面向工业4.0的可信预测性维护的级联机器学习和深度学习模型

基于AI的预测性维护（PdM）在实验室环境中通常表现良好，但在实际工业环境中应用时却面临挑战。许多研究依赖于基准数据集或简化的故障场景，这些场景并不反映车间条件的复杂性，那里传感器数据异构，标签稀疏或噪声大，维护日志无结构。本研究旨在通过开发和验证一个端到端的PdM管道，专门基于来自工业厂的原始操作数据进行训练，来解决这些缺口。本研究提供了三个主要贡献。首先，它比较了传统机器学习模型（XGBoost）与深度学习序列模型（LSTM），不仅评估了准确性和F1分数，还评估了交付时间和警报负载等操作指标。其次，它引入了一个级联管道：轻量级的第一阶段模型检测即将发生的故障，后续模型对严重性和故障类型进行分类，从而减少误报并在需要的地方集中预测能力。第三，它将建模框架置于一个透明且可重复的数据处理工作流程中，包括清洗、同步、目标定义和时间感知验证。初步结果表明，级联方法在早期故障检测中达到约98%的准确率，并改善了严重性预测，而由于类不平衡和噪声标签，组件分类仍具挑战性。