基于模型集成的保修期内外设备故障预测

摘要

工业设备故障预测是智能制造领域的重要课题，在工业生产中被广泛应用。设备故障预测能够提前对设备进行故障预判和诊断，有利于降低设备的运营风险并提高设备的利用率。由于传统预测方法相对简单，对记录数据利用不充分，使得故障预测准确率较低，并且对于保外期的设备故障预测没有系统的解决方案。为解决上述问题，文章设计了一种基于模型集成的保内保外设备故障预测方法。通过分析挖掘预测性维护数据(包含设备的运行状态数据、发生异常和故障数据以及历史维修数据等),构建高维设备特征属性，使用灰色关联度分析提取主要特征，并结合支持向量机模型与XGBoost模型建立保内保外故障预测协同机制，实现了高、低故障风险设备在保修期内外的协同预测。实验结果表明，该方法在多预测周期、多特征空间、多模型对比下的预测准确率均有提升。

关键词

故障预测 / 预测性维护 / 特征工程 / 支持向量机 / XGBoost

基金资助

国家重点研发计划资助项目(2018YFB1101402)