本案例是平台在石化行业的应用，大机组设备发生故障时需要停工进行维护，这对工厂带来经济上的损失，需要对设备进行预测性维护，提前发现故障做出应对，减少损失。
将大机组设备的历史运行数据导入，在<样本集管理>处点击<新建样本集>，选择大机组设备相关数据集导入，提交后可以在样本集管理列表处进行查看。
选择[大数据分析/实验管理]菜单，点击右上角<新建实验>按钮，组建一个关于大机组预测性维护的实验。
在对大机组进行预测性维护主要应用了缺失值处理、数值类型转换、BP神经网络分类等算法。
首先对样本集进行处理，利用缺失值处理组件删除样本集中的缺失值，相关系数矩阵筛选出相关性前的特征变量；
接着将样本集中数据类型进行转换；
完成对样本集的处理后，我们将样本及分为训练集与测试集，采用BP神经网络分类算法队训练集进行训练，对设备运行状态进行分类，将运行状态分为正常、异常、临近异常等类别。
利用模型应用组件将BP算法训练的模型在测试集上进行验证，并且利用分类模型评估组件进行评估，模型评估组件从正确率、召回率、f1值3个角度对模型性能进行评估。通过批量调试对算法进行训练，得到基于模型评估组件的最优模型。本次实验采取批量调试1000次，最终得到健康度为99.99%的一个最优模型。
接下来我们将得到的最优模型应用进行发布。选择发布，并在部署管理中根据已发布的实验建立服务以及对服务进行管理。
服务创建后就可以依据服务发布实验任务，在<计算任务>的试验任务界面点击<新建任务>后，在界面输入任务名称，选择算法服务，根据算法需要选择相关参数，在配置界面绑定输入和输出的对象实例，确认后就可以在实验任务界面查看新建的试验任务，在对应的对象处查看预测情况。
该场景是在设备预测性维护上的一次应用，实验结果可以有效的对设备运行情况进行分析并给出预测信息，提前发现设备运行故障，及时提醒工作人员进行对应措施，对工厂安全生产提供有效支持。
