用数据把脉设备状态，用飞桨实现预测性维护！

随着技术的发展，工业设备设施故障的维护手段从早期的被动事后维护、定期预防性维护检修，逐渐演进到预测性维护。预测性维护可以减少机器故障、延长机械的使用寿命，有效降低维护成本；减少停机时间、提高生产产量及安全性，有效提升企业盈利。

随着 5G 技术的发展和普及，万物互联的时代随之到来。当前预测性维护主要是依靠传感器收集设备信息数据，如何利用好信息时代的便利为生产制造设备保驾护航，成为了设备运维工程师们常常思考的问题。

那如何利用好传感数据进行设备状态把脉？如何更好地实现预测性维护？是用复杂的机理知识？还是用基于繁琐特征工程的传统机器学习？这些方法都不是最优解，基于飞桨深度学习框架的方案能给你更好的选择！

PHM健康管理架构全景图

作为源于产业实践的深度学习平台，飞桨一直致力于为各行各业的开发者提供完备的产业应用开发方案。百度依托飞桨深度学习框架构建了完整的工业数据智能引擎，针对产业界核心问题提供一站式解决方案，助力需求快速落地。

百度工业数据智能引擎

AI Studio产业实践范例库项目链接：

https://aistudio.baidu.com/aistudio/projectdetail/4123335?contributionType=1