《Next Energy》：A machine learning-based framework for early fault prediction in high-pressure pumps of reverse osmosis desalination plants: A case study from Morocco
编辑推荐：
研究人员采用机器学习(ML)进行预测性维护(Predictive Maintenance, PdM)，旨在提升关键水利基础设施的可靠性与效率，特别是反渗透(Reverse Osmosis, RO)脱盐装置中于严苛工况下运行且对工艺至关重要的高压泵之早期故障预测
研究人员采用机器学习(ML)进行预测性维护(Predictive Maintenance, PdM)，旨在提升关键水利基础设施的可靠性与效率，特别是反渗透(Reverse Osmosis, RO)脱盐装置中于严苛工况下运行且对工艺至关重要的高压泵之早期故障预测。为此，研究人员利用包含振动、温度、压力、位移及电气参数的5000条标注实时传感器数据，对比评估了随机森林(Random Forest, RF)、支持向量机(Support Vector Machine, SVM)、K近邻(K-Nearest Neighbors, KNN)、决策树(Decision Tree, DT)、人工神经网络(Artificial Neural Network, ANN)及朴素贝叶斯(Naive Bayes, NB)六种分类算法，依据准确率(Accuracy)、精确率(Precision)、召回率(Recall)、F1分数(F1-score)及受试者工作特征曲线下面积(Area Under the Curve, AUC)进行性能比较。结果表明RF模型表现最优，总体准确率达97.3%，加权F1分数为0.97，AUC为0.96，且在少数类故障样本上亦具较强判别力（F1分数介于0.85至0.94）。该发现凸显了在多传感器工业监测与ML分析融合下，于真实工业工况中对RO脱盐基础设施实施PdM的应用潜力。
论文解读：基于机器学习的高压泵早期故障预测框架在反渗透脱盐厂中的应用研究
该文发表于《Next Energy》。反渗透(RO)脱盐技术是解决缺水地区水资源短缺的重要战略手段，其中高压离心泵的可靠运行直接影响膜性能、产水量及能耗。传统反应性或定期预防性维护难以早期识别潜在故障，且现有离心泵故障诊断多依赖实验室台架或单一振动信号，缺乏针对全规模工业RO装置融机械、热工与电气参量于一体的多传感器预测性维护(Predictive Maintenance, PdM)研究。为此，Cherki Lahlou等人以摩洛哥MAROC CENTRAL全规模苦咸水RO脱盐厂为对象，构建并验证了一种基于监督式机器学习(ML)的高压泵多故障早期预测框架，最终证实随机森林(Random Forest, RF)模型在该五分类任务中综合性能最佳（总体准确率97.3%，加权F1-score 0.97，宏平均AUC 0.96），且引入电流总谐波失真(Total Harmonic Distortion of Current, THDi)等电能质量指标可辅助机械故障判别，对工业PdM系统集成具有重要参考价值。
主要关键技术方法
研究人员采集摩洛哥MAROC CENTRAL全规模RO脱盐厂4台450 kW高压离心泵经由SCADA/PLC架构记录的19通道传感器（含振动ZE3Y/ZE4X/ZE5Y/ZE6X、温度TE1–TE4及电机绕组1R1–3R1、位移ZEP1/ZEP2、转速PF?1、电能质量分析仪PQA测THDi与THDv等）10分钟聚合稳态数据，构成5000条标注样本涵盖5类状态（无故障、过热、高振动、电气故障、过量位移）。经去重、限值校验、均值/中位数填补缺失值、Z-score标准化及|Z|>3专家复核离群点后，对训练集应用SMOTE(Synthetic Minority Over-sampling Technique)平衡少数类故障，按7:1.5:1.5分层划分。对比RF、SVM(kernel='rbf', C=10)、KNN(k=7)、DT、ANN(ReLU+Softmax, Adam)及NB六算法，以网格搜索五折交叉验证优选超参数，依Accuracy、Precision、Recall、F1-score及AUC评价。
研究结果
5.1 分类性能比较(Classification performance comparison)
研究人员在保留原始分布的测试集(750样本)上评估六模型。RF以97.3%准确率、加权F1 0.973、宏F1 0.931及马修斯相关系数(Matthews Correlation Coefficient, MCC) 0.943全面优于SVM(91.7%)、ANN(90.5%)、DT(89.3%)、KNN(88.7%)及NB(76.8%)，证实集成方法对多域相关传感器的非线性关系建模优势。
5.2 混淆矩阵分析(Confusion matrix analysis)
RF对正常工况识别率99.2%(528/532)；高振动类召回95.8%；电气故障类召回90.0%（最低，易与高振动互混，具物理合理性）；过热类92.3%；过量位移类85.2%。85.7%误判发生于关联故障类间而非正常与故障间，说明模型有效区分健康与异常态。
5.3 ROC曲线与AUC分析(ROC curves and AUC analysis)
RF宏平均AUC达0.96，其中正常类AUC=0.99，高振动0.96，过热0.95，过量位移0.95，电气故障0.93，表明对各故障模式具良好辨别力。
5.4 精确率—召回率曲线(Precision-recall curves)
针对类别不平衡，平均精确率(Average Precision, AP)正常类0.99、高振动0.94、过热0.91、电气故障0.88、过量位移0.90，宏平均0.92，少数类AP较随机基线提升7至22倍，验证框架对稀有高危故障的早期预警价值。
5.5 特征重要性分析(Feature importance analysis)
振动传感器累计贡献46%重要性，温度(TE1–TE4)23.5%，电机绕组温(1R1–3R1)12.0%，THDi+THDv合计5.7%（THDi排第11），位移传感器6.0%，转速2.5%。跨机械—热—电参量的联合贡献印证多传感器融合优于单模态监测。
5.6 统计稳健性分析(Statistical robustness analysis)
经10次不同随机种子重复实验，RF平均准确率97.3%±1.1%，显著优于DT与KNN(p<0.05)，95%置信区间窄，证明模型稳定性。
讨论与结论
作者讨论指出RF优越于SVM与ANN源于其抗过拟合集成结构、自动捕捉多传感器非线性交互及对高度相关预测变量的鲁棒性；振动特征主导符合旋转机械诊断惯例，为传感器布设投资提供实证依据；THDi与THDv进入重要特征提示VFD(Variable Frequency Drive)引发的谐波畸变与泵退化存在关联，建议将电能质量监测纳入PdM体系。与文献对比，本研究97.3%准确率虽略低于部分实验室人工植入故障研究(常>98%)，但基于真实工业环境、自然类不平衡(71.2%正常)及实际故障记录，更具工程挑战性与部署参考价值；电气故障子类F1-score 0.85、Recall 0.90亦优于既往泵电气故障检测报道(约85%–87%)。局限含单厂数据、中等样本量、SMOTE潜在分布微扰及未涉时序深度学习，未来拟多现场验证、时序交叉验证与在线学习。
结论：研究人员于真实全规模RO脱盐厂建立并验证了融合振动、温度、位移及电能质量指标的多传感器ML预测框架，RF模型实现97.3%总体准确率与0.96宏平均AUC，少数故障类具良好检出能力，证明工业RO脱盐基础设施中集成多域传感与ML分析的PdM策略可有效支持高压泵早期故障预警与运维优化。
