摘要
预测性维护已被证明是减少工业系统停机时间、提升运营效率的关键策略。在本研究中，作者提出了一种基于数据的循环水泵预测性维护框架，将统计分析与机器学习相结合。该框架首先分析由51个传感器收集的多变量时间序列数据，这些传感器用于监测电机的电气参数、泵的液压性能、振动情况、温度、故障状态、恢复状态以及正常状态。通过箱线图以及皮尔逊相关系数和斯皮尔曼相关系数等统计分析方法，旨在识别出关键的设备退化参数。结果显示，电机相电流（皮尔逊相关系数为?0.872）、泵的振动情况（相关系数为?0.809）以及出口压力（相关系数为?0.732）与故障状态之间存在最强的负相关关系，表明在故障发生时系统会完全停止运行。接下来，研究人员利用这些结果构建了随机森林分类模型。由于类别不平衡以及正常状态、故障状态和恢复状态等标签的解释难度较大，因此将多类问题转化为以“存在风险”状态为关注点的二分类问题。这一处理方式使得原本的状态标签含义发生反转：原本属于恢复状态的设备实际上处于需要维护的停运状态，而故障状态则更符合部分功能退化的特征。最终，通过统计方法筛选出的特征模型具有0.76的召回率、0.70的精确度以及0.73的F1分数。此外，通过结合振动、电气、液压、温度和旋转等参数的物理建模方法，分类性能得到了显著提升，精确度达到了0.997，召回率为0.992，F1分数则为0.995。这些结果充分证明了将统计分析、工程知识与机器学习相结合的方法在工业泵类系统的预测性维护中的应用效果。
