基于 AI 的机器学习方法用于工业泵故障诊断
机器学习
2025-08-22 v1
摘要
本研究提出了一种针对大型垂直离心泵在恶劣海洋环境中运行的实用方法，用于基于真实传感器数据进行早期故障检测。监控了五个关键运行参数：振动、温度、流量、压力和电流。应用双阈值标注方法，将固定的工程限制值与基于历史传感器值第95百分位数计算的自适应阈值相结合。为了解决文档化故障稀缺的难题，采用基于领域知识的规则向数据中注入合成故障信号，以在合理的操作范围内模拟关键警报。训练了三个机器学习分类器——随机森林、极端梯度提升（XGBoost）和支持向量机（SVM），以区分正常运行、预警和关键警报。结果表明，随机森林和 XGBoost 模型在所有类别中均实现了高准确率，包括代表稀有或新兴故障的少数派情况，而 SVM 模型对异常值敏感性较低。通过分组混淆矩阵和时间序列图等可视化分析表明，所提出的混合方法具有稳健的检测能力。该框架具有可扩展性、可解释性，适用于实际的工业部署，支持在故障发生前进行积极性维护决策。此外，它可以适用于其他类似传感器架构的机器设备，凸显其作为复杂系统预测性维护可扩展解决方案的潜力。
引用
@article{arxiv.2508.15550,
title = {AI-Powered Machine Learning Approaches for Fault Diagnosis in Industrial Pumps},
author = {Khaled M. A. Alghtus and Ayad Gannan and Khalid M. Alhajri and Ali L. A. Al Jubouri and Hassan A. I. Al-Janahi},
journal= {arXiv preprint arXiv:2508.15550},
year = {2025}
}