《Sensors》：A Physics-Informed Benchmarking Framework for Machine Learning and Tree-Based Ensembles in IIoT-Enabled Predictive Maintenance
编辑推荐：
可靠的预测性维护（PdM）在工业物联网（IIoT）环境中面临严重类别不平衡、异构传感器变量、实验协议不一致以及部署约束等挑战。本研究提出了一种物理信息基准框架，该框架将工程引导的特征构建、基于互信息（MI）的特征相关性分析、标准化模型开发以及面向部署的评估集成
可靠的预测性维护（PdM）在工业物联网（IIoT）环境中面临严重类别不平衡、异构传感器变量、实验协议不一致以及部署约束等挑战。本研究提出了一种物理信息基准框架，该框架将工程引导的特征构建、基于互信息（MI）的特征相关性分析、标准化模型开发以及面向部署的评估集成到一个统一且可复现的工作流程中。研究人员利用AI4I 2020预测性维护数据集，在相同的特征表示、训练-测试划分、预处理流程和类别不平衡处理策略下，对逻辑回归、孤立森林、随机森林和极端梯度提升（XGBoost）进行了评估。所构建的特征空间融合了从原始传感器测量中导出的热学、机械、交互和退化相关信息。结果表明，在严重类别不平衡条件下，基于树的集成方法提供了最强的整体性能。随机森林实现了0.986的准确率、0.722的F1分数和0.983的ROC-AUC，在故障检测与误报控制之间提供了最佳平衡。XGBoost实现了0.978的准确率、0.853的召回率以及0.35毫秒的最低推理延迟，表明其适用于对延迟敏感的IIoT部署。这些发现表明，将工程引导的特征表示与标准化评估协议相结合，能够在保持工程可解释性和部署相关性的同时，实现对代表性学习范式的公平比较。
基于物理信息的IIoT预测性维护基准框架：集成特征工程、标准化评估与部署导向的机器学习模型比较研究
一、研究背景与问题
随着工业物联网（IIoT）、信息物理系统（CPS）、边缘计算和人工智能（AI）技术的快速发展，现代制造业正从基于规则的自动化向智能化的数据驱动生产模式转变。在工业4.0环境中，工业设备持续产生异构传感器数据，为制造系统的实时监控、诊断和决策提供支持。在这一背景下，预测性维护（PdM）已成为提升设备可靠性和运营效率的关键策略。与故障后干预的被动维护或依赖固定维护周期的预防性维护不同，PdM通过传感器数据持续监控设备健康状态，在严重退化发生前预测潜在故障，从而减少计划外停机、提高设备可用性并降低维护成本。
然而，基于机器学习的PdM在实际工业部署中面临多重挑战。首先，工业设备在大部分寿命周期内保持健康运行状态，导致故障样本仅占观测数据的一小部分，形成严重的类别不平衡问题。在严重不平衡场景下，标准学习算法往往偏向多数类，即使整体分类准确率看似很高，实际故障检测性能却很差。其次，由于未检测到故障的成本远高于误报成本，PdM评估应优先考虑精确率（Precision）、召回率（Recall）、F1分数和受试者工作特征曲线下面积（ROC-AUC）等指标，而非单纯依赖整体准确率。第三，许多现有研究偏向采用计算复杂度高的深度学习方法，这在资源受限的IIoT和边缘计算环境中难以实用。最后，现有PdM研究在特征表示、预处理流程、采样策略和评估标准等方面存在显著不一致，导致不同算法之间的比较缺乏客观性和可复现性。
针对上述问题，本研究提出一种物理信息基准框架（Physics-Informed Benchmarking Framework），将工程引导的特征构建、基于互信息（MI）的特征相关性验证、标准化基准模型开发和面向部署的性能评估集成到统一的可复现工作流程中。该框架不引入新的预测算法，而是建立标准化的基准测试方法，使代表性机器学习范式能够在相同实验条件下进行公平比较，同时保持工程可解释性和实践部署适用性。相关论文发表于《Sensors》期刊。
二、主要技术方法
研究人员采用AI4I 2020预测性维护数据集作为基准数据集，该数据集包含10,000条模拟加工过程的运行记录，涵盖五个连续传感器变量（空气温度、过程温度、转速、扭矩和刀具磨损）、一个分类机器描述符（生产质量等级L、M、H）及二元故障标签。故障样本约占3.4%，不平衡比约为28:1。研究框架包括以下关键技术环节：物理信息特征工程（构建温度梯度、近似主轴功率、磨损-应力指数、速度-扭矩比、滚动均值和滚动标准差等工程特征）、基于互信息（MI）的特征相关性分析、四种代表性机器学习模型的标准化开发（逻辑回归、孤立森林、随机森林和XGBoost），以及面向部署的多维度性能评估。
三、研究结果
3.1 统计特征分析与MI分析
物理信息特征表示有效丰富了原始AI4I传感器测量，将原始六个输入变量扩展为十二个具有物理可解释性的特征。MI分析显示，近似主轴功率和速度-扭矩比等机械和交互特征的MI分数与原始扭矩特征相当，表明工程引导的特征构建成功捕捉了单一传感器观测之外的退化相关信息。温度和统计特征虽MI分数相对较低，但仍具有物理意义并提供了补充性预测信息。
3.2 基准性能比较
在统一实验协议下，基于树的集成模型在多数评估指标上持续优于线性模型和无监督方法。随机森林实现了最高的整体分类性能，准确率为0.986，F1分数为0.722，ROC-AUC为0.983，在故障检测和误报控制之间提供了最佳平衡。XGBoost实现了0.978的准确率、0.853的最高召回率和0.35毫秒的最低推理延迟。特征消融分析表明，所有基准模型在使用物理信息特征后均获得一致的F1分数提升；马修斯相关系数（MCC）分析进一步证实了在严重类别不平衡条件下分类鲁棒性的增强。
3.3 面向部署的评估与工程解释
混淆矩阵分析显示，基于树的集成算法显著减少了假阴性预测，这对PdM应用尤为关键。部署适用性评估表明，XGBoost因具有优越的预测精度、低推理延迟和计算效率，最适合实时IIoT部署；随机森林则在需要模型透明度和工程可解释性的场景中表现突出。XGBoost特征重要性分析显示，磨损-应力指数和近似主轴功率具有最高的重要性分数，与MI分析结果一致，证实了交互特征能有效捕捉耦合退化机制。
四、讨论与结论
本研究提出的物理信息基准框架通过将工程知识系统性地整合到特征构建、特征相关性验证、基准模型开发和部署导向评估中，建立了标准化且可复现的PdM基准测试方法。研究发现，基于树的集成模型在严重类别不平衡条件下表现最优，其中随机森林在预测性能与工程可解释性之间提供了最佳平衡，XGBoost则展现了最高的整体部署潜力。该框架的局限性在于AI4I 2020数据集为合成基准，无法完全捕捉真实制造环境中的变异性、噪声特征和操作不确定性。未来研究将拓展至真实工业数据集、流式IIoT传感器数据、可解释AI技术、数字孪生环境和基础模型，以进一步验证框架的适用性和泛化能力。总体而言，该框架为IIoT赋能的智能维护系统提供了标准化、可复现且可解释的方法论基础，可推广至其他需要物理可解释特征表示和标准化模型评估的工业状态监测与智能制造应用场景。
