基于虚拟测量建模与可解释人工智能的不平衡鲁棒预测性维护

《Scientific Reports》：Imbalance-robust predictive maintenance using deep learning with virtual measurement modeling and explainable AI

　　

预测性维护已成为智能工业系统的关键推动力，但其有效性常受限于测量不确定性、原始传感器信号的缺失以及正常事件与故障事件之间的严重类别不平衡。本研究提出了一种考虑测量的预测性维护框架，利用运行变量作为虚拟测量代理，从而在无需原始传感器信号的情况下实现面向测量的分析。使用AI4I 2020预测性维护数据集，该框架集成了一种混合不平衡处理策略，结合了合成少数过采样技术（SMOTE）和代价敏感学习，以在高度不平衡条件下提升故障检测性能。实验结果表明，所提出的混合框架在性能上持续优于基线、仅SMOTE配置和仅代价敏感配置。在评估的分类器中，LightGBM取得了最佳整体性能，F1得分为0.9043，其次是深度神经网络（DNN）（0.8708）和XGBoost（0.8680）。基于SHAP的可解释性分析将刀具磨损和扭矩确定为机器故障最具影响力的预测因子。同时，在模拟高斯测量噪声下的鲁棒性实验表明，该框架在低噪声和中噪声水平下均表现稳定。消融研究进一步证实了SMOTE与代价敏感学习的互补贡献。总体而言，所提出的框架为基于AI4I 2020基准数据集的预测性维护提供了一种有效且可解释的方法，但在实际部署前仍需使用真实工业数据集进行进一步验证。

一、研究背景与现存问题

现代智能制造系统的发展使预测性维护成为工业实践的核心。相较于事后纠正性维护和基于时间的预防性维护，预测性维护旨在提前预判设备故障，从而减少非计划停机、降低维护成本并提高系统可靠性与运行安全性。然而，现有预测性维护方法面临三大挑战：第一，大多数方法假设可靠的原始传感器信号可直接获取，但实际工业场景中往往只能获得间接的运行变量，缺乏对测量质量和不确定性的显式建模；第二，工业数据集中故障事件的占比极低，严重的类别不平衡导致学习算法偏向多数类，使得对稀有但关键的故障检测效果不佳；第三，随着机器学习与深度学习模型日益复杂，模型的透明性和可解释性不足，维护工程师不仅需要准确的预测结果，还需要理解预测背后的原因。

为应对上述挑战，本研究提出了一种考虑测量的预测性维护框架，该框架集成了虚拟测量代理建模、混合不平衡处理策略和可解释人工智能，旨在无原始传感器信号、高度不平衡数据以及需可解释决策的现实工业约束下，实现可靠且可理解的故障预测。

二、主要技术方法

研究人员采用了以下关键技术方法：

1. 1.
   虚拟测量代理建模：将空气温度、过程温度、转速、扭矩和刀具磨损等运行变量视为虚拟测量代理，建立概念上的测量模型以进行灵敏度分析和可靠性评估。
2. 2.
   混合不平衡处理策略：结合数据层面的SMOTE过采样和算法层面的代价敏感学习。SMOTE通过在少数类实例及其最近邻之间线性插值生成合成样本；代价敏感学习则在损失函数中为故障类分配更高的权重，以惩罚漏报。
3. 3.
   深度学习与机器学习分类器：构建了一个包含4个隐藏层（神经元数分别为256、128、64、32）、采用ReLU激活函数、批归一化、Dropout正则化（丢弃率为0.3）的深度神经网络，并使用Adam优化器（初始学习率0.001，批量大小64）训练。同时对比了逻辑回归、支持向量机、随机森林、梯度提升、XGBoost、LightGBM、AdaBoost和决策树等基线模型。
4. 4.
   SHAP可解释性分析：基于合作博弈论的SHAP值量化每个输入特征对单个预测和整体模型行为的贡献，提供全局和局部两种尺度的解释。
5. 5.
   鲁棒性评估：通过模拟高斯测量噪声测试框架在不同噪声水平下的稳定性。

三、研究结果

1. 基线性能（SMOTE之前）

在不应用任何不平衡处理方法的情况下，所有模型在原始不平衡数据上均表现出高精确率但低召回率的特点，说明模型偏向于预测多数类（正常运行），导致大量故障被遗漏。XGBoost取得最高的基线F1分数（0.5374），而深度神经网络的ROC-AUC最高（0.9805）但召回率仅为0.3676，F1分数仅为0.3207。这表明直接在不平衡数据上训练会导致保守的决策边界。

2. SMOTE对分类性能的影响

应用SMOTE后，几乎所有模型的召回率均有显著提升，表明合成少数类样本帮助分类器学习了更具代表性的决策边界。随机森林取得最高F1分数（0.5909），XGBoost紧随其后（0.5876）。深度神经网络的召回率达到0.9118，但精确率下降至0.2995，导致F1分数受限（0.4509）。混淆矩阵显示，SMOTE有效减少了假阴性，但增加了假阳性。

3. 代价敏感学习的效果

代价敏感学习通过调整误分类代价改善了多个分类器的性能。XGBoost取得最高F1分数（0.7067），平衡了精确率（0.6463）和召回率（0.7794）。LightGBM取得最高召回率（0.8676），但精确率较低（0.5221）。随机森林保持了极高的精确率（0.9412），但召回率仅为0.4706，显示出保守的分类策略。

4. 混合框架（SMOTE + 代价敏感学习）的效果

混合框架同时在数据和算法层面处理不平衡，显著提升了精确率和召回率的平衡。LightGBM取得最优性能，F1分数达0.9043，精确率0.9273，召回率0.8824。XGBoost的F1分数为0.8680，深度神经网络的F1分数为0.8708，召回率最高（0.9118）。随机森林也取得了竞争力的F1分数0.8199。该结果证明混合策略优于单独使用任何一种方法。

5. SHAP可解释性分析

SHAP分析表明，刀具磨损和扭矩是最具影响力的预测因子，其次为转速、空气温度和过程温度。机器类型变量的影响相对有限。局部解释示例展示了单个运行状态下各特征的贡献方向，增强了预测过程的透明度。在所有不平衡处理配置下，特征重要性排序保持一致，且固定随机种子保证了结果的复现性。

6. 消融研究与鲁棒性评估

消融研究确认了SMOTE和代价敏感学习的互补贡献。在模拟高斯测量噪声下，框架在低噪声和中噪声水平下保持稳定的性能表现。

四、讨论与结论

讨论部分指出，SHAP分析识别的关键变量（如刀具磨损和扭矩）与已知的物理退化机制一致，为维护决策提供了可操作的见解。例如，高扭矩或高刀具磨损贡献可能预示需要预防性工具检查或更换，而异常温度相关贡献则提示可能需要冷却系统检查。研究还强调了假阴性和假阳性的不同风险等级：漏报可能导致非计划停机和更高维护成本，而误报虽风险较低但会造成不必要的维护操作。

研究结论总结如下：本研究提出了一种考虑测量的预测性维护框架，通过虚拟测量代理建模、混合不平衡处理（SMOTE + 代价敏感学习）和SHAP可解释性分析，在无原始传感器信号的高度不平衡数据上实现了有效且可解释的故障预测。在AI4I 2020数据集上，LightGBM在混合框架下取得最佳性能（F1分数0.9043）。刀具磨损和扭矩被识别为最关键的预测因子。鲁棒性实验证明了框架在中等噪声水平下的稳定性。尽管该框架在基准数据集上表现优异，但在实际工业部署前仍需使用真实工业数据进行进一步验证。未来研究方向包括扩展到多类故障模式分类、采用分层交叉验证以获得更稳健的性能估计，以及在真实工业环境中验证框架的有效性。