大多数组织对其流程采用“反应性维护”方法，即在发生故障后对设备进行维修和更换。机器发生故障后的维修成本大约高出 10 倍，更不用说对收入和客户满意度的直接影响。通过“预防性维护”，设备按照预先设定的时间间隔进行维修或更换，以避免故障。虽然这种方法减少了计划外停机时间，但代价高昂，因为这些计划维修发生在设备没有任何问题的情况下。然而，预测性维护的好处是显着的，因此它正成为制造商的首选方法，使组织能够在需要时预见和安排维修和更换，实现设备 100% 的正常运行时间。制造业中传统机器学习的一个挑战是技术需要干净和完整的数据。然而，制造和过程数据可能是稀疏且嘈杂的。目前，工程师很难访问和解释生产过程数据，他们依靠个人经验和意见来修改工艺参数。这会导致决策的不一致和潜在的次优决策，此外还增加了流程失败的风险，增加了相关的时间和成本。由于改变操作参数及其影响之间的固有时间滞后和惯性，生产线特别难以使用标准技术建模。通过应用相关和创新的深度学习技术来更有效地设计生产流程，也可以显着降低与废料和失败生产相关的成本。

层压纤维增强聚合物 (FRP) 基复合材料在推动高性能轻质部件的行业中越来越普遍，例如航空航天。这是由于它们出色的机械性能和高度可定制的设计。尽管这种可定制性增加了设计选择，但它会对制造过程中的成本、生产力和可持续性产生负面影响。这在加工中尤其明显，在加工中会出现 FRP 零件特有的缺陷。此处描述的工作建立了一种新的基于机器学习的方法，可以根据寿命开始性能数据预测工具寿命，从而减少实验时间和成本。该项目特别具有挑战性，因为原始数据集很稀疏，缺少 82% 的目标数据。