基于时间序列特征和机器学习的工业泵短期预测性维护
机器学习
2025-08-28 v1
摘要
本研究提出一种基于机器学习的框架，用于预测工业离心泵的短期故障，基于实时传感器数据。该方法旨在基于历史操作中提取的模式，提前5、15和30分钟预测{EarlyWarning}条件。评估了两个回溯周期（60分钟和120分钟），采用滑动窗口方法。对于每个窗口，提取包括均值、标准差、最小值、最大值和线性趋势在内的统计特征，并使用SMOTE算法解决类别不平衡问题。训练和测试了随机森林和XGBoost分类器。结果表明，随机森林模型在60分钟回溯窗口下达到最佳短期预测性能，分别在5分钟、15分钟和30分钟时达到召回率为69.2%、64.9%和48.6%。在120分钟回溯窗口下，随机森林模型在5分钟时达到57.6%召回率，15和30分钟时预测准确率提升至65.6%。XGBoost表现相似但略低。这些发现表明，最佳历史长度取决于预测时限，且不同故障模式可能以不同时间尺度演变。该方法提供了一个可解释且可扩展的解决方案，用于将预测性维护集成到实时工业监控系统中。
引用
@article{arxiv.2508.19974,
title = {Short-Horizon Predictive Maintenance of Industrial Pumps Using Time-Series Features and Machine Learning},
author = {Khaled M. A. Alghtus and Aiyad Gannan and Khalid M. Alhajri and Ali L. A. Al Jubouri and Hassan A. I. Al-Janahi},
journal= {arXiv preprint arXiv:2508.19974},
year = {2025}
}