基于机器学习和知识图谱的轮胎制造能耗优化：能源驱动型智能维护系统创新研究

针对传统维护策略依赖能源浪费指标（如振动、声音）的局限性，研究人员提出能源驱动型维护（EBM）方案，结合机器学习（ML）、深度学习（DL）与高斯图模型（GGM）网络分析，通过液压/电力等一次能源信号实现故障预测。实验证明EBM可降低轮胎橡胶混炼机能耗3.05%–7.75%，为可持续生产提供新范式。

　　

在制造业绿色转型的浪潮中，轮胎行业正面临严峻挑战：传统维护策略依赖振动、声音等二次能源浪费指标，却忽视了液压、电力等一次能源数据的潜在价值。这种粗放模式不仅导致能效低下，更与全球可持续发展目标背道而驰。更棘手的是，现有研究对机器学习（ML）和深度学习（DL）算法选择缺乏共识，且难以解析高维特征空间的故障机制。面对这些痛点，诺维萨德大学技术科学学院的研究团队在《Journal of Cleaner Production》发表突破性成果，通过能源驱动型维护（EBM）框架重塑轮胎制造可持续性。

研究团队采用多模态技术路线：首先通过系统文献综述（SLR）与诊断试验准确性荟萃分析（PRISMA-DTA）筛选最优ML/DL算法；继而利用递归特征消除（RFE）从液压系统压力/流量信号中提取关键特征；最后引入高斯图模型（GGM）进行探索性网络分析，揭示潜在故障机制。实验对象为轮胎制造核心设备——橡胶混炼机，其能耗占生产流程比重极高。

研究结果部分，算法性能比较显示梯度提升分类器（GBC）、随机森林（RF）和多层感知器神经网络（MLP-ANN）表现最优，曲线下面积（AUC）达0.95以上。特征选择环节发现，基于RF和k最近邻（kNN）算法筛选的特征最具判别力。最具创新性的是GGM网络分析，首次可视化了一次能源特征间的非线性关联模式，为理解故障发生机制提供新视角。能耗对比实验证实，EBM方案较传统维护可节能3.05%–7.75%，相当于单台混炼机年均减少数百兆瓦时电力消耗。

这项研究的意义在于三方面突破：方法论上，建立首个结合ML/DL与知识图谱的EBM框架；技术上，验证一次能源信号较振动/声音数据的诊断优势；应用上，为《欧洲绿色协议》目标提供可落地的解决方案。作者特别指出，GGM网络分析可推广至其他流程工业，而特征选择策略能显著降低DL模型计算成本。局限在于当前实验仅针对液压系统，未来需扩展至电气等多能源耦合场景。这项成果标志着制造业维护策略从"故障后修复"到"能源最优预防"的范式转变，为碳中和目标下的智能运维树立了新标杆。