当今社会,随着制造业的升级以及车辆飞机等动力机械的不断发展和应用,很多企业面临持续的成本控制压力,如何有效提升机器的可用率,减少维护的成本和机器可能因为故障或者非故障造成的停机损失,成为了近年来研究的主要课题,同时有效分析根本原因也帮助生产企业从设计和制造环节上对产品做出可持续优化。产品的维护对于企业有着至关重要的作用这一点在业界已经达成了共识。广义上说维护分为修复性维护（Corrective Maintenance）,预防性维护（Preventive Maintenance）以及预测性维护（Predictive Maintenance,简称PdM）。修复性维护属于非计划性维护。预防性维护（Preventive Maintenance）也称为定期维护。这是基于时间的维护,通过定期停机检查、更换和拆卸零件,从而避免损坏和生产损失^[1]。近年来随着物联网的兴起,使得机器状态信息的及时获取和分析变成了可能。新型的预测性维护（Predictive Maintenance）采用机器传感器收集的日志和产品的维护记录相结合,并使用时下流行的机器学习以及医药行业广泛使用的生存分析模型,对产品整机以及重要零部件的使用寿命进行预测,从而在故障发生前主动采取上门巡检或者更换相关零部件,以减少对应的宕机损失。预测性维护的优点:克服预防维护的盲目性,根据状态的不同采用不同的方法,减少事后维护造成的宕机时间长问题,提高设备的可用率,并且降低运行监测费用,减少维护工作量,提高经济效益。预测性维护属于前瞻性技术,然而针对数据的来源采集和解决方案的自动化各个行业有自己各自的标准,很难有统一的产品和技术用于适配不同的行业和生产线。本文通过对已有经验归纳总结基础上提出创新,设计并实现了一种有效的整合数据源,构建预测模型,进而对预测的结果进行可视化展示的端到端的解决方案。关于数据整合方面,借鉴了传统的数据仓库的搭建方式,对不同数据源进行清洗处理,通过选取特征变量构建预测模型,进而比较基于Cox Proportional Hazards和深度学习的预测方法,得出了Cox Proportional Hazards在实验条件下预测效果更好的结论。在此基础上,结合已有研究成果和相关作用机理,讨论未来改进和促进方案。本文首先从预测性维护技术概述入手,介绍了一种业内的预测性维护成熟度模型,接着介绍了预测性维护的一般流程。以故障预测模型为例,介绍了业内常见的统计学的模型比如基于Cox模型的预测,逻辑回归,支持向量机,深度学习以及基于决策树的预测模型。以关键问题分析为例,针对“预测机械设备的失败概率和可用时间”为主题提出了两种方案,本文结合了机器传感器日志和客户维保信息两种数据源进行数据整合提出对应的预测方案。（1）针对Cox PH搭建预测模型,并且将算法模型整合进Vertica数据仓库中通过R语言自定义函数进行调用分析,利用大数据的列式存储计算提升性能。（2）尝试了一种基于深度学习的生存分析框架,在基于模拟数据集的分析的基础上进行了分析和效果评估。同时结合测试用例以及基于实际项目数据进行模型准确率评估,结果表明,该预测方案比现有的基于单个数据源和传统的基于统计的预测方法更为有效。另一方面,本文引入了基于Tidal调度工具的定时任务触发,从而保证整个系统从数据加载到模型的构建再到预测结果展现保证任务连贯性和一致性。最后,在分析目前业内其他类似的预测解决方案的基础上,结合前文的预测结果分析的结论,提出了实时性流式数据接入以及模型参数动态更新等未来改进方案。