基于关键传感器特征与混合学习模型的优化强化机器故障分类方法及高级优化技术

《Scientific Reports》：Optimization-enhanced machine failure classification using critical sensor features and hybrid learning models with advanced optimization techniques

　　

摘要

在现代制造业中，工业机器的故障问题带来了严峻挑战，它们会导致意外停机、维护成本上升以及设备可靠性降低。准确的机器故障预测有助于采取主动的维护策略，从而减少意外故障并提升运营效率。本研究提出了一种基于优化技术的混合机器学习框架，利用从铣床运行环境中收集的传感器数据来预测机器故障，这些数据包含9,976条观测记录和14项机器状态参数。研究开发了三种预测模型，包括轻量级梯度提升模型（LGBC）、随机森林分类模型（RFC）、XGBoost分类模型（XGBC），以及一种混合投票集成模型，随后运用塔斯马尼亚恶魔优化算法对这些模型进行优化，以确定最优的超参数配置。通过多种评估指标对模型的性能进行了测试。实验结果表明，优化显著提升了预测性能。在基准模型中，LGBC的测试准确率为0.965，而RFC和混合投票集成模型的准确率分别为0.947和0.959。经过优化后，经过TDO算法优化的LGBC模型（LGTD）的预测准确率达到了0.985，远远优于其他模型。经过优化的混合集成模型（LG-RF-TD）也表现出强大的预测能力，在正常运行和故障触发条件下，其测试准确率均为0.979，且分类指标较为均衡。敏感性分析进一步表明，扭矩和工艺温度是预测机器故障中最具影响力的变量。