基于机器学习的工业生产系统故障分类框架及多模型基准评估研究
《Machines》:Machine Learning-Based Fault Classification for Intelligent Condition Monitoring in Industrial Production Systems
【字体:
大
中
小
】
时间:2026年09月30日
来源:Machines 3.0
摘要
工业生产系统需要智能维护方案,以最大限度减少非计划停机、提高可靠性,并支持数据驱动的决策。本研究提出了一种面向工业生产系统状态监测与故障分类的机器学习框架。该框架采用一个由AI4I衍生合成的数据集进行评估,该数据集包含10,000个生产事件,其特征由运行传感器测量数据和机器故障指标构成。首先进行探索性分析,以考察数据分布、故障模式以及运行变量之间的关系。随后,构建并比较评估了四个分类模型(逻辑回归、随机森林、基于直方图的梯度提升以及多层感知机(MLP)神经网络)。结果表明,非线性模型显著优于逻辑回归基线,其中随机森林、基于直方图的梯度提升和MLP均取得了极高的分类性能。研究结果表明,运行变量之间的交互作用对故障分类任务有重要贡献,且相较于使用原始特征集的线性模型,非线性学习方法能更有效地捕捉这些交互作用。总体而言,本研究在AI4I衍生合成数据集上,对代表性机器学习分类器的故障分类能力进行了基准式比较评估。研究结果主要展示了分类器在受控合成条件下的表现,并为未来使用真实工业数据和实际运行维护环境进行验证提供了基础。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号