故障预测算法允许您从机器监视传感器数据来预测何时故障事件会发生，以避免设备故障。基于这些预测，可以调整的维护计划。这些预后算法提供到其中的维护调度由规定的时间表来确定常规的预防性维护程序的替代方案。

故障预测算法，使客户和设备制造商：

• 由故障前识别的问题，从而延长了设备的使用寿命减少设备停机时间
• 只在必要时通过调度设备服务，避免不必要的维修费用
• 通过确定即将发生的故障及故障的根本原因，使设备重新联机速度更快

故障预测算法来预测性维护计划成功的关键。温度，压力，电压，噪声，或振动测量使用传感器收集。这个数据是利用处理的各种统计和信号处理技术特征提取称为条件指标。为了监控设备的运行状况，则可以使用数据聚类和分类或其他与故障情况建立标记比较这些条件指标机器学习技术。您还可以使用条件指标作为输入剩余使用寿命（RUL）估算模型训练预后算法。该RUL模型中使用的相似性为基础的，基于趋势，或生存为基础，依赖于一种可用的数据。最终的结果是一个预诊断算法，可以分类和预测下一个故障事件并提供结合在该预测的信心。

一旦经过验证，预测算法就可以在服务器或云等IT环境中运行。另外，预测算法可以直接在设备上的嵌入式系统中实现，从而加快响应时间并显著减少通过网络发送的数据量。

有关更多信息，请参阅预测性维护工具箱™，统计和机器学习工具箱™和深度学习工具箱™。