摘要
预测性维护（PdM）可提高油气平台上旋转机械的可靠性；然而，鲜有研究将多传感器分类转化为在实际工业部署中经过验证的可靠性和经济成果。本研究开发并运行验证了一个面向部署的三传感器决策支持框架，该框架集成了振动、超声和表面温度测量数据，并结合监督机器学习方法，用于油气平台上半关键旋转机械的诊断。研究利用来自五个平台、464台设备（2022–2025年）的11,136条检查记录，在双传感器（振动与温度）和三传感器（振动、超声与温度）两种配置下，对四种分类器（逻辑回归、支持向量机、K近邻、随机森林）进行了评估。三传感器配置的宏F1分数约为0.97，较双传感器基线提升了约20个百分点，该结果经配对McNemar检验确认（p < 0.001）。结果表明，超声信息的引入可显著提升诊断性能。相关性分析、排列特征重要性和SHAP解释均证实，三种传感模态均能提供互补信息并对预测有所贡献。除分类之外，模型输出被转化为经校准的健康指数，并通过累积增益分析和决策曲线分析评估其在基于风险的维护优先级排序中的应用效果。利用四年的维护和财务数据，该框架使平均故障间隔时间从5.16年提升至6.44年。在所评估的20%后续跟进场景下，预估效益包括后续跟进工作量减少60%以及可节省1,108个维护工时。五年评估结果显示净现值为273万美元，投资回报率为226%，同时模拟的HSE分析估计重大事故频率可降低20%。上述发现支持一种面向部署的框架，将基于传感器融合的状态监测与可靠性、维护、经济及安全指标联系起来。
