研究所、天连理工大学、沈阳中科博微科技股份有限公司、北京博华信智科技股份有限公司、航天智控（北京）监测技术有限公司、青岛明思为科技有限公司、重庆川仪软件有限公司、安徽容知日新科技股份有限公司、上海朋禾智能科技有限公司、中国工程物理研究院动力部、重庆盟讯电子科技有限公司、国家石油天然气管网集团有限公司科学技术研究总院分公司、国家石油天然气管网集团有限公技有限公司、易福门电子（上海）有限公司、院空间应用工程与技术中心
、山东名
信息化部电子第五研究所、上海航数智能科有限责任公司上海飞机设计研究院、中国科学济南中心）、福建阿古电务数据科技有限公司、上海人工智能创新中心、电子科技天学、北京东方振动和噪声技术研究所、一汽解放汽车有限公司、清华大学山西清洁能源研究院、北京龙鼎源科技股份有限公司、科大讯飞股份有限公司、北京角动力技术有限公司、北京工商大学、武汉中云康票科技有限公司、南京高精齿轮集团有限公司、北京华控智加科技有限公司、广东省工业边缘智能创新中心有限公司、西安华云智联信息科技有限公司、西安因联信息科技有限公司、硕橙（厦门）科技有限公司、重庆电子工程职业学院、北京可维卓立科技有限公司、苏州拓康自动化技术有限公司、杭州安脉盛智能技州创新研究院、北京联华科技有限公本文件主要起草人：王成城、主金江、郭东栋、黄晨光、金超、徐骏、孟力、朱超、游和平上海诸算科技有限公司、北京航空航天大学杭京仪综测业科技发展有限公司。、褚福、黄庆卿、许伟、张祖超、莫振宇、王春喜、刘少酒
、周林飞、杨炳春、翁良、刘文、高山青、陆小龙、王蓬、吴任明、昊轩豪、雷亚国、张飞斌、严如强、韩延、季喆、谈宏志、季振山、姜宗睿、董智升、黄毅、吴文超、李祎文、张开桓、阎新华、赵磊、任锦胜、方正飞、肖立宏、黄自平、张益林、李响、钱诚、张可、陶建峰、王强、田英明、包伟华、王错、李宏坤、林跃、杨祖业、刘锦南、曾志生、左明健、姚杰、王勇、崔鹏、李云、陈菁、朱喜平、杨喜良、孟苓辉、徐海杰、史建亮、李海伟、李鹏、张镇、郭昌华、朱国良、陈芳、王敏、刘锋、赵旭、张晓、王玥、宫韬、乔靖玉、金学波、杨宝军、宁国云、王鹏、刘加、陈超、任志刚、田秦、瞿千上、杜雪飞、唐环、张庆军、孙丰诚、谢鹏、张凤丽、郭晓辉、郭小曦、林娟。m
GB/T43555-—2023
预测性维护已逐渐发展成为运维服务的主要模式，在多个行业均有较为广泛的应用。算法是预测性维护能否有效实施的核心，驱需标准化的测评体系来科学合理地评价预测性维护算法的准确性、有效性和适用性。
预测性维护是针对各行业设备或部件，以振动、图像、电流、声纹等信号分析为手段，结合新一代信息技术进行状态监测、故障诊断及剩余寿命预测，制定运维决策方案并安排合理维修活动的新型装备运维模式。本文件以预测性维护中的状态监测、故障诊断、寿命预测等算法为对象，抽取行业共性的测试评价指标及方法，建立通用的算法测评体系，为各行业应用和推广提供支撑通常将预测性维护的从业人员分为装备用户、装备制造商和解决方案供应商。本文件为上述从业人员提供测评依据，如为装备用户采购及验收提供重要支撑材料，为装备制造商和解决方案供应商描述其所提供的预测性维护技术方案的优势提供依据。1范围
智能服务
算法测评方法
预测性维护
GB/T43555—2023
本文件规定了预测性维护中的算法测评分类、测评流程、测试指标、评价要求和测评数据要求，描述了测试方法。
本文件适用于预测性维护中的状态监测、故障诊断、寿命预测等算法的测试评价。2规范性引用文件
下列文件中的内容通过文中的规范性引用而构成本文件必不可少的条款。其中，注日期的引用文件，仅该日期对应的版本适用于本文件；不注日期的引用文件，其最新版本（包括所有的修改单）适用于本文件。
GB/T405712021
智能服务
预测性维护
术语和定义
下列术语和定义适用于本文件。3.1
conditionmonitoring
状态监测
检测与收集反映机器状态的信息和数据。注：如果故障或失效发生，则机器状态恶化［来源：GB/T20921—2007.2.5]3.2
故障诊断
fault diagnosis
通用要求
为确定故障或失效的性质（种类、状况、程度），而检验症状和症候群。来源：GB/T209212007.2.6，有修改3.3
lifeprediction
寿命预测
对故障的症状进行分析，以预估未来的状态和剩余使用寿命。注：寿命预测通常指剩余使用寿命预测［来源：GB/T209212007.2.16.有修改3.4
预测性维护
apredictivemaintenance
根据观测到的状况而决定的连续或间断进行的维护，以监测、诊断或预测构筑物、系统或部件的状态指标。
［【来源：GB/T40571—2021.3.5，有修改］3.5
confidencelevel
置信度
表示诊断/预测的正确程度的质量准则。注1：它以百分率来表示。
GB/T43555-—2023
注2：这个值实质上是一个数字，它表示误差源对输出结果精度的最终可靠性或置信程度的累积影响，通过计算或者加权评估系统来确定。
［来源：GB/T23713.1—2009.3.2]4缩略语
下列缩略语适用于本文件。
MAE：平均绝对误差（MeanAbsoluteError）MSE：均方误差（MeanSquaredError）RMSE：均方根误差（RootMeanSquaredError）RUL：剩余使用寿命（RemainingUsefulLife）SPE：预测误差评分（ScoreofPredictionError）UQ：不确定性度量（UncertaintyQuantification）5总则
根据GB/T40571一2021中5.3的要求，预测性维护可实现状态监测、故障诊断和寿命预测等功能。本文件对状态监测、敌障诊断、寿命预测等算法进行测评，其中寿命预测算法简称为预测算法本文件提出的测评方法包含测试和评价两部分，其中测试主要基于第8章算法测试指标及第9章算法测试方法进行计算，评价主要基于第10章算法评价要求进行分析，二者共同构成了算法测评体系。6测评对象
本文件针对状态监测、故障诊断和寿命预测等算法进行测评，在实际测试中可选择其中一种或多种进行测试。
状态监测算法测评包括以下儿种。基于阈值的监测算法：状态监测算法可分为两种，分别是基于固定阈值的判别方法和基于相对阅值的判别方法。测试指标见8.1.测试方法见9.1。不属于上述类别的算法可参考8.1中的指标进行测评。故障诊断算法测评包括以下几种。专家系统测评：专家系统可应用人工智能技术和计算机技术，根据领域专家的知识和经验进行推理和判断，基于专家系统的特征数据匹配度获得故障诊断的结果。专家系统测试指标见8.2.1.测试方法见9.2。
机器学习算法测评：机器学习算法可通过状态特征的分类获得故障诊断的结果。机器学习算法测试指标见8.2.2，测试方法见9.2。不属于上述类别的算法可参考8.2中的指标进行测评。预测算法测评为基于用户定义的失效阈值对寿命预测算法进行测评。寿命预测算法能够推演预测特征的轨迹在何处与失效阈值相交，并得到寿命终点时间，进而获得寿命预测的结果。预测算法测试指标见8.3，测试方法见9.3
信号处理是监测、诊断和预测算法的重要组成部分，其测试指标包括信号处理质量评价和算法复杂度评价。在进行监测、诊断和预测算法测试时，可根据具体应用场景和需求选择是否进行信号处理算法测试。图谱分析等信号处理算法测试指标见附录A。2
7算法测评流程
GB/T43555—2023
算法测评流程可分为测试准备阶段、算法测评阶段、算法调试阶段·如图1所示测评
数据库
是否支持
客提供
样本数据
数据库
算法测评流程具体如下，
测试准备阶段
图1算法测评流程
测试环
跪搭建
小具测
评报告
算法测评阶段
算法调试阶段
测试准备阶段：测试准备阶段包括客户申请、测评类型选择、样本数据库（简称数据库）是否支持判断等活动。基于客户提出的测评申请.首先确定测评类型，其次判断数据库是否支持测试，如支持则进入抽样环节，如不支持则需要客户提供样本数据（简称数据）并更新数据库。算法测评阶段：算法测试阶段包括抽样、模型准备、测试环境搭建、算法测试、算法评价等活动。经过抽样后的模型进行训练等准备，就绪后基于算法是否可公开而搭建测试环境，环境搭建应选用接口调用或算法直接部署等方式。算法调试阶段：算法调试阶段包括是否调试判断、算法调试、出具测评报告等活动。测评结果如不理想，允许进行算法调试和更新重新进行测评，调试次数不超过2次·达到客户满意度则输出测评报告。
8算法测试指标
状态监测算法测试指标
8.1.1概述
状态监测算法可分为基于固定值的判别方法和基于相对阈值的判别方法。基于固定阅值的判别方法通过对测试样本进行分析处理，与现行标准中预设的报警阅值进行对比，获得状态判别的结果。如振动数据报警阈值的设定见GB/T22393一2015。基于固定阈值的判别方法可适用于现有标准的场景，基于相对阈值的判别方法通过对标准数据进行学习，对样本数据进行分析处理，与自定义报警阈值3
GB/T43555—2023
进行对比，获得状态判别的结果。基于相对國值的判别方法可适用于有现行标准的场景，也可适用于现行标准无法参考的场景。
8.1.2状态判别准确率
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。处于正常状态的设备可无限制长时间运行，处于异常状态时表明设备状态相对正常状态发生了明显改变，需要近期执行维护。
状态判别准确率可用状态正确判别的样本数量和总样本数量的百分比进行表示，见式（1）。Acm
式中：
Ac—状态判别准确率：
C一一正确判别状态的样本数量（含将正常样本判定为正常状态的数量和将异常样本判定为异常的数量）；
全部的样本数量
状态判别准确率取值范围为[0，1]，越大越好。8.1.3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表示，见式（2）。
式中：
U.一异常状态漏报率：
M、未识别到的异常样本数量；
A，全部的异常样本数量。
异常状态漏报率取值范围为[0,1]，越小越好。2故障诊断算法测试指标
8.2.1通则
故障诊断算法可分为专家系统算法和机器学习算法。（2)
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。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，面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。8.2.2专家系统算法测试指标
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）。
式中：
A有/无故障识别准确率；
正确识别有/无故障的样本数；
总样本数。
有/无故障识别准确率取值范围为[0,]，越大越好。GB/T43555—2023
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)。
式中：
Aed—故障类别识别准确率；
正确识别i类别的样本数；
n—样本的总类别数；
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。X100%
（4）
对于存在输出置信度的专家系统，可测试置信度平均值；如果专家系统不输出置信度，则不测试置信度平均值指标。专家系统输出的置信度平均值计算见式（5）。,c
式中：
专家系统输出的置信度平均值；N
一对第个正确识别类别的样本，专家系统输出的置信度；正确识别类别的样本数；
总样本数。
置信度平均值取值范围为[0，1]，越大越好。机器学习算法测试指标
准确率
（5）
准确率指正确诊断的样本数占总诊断样本数的比值，反映的是算法整体性能。准确率计算见式(6)。
式中：
准确率；
正确识别类别的样本数；
样本的总类别数：
总样本数。
..（6)
准确率取值范围为[0，1，代表算法诊断的结果与真实情况的一致性程度，准确率越高，则表示算法的整体诊断结果与真实情况越相符合。8.2.3.2
精确率
精确率指正确诊断的正样本数占所有诊断为正样本的数量的比值。精确率宏平均计算见式（7）。
×2TP,+FP
小提示：此标准内容仅展示完整标准里的部分截取内容，若需要完整标准请到上方自行免费下载完整标准文档。