通过对基于物联网的公交车队中逐步发生的故障进行无监督聚类来实现预测性维护

《ACM Transactions on Sensor Networks》：Predictive Maintenance by the Unsupervised Clustering of Gradual Faults in a fleet of IoT-based Public Buses

本研究提出基于聚类算法的物联网公交车预测性维护方法，通过合成数据集解决小样本问题，在冷却系统和发动机扭矩系统检测中实现100%故障识别准确率，silhouette评分达0.99（冷却）和0.88（发动机），有效提升维保效率与安全性，方法具备系统扩展性。

　　

摘要

预测性维护涉及从机器中收集数据，并使用算法来分析机器的状态或判断机器是否需要维护或修理。本文提出了一种基于聚类的预测性维护算法，用于检测基于物联网（IoT）的公交车的潜在故障和逐渐恶化的情况。研究表明，预测性维护能够提高成本和时间效率，并通过实施预防性维护措施来增强用户安全性。虽然本文实现的预测模型主要关注冷却系统和发动机扭矩系统，但所提出的方法具有灵活性，可以扩展到其他子系统。为了解决数据不足的问题，本文还生成了合成数据集来模拟正常状态和存在潜在故障的公交车。在模拟78辆公交车的合成数据集上的实验表明，聚类的质量很高，轮廓得分分别达到了0.99（冷却系统）和0.88（发动机系统）。此外，这些聚类能够以100%的准确率识别出故障部件，即所有存在潜在故障的公交车都被成功检测出来。预测性维护框架通常需要大量的标记数据，并且容易受到数据不平衡的影响；然而，本文提出的方法即使在缺乏大量标记数据的情况下也能获得高精度结果，并且对数据不平衡的情况具有很强的鲁棒性。总体而言，本文通过提供一种高效且实用的解决方案，为预测性维护做出了贡献，确保了交通系统的可靠性和安全性。