人工智能在礦山設備預測性維護中的應用研究

摘要：預測性維護（PdM）利用數據和分析來預測系統組件的潛在故障，提前采取維護措施以避免損壞，旨在解決礦山設備維護中的預測性問題，提高設備可靠性和生產效率。研究流程包括數據收集、數據預處理、模型訓練與預測、決策支持與執行等環節。從數據源、模型透明性與可解釋性、系統集成3個方面分析了利用人工智能實現PdM的挑戰。研究結果表明，基于人工智能的PdM能夠顯著減少設備故障時間，提高維護效率，降低運營成本。此外，提出機器學習、物聯網、云計算和數字孿生等技術在PdM中的應用前景，為未來研究提供了方向。

關鍵詞：預測性維護；人工智能；深度學習；機器學習；數字孿生；區塊鏈技術

中圖分類號：TD679文章編號：1001-1277（2025）01-0001-05

文獻標志碼：A doi：10.11792/hj20250101

引言

在礦山設備管理中，維護策略的選擇直接影響設備的可靠性及運行效率。預防性維護（Preventive Maintenance，PM）與預測性維護（Predictive Mainte-nance，PdM）是2種常用的維護策略，但二者在概念、方法和應用效果上存在顯著差異[1-3]。PM是一種基于時間或使用周期的維護策略，其主要目的是通過定期檢查與維護來防止設備發生故障，重點強調定期性與計劃性。而PdM則是一種基于設備實際運行狀態的維護策略，通過實時監測設備的運行數據，如振動、溫度、壓力等參數，利用先進的分析和預測技術來預測設備的故障發生時間和剩余壽命[4]。PdM的核心在于數據驅動和精準預測，其目的是在設備故障發生前進行維護，從而避免非計劃停機和嚴重損壞。PdM在提高設備可靠性和生產效率方面發揮著至關重要的作用。隨著礦山設備的自動化和智能化水平不斷提高，傳統的維護方法難以滿足現代生產需求。PdM通過數據分析和人工智能（AI）技術，提前預測設備故障并進行預防性維護，可顯著降低設備的故障率及維修成本。該領域的研究熱點在于如何提升PdM的預測準確性與自主性，以適應復雜和動態的工作環境[5-6]。

近年來，許多研究集中在基于AI的PdM上，包括機器學習、深度學習、數據挖掘和大數據分析等[7-10]。該類研究在預測準確性與系統自主性方面已取得顯著進展。例如：前饋神經網絡（FNN）、決策樹（DT）、隨機森林（RF）和支持向量機（SVM）等算法被用于傳感器數據分類[11-15]。深度神經網絡（DNN），包括卷積神經網絡（CNN）、循環神經網絡（RNN）及長短期記憶網絡（LSTM），則被用于生成所提出的預測性維護策略和算法，對傳感器數據進行特征提取和故障預測[16-21]。鑒于構建智能制造系統的目標，基于AI的PdM需對數據充分挖掘，以用于構建能夠獲得知識并預測設備健康狀態的機器學習模型。在該方面，PdM提供了諸如基于狀態的維護（CBM）、預測與健康管理（PHM）和剩余壽命（RUL）等方法[22-24]。然而，現有研究仍存在一些不足，如數據質量和數量的限制、不確定性問題、黑箱問題及AI芯片問題等[5，25-26]。針對上述不足，首先，詳細梳理了基于AI的礦山設備PdM工作流程，包括數據收集、數據預處理、模型訓練與預測、決策支持與執行4個環節；然后，分析了在PdM中使用AI的挑戰，如數據源、模型透明性與可解釋性、系統集成等問題；最后，探討了機器學習、物聯網（IoT）、云計算和數字孿生等技術在PdM中的應用前景，為未來研究提供了方向。

1基于AI的PdM工作流程

基于AI的PdM是一種復雜而全面的維護策略，通過收集和解釋關鍵組件運行狀態的間歇性或連續數據，最大限度地減少檢查和維修總成本，即通過整合多種技術以提升礦山設備的運維效率和使用壽命。該系統的關鍵組成包括傳感器、數據預處理、AI算法、決策模塊、通信與集成及用戶界面與報告6部分。基于AI的PdM工作流程與關鍵組成部分的邏輯關系見圖1。

1.1數據收集

數據收集是PdM工作流程的起點，通過在礦山設備上安裝多種傳感器來實時采集設備運行狀態數據。此類傳感器包括振動傳感器、溫度傳感器、壓力傳感器等，它們能夠捕捉設備的關鍵參數，如振動頻率、溫度變化、壓力波動等。這些數據可通過物聯網技術實時傳輸到中央數據服務器或云端存儲平臺[27]。

此外，還可以將設備的歷史運行數據、維護記錄和操作日志等作為補充數據源，以提供全面的數據支持。這些數據的收集為后續數據預處理和模型訓練提供了基礎。

1.2數據預處理

收集到的原始數據通常包含噪聲和異常值，為確保數據質量需進行數據預處理。數據預處理的步驟包括：

1）數據清洗。剔除無效數據及異常值，確保數據的準確性和完整性。

2）缺失數據處理。填補或刪除缺失數據，確保數據的完整性。

3）數據歸一化。將數據標準化，以便于后續算法處理。例如，將不同量綱數據轉換為相同量綱，使其在模型訓練時具有可比性。

4）特征提取。從原始數據中提取有用特征，這些特征能夠更好地代表設備的運行狀態和故障模式。常用的特征提取方法包括時域分析、頻域分析和小波變換等。

5）數據集劃分。將數據劃分為訓練集、驗證集和測試集，以便于后續的模型訓練和評估。

1.3模型訓練與預測

數據經過預處理后，進入模型訓練與預測階段。基于AI的PdM主要采用機器學習和深度學習算法進行模型構建。常用的算法包括：

1）監督學習。該算法屬于回歸分析，如支持向量機、隨機森林和梯度提升樹等，用于故障分類和剩余壽命預測。

2）無監督學習。該算法屬于分類模型，如K-means聚類和自組織映射（SOM），用于異常檢測和數據模式識別。

3）深度學習。該算法屬于時間序列分析，如卷積神經網絡、遞歸神經網絡和長短期記憶網絡，用于處理復雜的時間序列數據和高維度數據。

模型訓練過程中，首先，利用訓練集進行模型參數的學習和優化；然后，利用驗證集進行模型的調優和驗證；最后，在測試集上評估模型的性能。通過迭代優化，最終得到一個能夠準確預測設備故障和剩余壽命的模型。

1.4決策支持與執行

模型訓練完成后，基于AI的PdM可以實時監測設備的運行狀態，并根據模型預測結果提供維護建議和決策支持。決策支持與執行的步驟包括：

1）實時監測與預測。通過實時監測傳感器數據，使用訓練好的AI模型進行故障預測和剩余壽命估算。如果檢測到異常或預測設備即將出現故障，系統會自動生成預警。

2）維護建議與計劃。根據預測結果，系統生成維護建議和詳細維護計劃，包括具體維護時間、維護內容和所需備件等。這些建議和計劃可以幫助維護人員提前準備，避免非計劃停機和設備損壞。

3）執行與反饋。維護人員根據系統提供的建議和計劃，進行實際維護操作。在維護完成后，記錄維護過程和結果，并將這些數據反饋回系統，不斷優化模型和維護策略。

決策模塊可推薦預防性或糾正性維護任務，安排維護時間，并根據設備的運行條件在必要時向維護團隊發送警報；通信與集成模塊可通過使用標準接口和協議，如Modbus、Snap7和OPC-UA等實現系統的無縫通信和數據共享；用戶界面及報告模塊則提供數據可視化、儀表板和報告功能，將數據及預測信息直觀地呈現給用戶。

基于AI的礦山設備PdM工作流程包括數據收集、數據預處理、模型訓練與預測、決策支持與執行4個環節，可實現對礦山設備運行狀態的全面監控和故障預測。同時，每個組成部分的有機結合確保了系統的整體效能和可靠性。

2使用AI實現PdM的挑戰

基于AI的PdM系統具有顯著優勢，但在礦山設備實際應用中仍面臨數據源、模型透明性與可解釋性及系統集成等方面的挑戰。

2.1數據源

數據數量與質量對訓練和驗證基于AI的PdM系統至關重要。早期階段，因難以擁有所有相關數據，導致模型訓練效果不佳。使用現有數據后，有必要識別數據缺口并解決數據量不足的問題。而數據質量與預測準確性呈正相關關系，即數據質量越高，預測結果越準確，但收集和清洗數據的時間和成本可能越高。為應對這些問題，提出使用虛擬環境和測試平臺來模擬真實數據場景，以彌補數據不足[12，16]。為提高系統在真實場景中的適應性，可在不同條件下進行廣泛測試與驗證，包括不同類型的設備及操作條件。但是，在實驗室條件下測試的系統可能無法在復雜的現實工業環境中表現出同樣的性能和準確性[5]。

此外，缺乏統一的標準數據評估指標，使得不同PdM系統之間的性能比較變得困難。為克服該問題，提出了預測準確性、均方誤差、精度和召回率等評估指標。這些指標有助于評估系統的準確性和可靠性，但仍需要在行業內達成共識，以制定統一標準。

2.2模型透明性與可解釋性

透明性與可解釋性是基于AI的PdM系統的基本組成部分[9]。由于系統的復雜性，特別是深度學習模型，確保其透明性和可解釋性面臨諸多挑戰：①AI模型通常包含大量參數和復雜的非線性關系，使得難以理解模型的決策過程；②特征選擇和生成過程可能非常復雜，不易解釋；③深度學習和其他復雜AI模型通常被視為黑箱模型，其內部工作機制難以理解和解釋；④PdM模型需要定期更新以反映新數據和環境變化，模型的頻繁更新可能導致透明性和可解釋性下降；⑤在某些行業和地區，使用AI技術需要遵守嚴格的合規性和法規要求，這可能對模型透明性和可解釋性提出額外挑戰。為克服上述挑戰，可通過使用簡單模型（如決策樹或線性回歸模型）、自動特征工程工具、梯度加權類激活映射（Grad-CAM）技術，以及實施嚴格的版本控制和合規性管理，以增強AI模型的透明性和可解釋性，從而實現更高效可靠的預測性維護。

2.3系統集成

系統集成方面面臨的挑戰包括：①不同數據源的數據格式和頻率可能不同，集成和管理這些數據的過程復雜；②PdM系統通常需要與現有的企業資源規劃系統（ERP）、制造執行系統（MES）和其他工業控制系統集成，這些系統可能使用不同的技術和協議，缺乏互操作性；③在集成過程中，數據安全和隱私保護是一個重要的考慮因素，PdM系統需要訪問和處理大量敏感數據，存在數據泄露和被網絡攻擊的風險；④隨著數據量和業務需求的增長，PdM系統需要具備良好的可擴展性，能夠處理越來越多的數據和分析更復雜的任務。針對以上挑戰，提出了一些集成方法，如模塊化設計和面向服務架構（SOA），利用標準接口和協議（如Modbus、Snap7、0PC-UA和RESTfulAPI）來實現與現有系統的通信[28-29]。此外，邊緣計算和霧計算等技術也被用于提高系統集成的靈活性和效率，即通過數據標準化、開放接口、安全保護、可擴展設計等措施可有效實現PdM系統的高效集成和應用[30]。

3前沿技術與未來發展趨勢

3.1前沿技術

基于AI的PdM系統作為一種前瞻性維護策略，依托于先進的數據分析和人工智能技術，正在不斷發展和演進。以下是當前該領域的幾項最新技術：

1）機器學習與深度學習。增強學習（Reinforce-ment Learning）通過試錯過程學習策略，在PdM系統中的應用主要體現在設備運行策略優化和決策支持方面。通過不斷調整維護策略，增強學習可以找到最優的維護方案，從而延長設備壽命和提高生產效率。圖神經網絡（Graph Neural Networks，GNN）作為處理圖結構數據的深度學習模型，可有效模擬礦山設備的復雜連接關系并在設備故障預測和狀態監測中發揮重要作用。自動編碼器（Autoencoder）為無監督學習算法，在PdM系統中可用于從高維度傳感器數據中提取關鍵特征，幫助提高故障預測準確率。

2）物聯網與邊緣計算。IoT技術通過在設備上安裝各種傳感器，實時采集設備運行狀態數據，使得PdM系統能獲取更全面和實時數據支持。例如：通過振動傳感器監測設備的振動頻率，可及時發現設備的異常情況。邊緣計算（Edge Computing）是一種在數據源頭進行數據處理和分析的技術。通過在設備端進行初步的數據預處理和分析，邊緣計算可以大大降低數據傳輸的延遲，提高系統的實時性和響應速度。此外，邊緣計算還能有效減輕中央服務器的負載，提升整個系統的效率。

3）大數據與云計算。隨著礦山設備傳感器數量的增加，PdM系統需要處理和分析大量數據。大數據技術在數據存儲、管理和分析方面通過使用Hadoop、Spark等大數據平臺，可高效地處理和分析海量數據，從中提取有價值的信息。云計算技術則可提供高性能計算資源和數據存儲能力，使PdM系統能夠處理復雜的計算任務和存儲大量歷史數據。通過將數據和計算任務托管在云端，可以降低基礎設施成本，提高系統的靈活性和擴展性。

4）數字孿生。數字孿生通過創建設備的虛擬模型，模擬其運行狀態和預測故障情況，不僅可以實時監測設備的運行狀態，還可以進行虛擬測試和故障預測，幫助提前發現潛在問題并制訂相應的維護策略。該技術在提升PdM系統的準確性和可靠性方面具有重要作用。

5）區塊鏈。區塊鏈具有去中心化、不可篡改和透明性等特點，在確保數據安全性和透明性方面具有巨大潛力。在分布式PdM系統中，區塊鏈可以用于記錄和驗證傳感器數據，確保數據的完整性和可信度。此外，區塊鏈還可以實現維護記錄的透明化管理，提升系統的信任度和可靠性。

3.2未來發展趨勢

基于AI的PdM系統在礦山設備維護中具有廣闊的應用前景。未來發展趨勢主要體現在以下幾個方面。

1）自適應系統與自學習系統。

自適應系統：未來的PdM系統將更加智能化，能夠根據新數據和新情況自適應調整和學習。這意味著PdM系統可以自動識別和適應設備運行狀態的變化，優化維護策略和預測模型，從而提高系統的準確性和可靠性。

自學習系統：通過不斷地從新數據中學習和改進模型，可以在沒有人工干預的情況下進行自主優化。這種能力對于應對復雜和動態的工作環境尤為重要，能夠確保PdM系統始終保持高效和準確的預測性能。

2）跨領域融合。

與機器人技術結合：PdM系統將與機器人技術深度融合，實現自動化維護和檢修。例如，通過使用自動化檢測機器人，可以實時監測設備的運行狀態，及時發現和修復故障。

與增強現實（AR）技術結合：AR技術可以為維護人員提供實時的維護指導和支持。例如，通過AR眼鏡，維護人員可以看到設備的實時數據和故障信息，并獲取詳細的維護步驟和操作指導，從而提高維護效率和準確性。

3）標準化與規范化。

數據標準化：未來的PdM系統將在數據標準化方面取得重要進展。通過制定統一的數據標準和接口規范，可以提高不同系統之間的數據兼容性和互操作性，促進PdM系統的推廣和應用。

接口標準化：標準化的接口和協議將使得PdM系統能夠與企業資源規劃系統、制造執行系統和其他工業控制系統實現無縫集成，增強PdM系統的整體效能和可靠性。

4）人機協作。

智能輔助系統：未來的PdM系統將更加注重人機協作。智能輔助系統通過提供數據分析和決策支持，幫助決策者制定更準確的維護決策。例如，PdM系統可以根據實時數據和歷史數據生成維護建議和計劃，輔助維護人員進行決策。

人機交互界面：優化的人機交互界面將使維護人員能夠更加方便與PdM系統進行互動。通過使用直觀的儀表板和數據可視化工具，維護人員可以輕松獲取設備的運行狀態和故障信息，提高工作效率和決策質量。

5）持續優化與升級。

數據反饋和優化：PdM系統將通過持續的數據反饋和優化，不斷提升預測的準確性和可靠性。維護人員的反饋和實際維護結果將用于不斷調整和改進預測模型，確保PdM系統始終處于最佳狀態。

技術升級：隨著新技術的不斷發展，PdM系統也將不斷進行技術升級。新算法、新傳感器和新計算平臺的應用將進一步提升PdM系統的性能和效率，使其能夠應對更加復雜的維護需求。

基于AI的預測性維護在礦山設備管理中具有重要應用價值。通過整合多種前沿技術，PdM系統能夠實現對設備運行狀態的全面監控和故障預測，顯著提高設備的可靠性和生產效率。未來，隨著技術的不斷進步和應用的深入，PdM系統將更加智能化、自動化和融合化，為礦山設備管理帶來更多的創新和突破。

4結論與建議

與傳統的預防性維護不同，基于AI的PdM系統在數據驅動的精準預測、智能化與自動化、系統集成與優化，以及提高設備壽命與生產效率方面具有顯著優勢。但是，在實際應用過程中仍面臨一些挑戰。數據源的獲取和質量、模型透明性與可解釋性、系統集成的復雜性等問題需要在未來的研究和實踐中進一步解決。

1）加強數據管理：通過建立標準化的數據收集和處理流程，提高數據質量和一致性。同時，利用虛擬環境和測試平臺，模擬真實世界的數據場景，彌補數據不足。

2）提高模型透明性與可解釋性：采用簡單模型和自動特征工程工具，增強AI模型的透明性和可解釋性。采用梯度加權類激活映射等技術，實現復雜AI模型的可視化和解釋。

3）優化系統集成：利用標準接口和協議，實現PdM系統與現有工業控制系統的無縫通信和數據共享。邊緣計算和霧計算技術的應用，可以提高PdM系統集成的靈活性和效率。

4）推動技術創新與融合：持續關注和應用前沿技術，如數字孿生、區塊鏈等，提升PdM系統的整體性能和安全性。同時，探索與機器人技術、增強現實技術的融合，實現更加智能化和自動化的設備維護。

綜上，基于AI的PdM系統在礦山設備管理中具有重要的應用價值。通過整合多種前沿技術，PdM系統能夠實現對設備運行狀態的全面監控和故障預測，顯著提高設備的可靠性和生產效率。未來，隨著技術的不斷進步和應用的深入，PdM系統將更加智能化、自動化和融合化，為礦山設備管理帶來更多的創新和突破。研究結果可為礦山設備的預測性維護提供理論支持和技術指導，也可為相關領域的進一步研究和應用探索新方向。

[參考文獻]

[1]ZONTA T，COSTA CA D，RIGHI RDR，et al.Predictive mainte-nance in the Industry 4.0：A systematic literature review[J].Com-putersamp;Industrial Engineering，2020，150：106889.

[2]MAKTOUBIAN J，TASKHIRIMS，TURNER P.Intelligent predictive maintenance（IPdM）in forestry：A review of challenges and oppor-tunities[J].Forests，2021，12（11）：1495.

[3]DANIYAN I，MPOFU K，OYESOLA M，et al.Artificial intelligence for predictive maintenance in the railcar learning factories[J].Proce-dia Manufacturing，2020，45：13-18.

[4]李鑫.某露天礦5G網絡安全技術研究與應用[J].黃金，2023，44（11）：32-34，43.

[5]袁燁，張永，丁漢.工業人工智能的關鍵技術及其在預測性維護中的應用現狀[J].自動化學報，2020，46（10）：2013-2030.

[6]楊濤.工業人工智能專題序言[J].自動化學報，2020，46（10）：2003-2004.

[7]TIDDENS WW，BRAAKSMA A J，TINGA T.Exploring predictive maintenance applications in industry[J].Journal of Quality in Main-tenance Engineering，2022，28（1）：68-85.

[8]楊國華，李婉露，孟博.基于機器學習方法的地下水氨氮時空分布規律[J].吉林大學學報（地球科學版），2022，52（6）：1982-1995.

[9]UCAR A，KARAKOSE M，KIRIMCA N.Artificial intelligence for predictive maintenance applications：Key components，trustworthi-ness，and future trends[J].Applied Sciences，2024，14（2）：898.

[10]CAO QS，SAMET A，ZANNI-MERK C，et al.Combining chronicle mining and semantics for predictive maintenance in manufacturing processes[J].Semantic Web，2020，11（6）：927-948.

[11]SHAMAYLEH A，AWAD M，FARHAT J.IoT based predictive maintenance management of medical equipment[J].Journal of Medical Systems，2020，44（4）：72.

[12]CHENGJCP，CHEN Ww，CHEN KY，et al.Data-driven predic-tive maintenance planning framework for MEP components based on BIM and IoT using machine learning algorithms[J].Automation in Construction，2020，112：103087.

[13]KAPARTHI S，BUMBLAUSKAS D.Designing predictive mainte-nance systems using decision tree-based machine learning tech-niques[J].Intenational Journal of Qualityamp;Reliability Manage-ment，2020，37（4）：659-686.

[14]胡榮華，安冬，史夢圓，等.智能礦用機器人研究現狀及發展趨勢[J].黃金，2023，44（9）：59-68.

[15]SAIDY C，XIA K，KIRCALIALI A，et al.The application of statisti-cal quality control methods in predictive maintenance 4.0：An uncon-ventional use of statistical process control（SPC）charts in health monitoring and predictive analytics[M]//BALL A，GELMAN L，RAOBKN.Advances in asset management and condition moni-toring：COMADEM 2019.Cham：Springer international publishing，2020：1051-1061.

[16]GIANOGLIO C，RAGUSA E，GASTALDO P，et al.Online predic-tive maintenance monitoring adopting convolutional neural net-works[J].Energies，2021，14（15）：4711.

[17]DE SANTO A，FERRARO A，GALLI A，et al.Evaluating time series encoding techniques for predictive maintenance[J].Expert Systems with Applications，2022，210：118435.

[18]SOUZA RM，NASCIMENTO EGS，MIRANDA UA，et al.Deep learning for diagnosis and classification of faults in industrial rota-ting machinery[J].Computersamp;Industrial Engineering，2021，153：107060.

[19]DONG Z K，JIXY，WANG JY，et al.ICNCS：Internal cascaded neuromorphic computing system for fas electric vehicle state of charge estimation[J].IEEE Transactions on Consumer Electronics，2024，70（1）：4311-4320.

[20]CHEN JC，CHEN T L，LIUWJ，et al.Combining empirical mode decomposition and deep recurrent neural networks for predictive maintenance of lithium-ion battery[J].Advanced Engineering Infor-matics，2021，50：101405.

[21]BALAZY P，GUT P，KNAP P.Neural classifying system for predic-tive maintenance of rotating devices[J].Conference Series：Materials Science and Engineering，2022，1239（1）：012013.

[22]張鑫崇，殷長春.基于Debye模型的時間域航空電磁激電效應正演模擬[J].吉林大學學報（地球科學版），2023，53（5）：1573-1581.

[23]萬曉杰，鞏向博，成橋，等.基于DeCNN的逆時偏移低頻噪聲壓制方法[J].吉林大學學報（地球科學版），2023，53（5）：1593-1601.

[24]宋曉梅，郭振宇，王銳，等.選冶智能推送云服務系統的設計與應用[J].黃金，2022，43（11）：57-61.

[25]PALEYES A，URMA R G，LAWRENCE N D.Challenges in deploying machine learning：A survey of case studies[J].ACM Computing Surveys，2022，55（6）：1-29.

[26]龐立新，張耀軍，徐標，等.西門子MMI-2電子皮帶秤在錦豐礦業公司的應用[J].黃金，2022，43（10）：54-57.

[27]DIONISIO R，RUBIO EM，TORRES P.Smart gateways for IOT-fac-tory integration：Trends and use case[M]//FERREIRA L，LOPES N，SILVA J，et al.Technological developments in industry 4.0 for business applications.Hershey：IGI global，2019：149-170.

[28]ALLAHLOH AS，SARFRAZM，GHALEB AM，et al.Revolutioni-zing IC genset operations with HoT and AI：A study on fuel savings and predictive maintenance[J].Sustainability，2023，15（11）：8808.

[29]MOURTZIS D，ANGELOPOULOS J，PANOPOULOS N.Design and development of an edge-computing platform towards 5G technology adoption for improving equipment predictive maintenance[J].Proce-dia Computer Science，2022，200：611-619.

[30]王慶凱，楊天皓，莫雪磊，等.黃金礦山智能選礦廠建設關鍵技術研究與應用[J].黃金，2023，44（9）：69-74.

Application of artificial intelligence in predictive maintenance of mining equipment

Li Tao，Sun Yan，Hou Jianshuo，Zhou Bin

（Wanbao Mining Co.，Ltd.）

Abstract：P redictive maintenance（PdM）leverages data and analytics to anticipate potential failures of system components，enabling preemptive maintenance measures to prevent damage.This approach aims to address predictive challenges in mining equipment maintenance，enhancing equipment reliability and production efficiency.The research process encompasses stages such as data collection，preprocessing，model training，and prediction，as well as decision support and execution.Challenges in implementing PdM with artificial intelligence are analyzed from 3 perspectives：data sources，model transparency and interpretability，and system integration.The findings indicate that AI-based PdM significantly reduces equipment downtime，improves maintenance efficiency，and lowers operating costs.Additionally，the study outlines the application prospects of technologies such as machine learning，IoT，cloud computing，and digital twins in PdM，offering directions for future research.

Keywords：predictive maintenance;artificial intelligence;deep learning;machine learning;digital twin;blockchain technology