北京仪综所实验室专业为您提供智能服务预测性维护故障诊断算法测试服务，预测性维护算法测试，致力于为全国客户提供全面的预测性维护检测解决方案，第三方产品检测机构，出具国家认可的检测报告。
测试项目
准确率、精确率（宏平均）、精确率（微平均）、召回率（宏平均）、召回率(微平均)。

模型测试结果，准确率、精确率（宏平均）、精确率（微平均）、召回率（宏平均）、召回率（微平均）均达到了70%以上，算法合格，通过测试。 
——泛化能力。该模型训练数据为多工况下的轴承振动信号，并且在信号处理流程中对信号进行了数据增强，能有效提升模型的鲁棒性。但对于未知工况下的泛化能力较弱 
——优化能力。该模型为卷积神经网络的基准模型，可以从网络结构、网络参数、数据处理等部分进行优化，有很大的提升空间 
——易用能力。该模型是一种端到端的深度学习模型，有效解决了数据处理、特征提取、故障分类三者割裂的情况，模型易于上手。 
检测标准
GB/T43555-2023《智能服务 预测性维护 算法测评方法》。
IEC63270《工业自动化设备和系统的预测性维护 第1部分：通用要求》。
目前的故障诊断算法主要将处理过程分割为信号预处理、特征提取、故障分类三个孤立的部分，无法将各个部分形成有效的耦合关系，再数据传递的过程中可能会出现故障特征损失的情况。
测试概述
测试需求分析与测试策划、测试设计、测试执行、测试总结、测试环境说明、测试方法说明、测试结果等。
测试数据要求
训练样本集：从数据库中选取带有标签的正常状态与故障状态的数据，形成用于算法训练的样本集。
测试样本集：从数据库中抽取包含所有类别状态样本的数据，用于对已训练或未训练的算法进行测试。
测试流程
测试准备阶段：确定测评类型，判断样本数据库是否支持测试，若不支持则需客户提供样本数据并更新数据库。
算法测评阶段：进行抽样、模型准备、测试环境搭建、算法测试和算法评价等活动。
算法调试阶段：若测评结果不理想，允许进行算法调试和更新，重新进行测评，调试次数一般不超过2次，达到客户满意度后输出测评报告。
行业覆盖：服务领域包括钢铁、电力、石化、船舶、汽车制造、轨道交通等，客户包括中石化、中石油等大型企业。
测试案例
定制化工厂的预测性维护：对工厂内的设备进行实时监测，通过算法分析数据，提前预测设备故障，优化维护计划。
冲压生产线的预测性维护：监测冲压设备的运行状态，利用故障诊断算法及时发现潜在问题，减少设备停机时间。
机械机加工数字化工厂的预测性维护：对机加工设备进行全面监测和分析，实现故障的快速诊断和预测性维护。
电机故障诊断：在不同负载和速度条件下，对电机进行测试，产生多种故障类型，通过电流信号检测等手段，利用机器学习算法进行故障诊断。

仪综所牵头制定国家标准GB/T 43555-2023《智能服务 预测性维护 算法测评方法》，仪综所实验室是国内领先的第三方检测服务机构，是国家级CNAS和CMA实验室，开展面向机加工、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，医疗、机械、各类电气系统等产品的预测性维护算法测评服务，出具第三方检测报告。