Thermal cyclers are used to perform polymerase chain reaction runs (PCR runs) and Peltier modules are the key components in these instruments. The demand for thermal cyclers has strongly increased during the COVID-19 pandemic due to the fact that they are important tools used in the research, identification, and diagnosis of the virus. Even though Peltier modules are quite durable, their failure poses a serious threat to the integrity of the instrument, which can lead to plant shutdowns and sample loss. Therefore, it is highly desirable to be able to predict the state of health of Peltier modules and thus reduce downtime. In this paper methods from three sub-categories of supervised machine learning, namely classical methods, ensemble methods and convolutional neural networks, were compared with respect to their ability to detect the state of health of Peltier modules integrated in thermal cyclers. Device-specific data from on-deck thermal cyclers (ODTC®) supplied by INHECO Industrial Heating & Cooling GmbH (Fig 1), Martinsried, Germany were used as a database for training the models. The purpose of this study was to investigate methods for data-driven condition monitoring with the aim of integrating predictive analytics into future product platforms. The results show that information about the state of health can be extracted from operational data - most importantly current readings - and that convolutional neural networks were the best at producing a generalized model for fault classification.

热循环仪用于执行聚合酶链式反应运行（PCR 运行），而 Peltier 模块是这些仪器中的关键组件。在 COVID-19 大流行期间，对热循环仪的需求大幅增加，因为它们是病毒研究、鉴定和诊断中使用的重要工具。尽管 Peltier 模块非常耐用，但它们的故障会对仪器的完整性构成严重威胁，这可能导致工厂关闭和样品丢失。因此，非常希望能够预测 Peltier 模块的健康状态，从而减少停机时间。在本文中，来自监督机器学习的三个子类别，即经典方法、集成方法和卷积神经网络，比较了它们检测集成在热循环仪中的 Peltier 模块健康状态的能力。来自德国 Martinsried 的 INHECO Industrial Heating & Cooling GmbH（图 1）提供的甲板热循环仪 (ODTC®) 的设备特定数据被用作训练模型的数据库。本研究的目的是研究数据驱动的状态监测方法，旨在将预测分析集成到未来的产品平台中。结果表明，可以从操作数据（最重要的是当前读数）中提取有关健康状态的信息，并且卷积神经网络最擅长生成故障分类的通用模型。来自德国 Martinsried 的 INHECO Industrial Heating & Cooling GmbH（图 1）提供的甲板热循环仪 (ODTC®) 的设备特定数据被用作训练模型的数据库。本研究的目的是研究数据驱动的状态监测方法，旨在将预测分析集成到未来的产品平台中。结果表明，可以从操作数据（最重要的是当前读数）中提取有关健康状态的信息，并且卷积神经网络最擅长生成故障分类的通用模型。来自德国 Martinsried 的 INHECO Industrial Heating & Cooling GmbH（图 1）提供的甲板热循环仪 (ODTC®) 的设备特定数据被用作训练模型的数据库。本研究的目的是研究数据驱动的状态监测方法，旨在将预测分析集成到未来的产品平台中。结果表明，可以从操作数据（最重要的是当前读数）中提取有关健康状态的信息，并且卷积神经网络最擅长生成故障分类的通用模型。本研究的目的是研究数据驱动的状态监测方法，旨在将预测分析集成到未来的产品平台中。结果表明，可以从操作数据（最重要的是当前读数）中提取有关健康状态的信息，并且卷积神经网络最擅长生成故障分类的通用模型。本研究的目的是研究数据驱动的状态监测方法，旨在将预测分析集成到未来的产品平台中。结果表明，可以从操作数据（最重要的是当前读数）中提取有关健康状态的信息，并且卷积神经网络最擅长生成故障分类的通用模型。

热循环仪用于执行聚合酶链式反应运行（PCR 运行），而 Peltier 模块是这些仪器中的关键组件。在 COVID-19 大流行期间，对热循环仪的需求大幅增加，因为它们是病毒研究、鉴定和诊断中使用的重要工具。尽管 Peltier 模块非常耐用，但它们的故障会对仪器的完整性构成严重威胁，这可能导致工厂关闭和样品丢失。因此，非常希望能够预测 Peltier 模块的健康状态，从而减少停机时间。在本文中，来自监督机器学习的三个子类别，即经典方法、集成方法和卷积神经网络，比较了它们检测集成在热循环仪中的 Peltier 模块健康状态的能力。来自德国 Martinsried 的 INHECO Industrial Heating & Cooling GmbH（图 1）提供的甲板热循环仪 (ODTC®) 的设备特定数据被用作训练模型的数据库。本研究的目的是研究数据驱动的状态监测方法，旨在将预测分析集成到未来的产品平台中。结果表明，可以从操作数据（最重要的是当前读数）中提取有关健康状态的信息，并且卷积神经网络最擅长生成故障分类的通用模型。来自德国 Martinsried 的 INHECO Industrial Heating & Cooling GmbH（图 1）提供的甲板热循环仪 (ODTC®) 的设备特定数据被用作训练模型的数据库。本研究的目的是研究数据驱动的状态监测方法，旨在将预测分析集成到未来的产品平台中。结果表明，可以从操作数据（最重要的是当前读数）中提取有关健康状态的信息，并且卷积神经网络最擅长生成故障分类的通用模型。来自德国 Martinsried 的 INHECO Industrial Heating & Cooling GmbH（图 1）提供的甲板热循环仪 (ODTC®) 的设备特定数据被用作训练模型的数据库。本研究的目的是研究数据驱动的状态监测方法，旨在将预测分析集成到未来的产品平台中。结果表明，可以从操作数据（最重要的是当前读数）中提取有关健康状态的信息，并且卷积神经网络最擅长生成故障分类的通用模型。本研究的目的是研究数据驱动的状态监测方法，旨在将预测分析集成到未来的产品平台中。结果表明，可以从操作数据（最重要的是当前读数）中提取有关健康状态的信息，并且卷积神经网络最擅长生成故障分类的通用模型。本研究的目的是研究数据驱动的状态监测方法，旨在将预测分析集成到未来的产品平台中。结果表明，可以从操作数据（最重要的是当前读数）中提取有关健康状态的信息，并且卷积神经网络最擅长生成故障分类的通用模型。