分类
商品
![[SLG/中文/PC+安卓] 库拉拉酱逃不掉了 [92MB]](https://pic.songma.com/upload/215908/1750557333-215908/0391944001750557416tp215908-1.jpg)
- 商品
- 店铺
- 资讯
全程围绕“数据驱动-模型赋能-业务闭环”核心逻辑，每个环节输出明确成果，确保可复现、可落地（以石油天然气领域设备为例，如调压器、压缩机、抽油机等）。
设备调研与故障分析
收集设备手册、历史故障记录（近3年），梳理常见故障类型及诱因（如调压器卡涩可能因介质杂质、压力波动）与运维工程师访谈，明确“关键故障”（影响安全生产、维修成本高的故障，如压缩机轴承断裂）输出《设备故障清单》，包含：故障类型、发生概率、影响范围、典型特征（如振动异常、温度升高）目标量化定义
分类任务：故障识别准确率≥95%、故障类型覆盖≥8种（如调压器的卡涩、泄漏、超压、密封失效等）回归任务：故障严重程度预测误差≤5%（如磨损量预测）预测任务：提前预警时间≥24小时（针对慢性故障）方案初步规划
确定数据采集方式（现有传感器/新增传感器）、数据类型（振动、温度、压力、声音等）确定模型技术路线（传统机器学习/深度学习）、部署方式（边缘计算盒/工业云平台）输出《故障诊断项目计划书》，明确里程碑节点（如数据采集完成时间、模型验证完成时间）数据采集方案设计
传感器选型与部署 选型依据：故障特征相关性（如振动数据对应机械故障、压力数据对应密封故障）、环境适应性（高温、防爆）案例（调压器故障诊断）：部署3类传感器——振动传感器（安装在阀体，采样频率10kHz，测量X/Y/Z三轴振动加速度）、压力传感器（进出口压力，采样频率1Hz）、温度传感器（阀体温度，采样频率1Hz）、声音传感器（安装在附近，采样频率44.1kHz，捕捉泄漏声）部署原则：靠近故障敏感部位（如轴承附近、密封面附近），避免遮挡和干扰 数据采集参数设置 采样频率：机械故障推荐≥10kHz（捕捉高频振动特征），工况参数（压力、温度）≥1Hz采集时长：正常数据≥100小时，每种故障数据≥20小时（覆盖不同严重程度）工况记录：同步记录设备运行工况（如进出口压力、流量、运行时间），用于后续特征筛选 数据存储与传输 存储格式：原始数据以CSV/Parquet格式存储，标签信息（故障类型、发生时间、严重程度）单独记录传输方式：边缘设备本地缓存+定时上传云端（避免实时传输带宽压力）数据采集执行
正常数据采集：在设备无故障、稳定运行状态下，采集不同工况（启停、满负荷、低负荷）的原始数据故障数据采集： 真实故障数据：通过设备历史运行记录提取（需标注故障发生时间、类型）模拟故障数据：在安全可控前提下，通过人工干预制造轻微故障（如调压器故意加入少量杂质模拟卡涩），采集故障演化过程数据数据增强：对稀缺故障类型，通过“时间拉伸、加噪、翻转”等方式扩充数据（如振动数据加±5%的高斯噪声） 数据标注： 人工标注：由运维工程师根据故障发生时间、传感器数据异常特征，标注数据样本的标签（如“2024-05-20 10:00-10:30，调压器卡涩，严重程度3级”）自动标注：基于阈值法（如振动加速度超过正常阈值2倍则标注为异常）初步筛选，再人工复核 数据量要求：总样本数≥10万条，正常样本与故障样本比例≤7:3（避免类别不平衡）数据预处理
数据清洗 缺失值处理：连续型数据（振动、温度）用插值法（线性插值/多项式插值），离散型数据用众数填充；缺失率＞20%的特征直接删除异常值处理：用3σ法则（超出均值±3倍标准差）或箱型图法识别异常值，轻微异常值保留（可能是故障前兆），严重异常值（如传感器故障导致的突变）用相邻数据替换噪声去除：机械振动数据常用小波变换（db4小波，分解5层）去噪，压力/温度数据用移动平均滤波（窗口大小5） 数据标准化/归一化 标准化（Z-Score）：适用于模型对数据分布敏感的场景（如SVM、神经网络），公式：( x’ = frac{x - mu}{sigma} )（μ为均值，σ为标准差）归一化（Min-Max）：适用于需要保留数据相对大小的场景（如决策树），公式：( x’ = frac{x - min(x)}{max(x) - min(x)} ) 数据重采样（解决类别不平衡） 过采样：对少数类故障样本采用SMOTE算法（合成新样本），避免简单复制导致过拟合欠采样：对多数类正常样本采用随机欠采样（保留关键工况样本）或聚类欠采样（保留簇中心样本） 数据格式转换 时序数据切分：将连续的时序数据（如1小时振动数据）切分为固定长度的样本（如1秒/个样本，每个样本包含10000个数据点）特征维度整理：每个样本对应1条记录，包含“特征列（振动有效值、温度均值等）+标签列（故障类型）”特征提取（时序特征+频域特征+时频域特征）
时序特征（基于原始时域数据）：适用于平稳信号，反映数据统计特性 常用特征：均值、方差、标准差、峰值、峰值因子（峰值/有效值）、峭度（反映信号陡峭程度，故障时峭度增大）、偏度（反映信号对称性）、脉冲因子、峭度因子、波形因子案例：调压器卡涩时，振动信号的峰值因子从正常的1.2升至3.5，峭度从3.0升至6.8 频域特征（基于傅里叶变换（FFT））：适用于周期性故障（如轴承磨损导致的谐波信号） 常用特征：频谱峰值、基频、谐波频率、频谱重心、频谱方差、频带能量（如0-500Hz、500-2000Hz的能量占比）案例：螺杆泵轴承磨损时，在轴承特征频率（内圈/外圈/滚动体频率）处出现明显的频谱峰值 时频域特征（基于小波变换/短时傅里叶变换（STFT））：适用于非平稳信号（如设备启停、故障突变） 常用特征：小波系数的均值、方差、能量熵、小波包分解后的各频带能量案例：调压器泄漏时，声音信号的小波包分解后，高频段（10-20kHz）能量占比从正常的5%升至25% 特征提取工具：Python的
![[ACT/中文/PC+安卓] 扶她山谷/Futaken Valley v0.040 【308M】](https://pic.songma.com/upload/69459/1692094178-69459/0402205001750378602tp69459-1.jpg)
numpy（基础统计特征）、
scipy（FFT、小波变换）、
librosa（声音特征）、
tsfresh（自动提取时序特征）
特征选择（剔除冗余，保留关键）
筛选原则：特征与标签的相关性高、特征间冗余度低常用方法： 过滤法：计算特征与标签的相关系数（Pearson/Spearman），保留相关系数绝对值＞0.3的特征；方差筛选（剔除方差＜0.01的常量特征）包裹法：用模型（如随机森林）评估特征子集的性能，逐步剔除性能贡献小的特征（如递归特征消除（RFE））嵌入法：利用模型自带的特征重要性评估（如随机森林的feature_importances_、XGBoost的gain值） 案例：从100个提取的特征中，通过随机森林筛选出20个重要特征（如振动峰值因子、频谱重心、小波能量熵等），其累计重要性占比达85%特征降维（可选，针对高维特征）
适用场景：特征维度＞100，模型训练效率低常用方法：主成分分析（PCA）、线性判别分析（LDA）目标：降维后特征方差解释率≥90%（PCA），保留关键区分信息数据集划分
划分比例：训练集（70%）、验证集（15%）、测试集（15%）划分原则：分层抽样（保持训练集、验证集、测试集中正常/故障样本比例一致），避免数据泄露（如同一设备的连续数据不跨集划分）工具：Python的
sklearn.model_selection.train_test_split（分层划分参数
stratify=y）
模型选型与训练（传统机器学习+深度学习，按需选择）
| 模型类型 | 适用场景 | 常用算法 | 石油行业案例应用 |
|---|---|---|---|
| 传统机器学习 | 特征工程充分、数据量适中（＜10万样本）、实时性要求高 | 随机森林（RF）、XGBoost、LightGBM、SVM、KNN | 调压器故障类型识别（8类故障，准确率96%） |
| 深度学习 | 数据量充足（≥10万样本）、特征难以手动提取、复杂故障 | CNN（卷积神经网络）、LSTM（循环神经网络）、Transformer、CNN-LSTM | 螺杆泵轴承磨损程度预测（MAE=0.03mm） |
| 轻量化模型 | 边缘设备部署（算力有限） | 轻量级CNN（MobileNet）、决策树、逻辑回归 | 井口设备故障实时诊断（响应时间＜100ms） |
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import GridSearchCV
# 初始化模型
rf = RandomForestClassifier(random_state=42)
# 超参数网格
param_grid = {'n_estimators': [100, 200, 300], 'max_depth': [8, 10, 12], 'min_samples_split': [2, 4, 6]}
# 网格搜索优化
grid_search = GridSearchCV(rf, param_grid, cv=5, scoring='accuracy', n_jobs=-1)
grid_search.fit(X_train, y_train)
# 最佳模型
best_rf = grid_search.best_estimator_
模型融合（可选，提升精度）
适用场景：单一模型精度未达目标，或需要降低误报率常用方法： 投票法：多个模型（如RF、XGBoost、LightGBM）预测结果投票，少数服从多数堆叠法（Stacking）：用多个基础模型的预测结果作为新特征，训练元模型（如逻辑回归） 案例：调压器故障诊断中，RF（准确率96%）+ XGBoost（准确率95%）+ LightGBM（准确率97%）投票融合后，准确率提升至98%，误报率从1.2%降至0.8%
.pkl、
.onnx格式，onnx支持跨平台部署）模型训练报告：包含模型选型理由、超参数配置、训练过程曲线（损失曲线、准确率曲线）、各模型性能对比
模型性能评估（多指标全面衡量）
分类任务（故障识别、定位）： 核心指标：准确率（Accuracy）、精确率（Precision）、召回率（Recall）、F1分数、混淆矩阵、ROC曲线（AUC值）重点关注：少数类故障的召回率（避免漏报）、整体误报率（避免过多无效预警） 回归任务（故障严重程度评估）： 核心指标：平均绝对误差（MAE）、均方根误差（RMSE）、决定系数（R²） 预测任务（故障预警）： 核心指标：预警提前时间、预警准确率、漏报率、误报率 评估工具：Python的
sklearn.metrics（分类/回归指标）、
matplotlib（混淆矩阵可视化、ROC曲线）
模型鲁棒性测试（模拟实际场景干扰）
噪声干扰测试：在测试数据中加入10%-20%的高斯噪声，评估模型准确率下降幅度（≤5%为合格）工况迁移测试：用不同工况（如设备低负荷运行）的测试数据评估模型性能（准确率≥90%为合格）数据缺失测试：随机删除测试数据中5%-10%的特征值，评估模型性能稳定性案例：调压器故障诊断模型在低负荷工况下，测试集准确率从98%降至95.5%（满足要求）；加入15%噪声后，准确率降至94%（仍达标）模型优化（针对性解决短板）
若某类故障召回率低：增加该类故障样本（数据增强/补充采集）、对该类样本加权训练（如XGBoost的
scale_pos_weight参数）若模型过拟合（训练集准确率高，测试集低）：增加正则化（如L1/L2正则）、减少模型复杂度（如随机森林减少树深度）、增加训练数据若实时性不满足：更换轻量化模型（如决策树替代LightGBM）、模型量化（INT8量化，减少计算量）、特征降维（减少输入维度）若误报率高：调整分类阈值（如将概率阈值从0.5提高至0.7）、增加“故障确认”逻辑（如连续3个样本异常才触发预警）
class_weight='balanced'，对少数类样本加权
优化后结果：“轴断裂”故障召回率提升至94%，整体准确率97.8%（略有下降但可接受），误报率0.7%（满足要求）
.pkl/
.onnx）
模型部署准备
模型格式转换： 边缘设备部署：将Python模型（如
.pkl）转换为ONNX格式（支持C++/Java调用），或量化为INT8格式（减少内存占用）云端部署：封装为RESTful API（用Flask/FastAPI），支持HTTP调用
部署环境配置：
边缘设备：确认硬件算力（如CPU型号、内存大小），安装必要的依赖库（如ONNX Runtime、OpenCV）云端：配置服务器（如阿里云ECS），搭建容器化环境（Docker），确保高可用（负载均衡）
接口设计：
输入：实时传感器数据（如振动峰值、温度均值等关键特征）、设备ID、时间戳输出：故障类型、故障概率、故障严重程度、预警建议（如“建议24小时内停机检修”）
模型部署实施
边缘部署案例（调压器故障诊断）： 将ONNX格式模型部署到边缘计算盒（如华为Atlas 200I）边缘计算盒实时接收传感器数据（通过MQTT协议），每1秒提取1次特征，调用模型进行诊断诊断结果本地缓存，并实时上传至监控平台；若检测到故障，触发本地声光报警 云端部署案例（螺杆泵故障诊断）： 用FastAPI封装模型，提供
/fault_diagnosis接口传感器数据通过5G网络上传至云端服务器，服务器调用接口进行诊断诊断结果展示在Web监控平台，支持历史数据查询、故障统计分析
模型运维与迭代
实时监控：监控模型运行状态（响应时间、准确率、误报率）、数据质量（传感器是否故障、数据缺失率）模型更新： 定期（如每3个月）收集新的故障数据，重新训练模型（增量训练），替换旧模型当设备工况发生重大变化（如介质类型改变、运行负荷调整），重新进行特征工程和模型训练 故障反馈机制：建立运维工程师反馈通道，若出现“漏报”“误报”，及时记录并分析原因（如模型未覆盖新故障类型、数据预处理参数需要调整）业务价值量化
直接价值： 减少停机时间：如模型预警后，提前安排维修，避免突发停机（单次突发停机损失50万元，全年减少10次，累计节约500万元）降低维修成本：如避免故障扩大（轻微故障维修成本1万元，严重故障维修成本20万元，全年避免8次严重故障，节约152万元） 间接价值： 提升安全生产水平：减少故障导致的安全事故（如泄漏引发的爆炸风险）提高运维效率：运维工程师无需现场巡检，通过监控平台即可掌握设备状态，人均管理设备数量从10台提升至20台成果汇报与推广
汇报材料：制作“业务价值导向”的汇报PPT，包含：项目背景（设备故障痛点）、技术方案（数据采集-模型构建-部署）、落地效果（量化价值+案例）、未来规划（推广至其他设备/场景）试点推广：先在某一区域/某一类设备中试点应用，收集试点反馈，优化后再全面推广（如先在3口页岩油井的螺杆泵中应用，成功后推广至50口井）跨场景扩展：将模型迁移至同类设备（如从调压器扩展至阀门、流量计），或不同场景（如从页岩油开采扩展至城市燃气输配）| 环节 | 常用工具 |
|---|---|
| 数据采集 | 传感器（加速度传感器、压力传感器）、数据采集卡（NI cDAQ）、MQTT协议（数据传输） |
| 数据预处理 | Python（numpy、pandas、scipy）、MATLAB（信号处理） |
| 特征工程 | Python（tsfresh、librosa、scipy.signal） |
| 模型训练 | Python（scikit-learn、LightGBM、XGBoost、TensorFlow、PyTorch） |
| 模型部署 | ONNX Runtime（边缘部署）、FastAPI（云端API）、Docker（容器化）、华为Atlas（边缘计算盒） |
| 可视化与监控 | Python（matplotlib、seaborn）、Web监控平台（Vue+ECharts）、Prometheus（监控） |
通过以上7个阶段的完整流程，可构建一套“数据驱动-模型赋能-业务闭环”的机械设备故障诊断系统，尤其适用于石油天然气领域的复杂设备（如调压器、螺杆泵、压缩机），实现从“被动维修”到“预测性维护”的转型，为企业创造显著的经济价值和安全价值。
某城市燃气公司负责100+座区域调压站的运营，核心设备为DN50型燃气调压器（进口压力0.4-0.8MPa，出口压力0.1-0.2MPa），主要用于居民及商业用户燃气输配。2023年因调压器故障（卡涩、泄漏、超压等）导致3起停气事故，直接经济损失超200万元，且存在安全隐患。为解决该问题，计划构建基于振动+压力+声音多源数据的智能故障诊断模型，实现故障类型识别、严重程度评估及提前24小时预警，目标：故障识别准确率≥95%，误报率≤1%，年减少故障停机时间80%。
通过梳理3年历史故障记录（120+次故障）、设备手册及与运维工程师访谈，输出《燃气调压器故障清单》：
| 故障类型 | 发生概率 | 影响范围 | 典型特征 | 维修成本（万元） |
|---|---|---|---|---|
| 阀芯卡涩 | 35% | 出口压力波动 | 振动峰值升高、压力响应滞后 | 2.5 |
| 密封件泄漏 | 28% | 燃气泄漏（安全隐患） | 声音信号高频能量占比上升、出口压力下降 | 3.2 |
| 超压故障 | 15% | 下游设备损坏 | 出口压力持续超阈值、振动平稳 | 5.8 |
| 滤网堵塞 | 12% | 流量不足 | 进出口压差增大、振动均值降低 | 1.8 |
| 执行机构故障 | 7% | 调压失效 | 振动频率异常、压力无调节响应 | 4.5 |
| 阀芯磨损 | 3% | 调压精度下降 | 振动峭度升高、压力波动幅度增大 | 6.0 |
| 传感器类型 | 型号规格 | 部署位置 | 采集参数 | 用途 |
|---|---|---|---|---|
| 压力传感器 | 扩散硅型（防爆等级Exd II CT4） | 调压器进出口 | 采样频率1Hz，量程0-1MPa，精度±0.2%FS | 监测压力波动、超压、泄漏 |
| 振动传感器 | IEPE型三轴加速度传感器（Exd II CT4） | 阀体顶部（故障敏感区） | 采样频率10kHz，量程±50g，精度±1% | 监测卡涩、磨损、执行机构故障 |
| 声音传感器 | 防爆麦克风（Exd II CT4） | 阀体侧面（靠近密封面） | 采样频率44.1kHz，量程20Hz-20kHz | 监测泄漏故障 |
| 温度传感器 | 铂电阻PT100（Exd II CT4） | 阀体表面 | 采样频率1Hz，量程-20~100℃，精度±0.5℃ | 辅助判断故障（如高温导致密封失效） |
针对燃气调压器的故障特点，提取时序特征+频域特征+时频域特征，共126个特征：
| 特征类型 | 提取对象 | 常用特征（示例） | 物理意义 |
|---|---|---|---|
| 时序特征 | 振动（X/Y/Z轴） | 均值、峰值、峭度、峰值因子、脉冲因子、波形因子 | 反映振动信号的平稳性（故障时峭度/峰值升高） |
| 时序特征 | 压力（进出口） | 均值、方差、极差、突变次数（超过阈值的波动）、响应时间（压力调整滞后时长） | 反映压力稳定性（泄漏时出口压力方差增大） |
| 时序特征 | 声音 | 有效值、峰值、能量、过零率 | 泄漏时声音能量和过零率显著升高 |
| 频域特征 | 振动 | FFT后前8个峰值频率、频谱重心、0-2kHz/2-5kHz/5-10kHz频带能量占比 | 卡涩/磨损时特定频率（如阀芯共振频率）峰值突出 |
| 频域特征 | 声音 | 梅尔频率倒谱系数（MFCC）前13维、频谱熵 | 泄漏时高频段（10-20kHz）能量占比升高 |
| 时频域特征 | 振动 | 小波包分解（db4，3层）8个频带能量、能量熵 | 非平稳故障（如执行机构突发故障）的特征捕捉 |
| 时频域特征 | 声音 | 短时傅里叶变换（STFT）后的时频矩阵能量统计 | 泄漏声的时频分布特征 |
import numpy as np
import scipy.signal as signal
from scipy.fftpack import fft
import pywt
# 1. 时序特征提取（振动数据）
def extract_time_features(data):
mean_val = np.mean(data)
peak_val = np.max(np.abs(data))
kurtosis_val = np.kurtosis(data)
peak_factor = peak_val / np.sqrt(np.mean(np.square(data))) # 峰值因子
return [mean_val, peak_val, kurtosis_val, peak_factor]
# 2. 频域特征提取（振动数据）
def extract_freq_features(data, fs=10000):
n = len(data)
fft_data = fft(data)[:n//2]
freq = np.fft.fftfreq(n, 1/fs)[:n//2]
fft_amp = np.abs(fft_data) # 频谱幅值
top8_freq = freq[np.argsort(fft_amp)[-8:]] # 前8个峰值频率
spec_centroid = np.sum(freq * fft_amp) / np.sum(fft_amp) # 频谱重心
return list(top8_freq) + [spec_centroid]
# 3. 时频域特征提取（振动数据）
def extract_time_freq_features(data):
wp = pywt.WaveletPacket(data, wavelet='db4', mode='symmetric', maxlevel=3)
freq_bands = [node.data for node in wp.get_level(3, 'natural')] # 8个频带
band_energy = [np.sum(np.square(band)) for band in freq_bands]
energy_entropy = -np.sum([e/np.sum(band_energy) * np.log2(e/np.sum(band_energy)) for e in band_energy])
return band_energy + [energy_entropy]
# 加载振动数据（示例：1秒样本，10000个数据点）
vibration_data = np.random.randn(10000) # 实际替换为真实数据
time_features = extract_time_features(vibration_data)
freq_features = extract_freq_features(vibration_data)
time_freq_features = extract_time_freq_features(vibration_data)
all_features = time_features + freq_features + time_freq_features
用随机森林模型评估特征重要性，保留累计重要性占比≥85%的特征：
from sklearn.ensemble import RandomForestClassifier
from sklearn.feature_selection import SelectFromModel
# 加载特征工程后的数据（X：特征矩阵，y：故障类型标签）
# X.shape = (1800000, 85), y.shape = (1800000,)
rf = RandomForestClassifier(n_estimators=100, random_state=42)
rf.fit(X, y)
feature_importance = rf.feature_importances_
# 选择累计重要性≥85%的特征
cumulative_importance = np.cumsum(sorted(feature_importance, reverse=True))
threshold_idx = np.where(cumulative_importance ≥ 0.85)[0][0]
selected_features = X.columns[np.argsort(feature_importance)[-threshold_idx-1:]]
# 最终特征矩阵
X_selected = X[selected_features] # 共28个关键特征
from sklearn.model_selection import train_test_split
# 故障类型分类任务数据集
X_cls = X_selected
y_cls = y['故障类型']
X_cls_train, X_cls_temp, y_cls_train, y_cls_temp = train_test_split(
X_cls, y_cls, test_size=0.3, stratify=y_cls, random_state=42
)
X_cls_val, X_cls_test, y_cls_val, y_cls_test = train_test_split(
X_cls_temp, y_cls_temp, test_size=0.5, stratify=y_cls_temp, random_state=42
)
# 故障严重程度回归任务数据集（仅故障样本）
fault_samples = X_selected[y['故障类型'] != '正常']
y_reg = y[y['故障类型'] != '正常']['严重程度']
X_reg_train, X_reg_test, y_reg_train, y_reg_test = train_test_split(
fault_samples, y_reg, test_size=0.3, stratify=y_reg, random_state=42
)
考虑到边缘部署的轻量化需求和多任务目标（分类+回归），采用传统机器学习融合方案：
import lightgbm as lgb
import xgboost as xgb
from sklearn.metrics import accuracy_score, classification_report, confusion_matrix
# 1. LightGBM训练
lgb_train = lgb.Dataset(X_cls_train, label=y_cls_train)
lgb_val = lgb.Dataset(X_cls_val, label=y_cls_val, reference=lgb_train)
lgb_params = {
'objective': 'multiclass',
'num_class': 8, # 7类故障+正常
'metric': 'multi_logloss',
'learning_rate': 0.05,
'num_leaves': 63,
'max_depth': 8,
'feature_fraction': 0.8,
'bagging_fraction': 0.8,
'bagging_freq': 5,
'reg_alpha': 0.1, # L1正则
'reg_lambda': 0.1, # L2正则
'verbose': -1,
'random_state': 42
}
lgb_model = lgb.train(
lgb_params,
lgb_train,
num_boost_round=1000,
valid_sets=[lgb_val],
early_stopping_rounds=50,
callbacks=[lgb.log_evaluation(100)]
)
# 2. XGBoost训练
xgb_train = xgb.DMatrix(X_cls_train, label=y_cls_train)
xgb_val = xgb.DMatrix(X_cls_val, label=y_cls_val)
xgb_params = {
'objective': 'multi:softprob',
'num_class': 8,
'eval_metric': 'mlogloss',
'learning_rate': 0.05,
'max_depth': 8,
'subsample': 0.8,
'colsample_bytree': 0.8,
'alpha': 0.1,
'lambda': 0.1,
'seed': 42
}
xgb_model = xgb.train(
xgb_params,
xgb_train,
num_boost_round=1000,
evals=[(xgb_val, 'val')],
early_stopping_rounds=50,
verbose_eval=100
)
# 3. 加权投票融合
def ensemble_predict(X):
# LightGBM预测概率
lgb_pred_prob = lgb_model.predict(X, num_iteration=lgb_model.best_iteration)
# XGBoost预测概率
xgb_pred_prob = xgb_model.predict(xgb.DMatrix(X))
# 加权融合
ensemble_prob = 0.6 * lgb_pred_prob + 0.4 * xgb_pred_prob
return np.argmax(ensemble_prob, axis=1)
# 测试集预测
y_cls_pred = ensemble_predict(X_cls_test)
from sklearn.metrics import mean_absolute_error, r2_score
lgb_reg_train = lgb.Dataset(X_reg_train, label=y_reg_train)
lgb_reg_val = lgb.Dataset(X_reg_test, label=y_reg_test, reference=lgb_reg_train)
lgb_reg_params = {
'objective': 'regression',
'metric': 'mae',
'learning_rate': 0.05,
'num_leaves': 31,
'max_depth': 6,
'feature_fraction': 0.8,
'bagging_fraction': 0.8,
'reg_alpha': 0.05,
'reg_lambda': 0.05,
'verbose': -1,
'random_state': 42
}
lgb_reg_model = lgb.train(
lgb_reg_params,
lgb_reg_train,
num_boost_round=500,
valid_sets=[lgb_reg_val],
early_stopping_rounds=30,
callbacks=[lgb.log_evaluation(100)]
)
# 回归模型评估
y_reg_pred = lgb_reg_model.predict(X_reg_test, num_iteration=lgb_reg_model.best_iteration)
基于故障严重程度的时间序列趋势，采用指数平滑法预测未来24小时故障发展：
from statsmodels.tsa.holtwinters import ExponentialSmoothing
def fault_early_warning(severity_series, forecast_hours=24):
"""
severity_series: 过去12小时的故障严重程度序列（1小时/个数据点）
return: 预警结果（是否预警）、预计故障发生时间
"""
# 指数平滑预测
model = ExponentialSmoothing(severity_series, trend='add', seasonal=None)
result = model.fit()
forecast = result.forecast(forecast_hours)
# 若预测未来24小时内严重程度≥4级，触发预警
if np.max(forecast) ≥ 4:
warning_time = np.where(forecast ≥ 4)[0][0] + 1 # 首次达到4级的时间（小时）
return True, f"预计{warning_time}小时后故障严重程度达到4级，建议立即检修"
return False, "未来24小时故障无恶化风险"
| 模型任务 | 核心指标 | 结果 |
|---|---|---|
| 故障类型分类（融合模型） | 准确率、各类故障召回率 | 准确率97.8%，所有故障召回率≥93% |
| 故障严重程度回归 | MAE、R² | MAE=0.21，R²=0.92 |
| 预测性预警 | 提前预警时间、误报率、漏报率 | 平均提前预警28小时，误报率0.7%，漏报率0.3% |
flowchart TD
A[燃气调压器传感器] --> B[边缘计算盒（华为Atlas 200I）]
B --> C[本地模型服务（量化后分类+回归模型）]
C --> D[本地监控终端（声光报警+故障显示）]
B --> E[燃气公司私有云]
E --> F[云端监控平台（Vue+ECharts）]
E --> G[模型增量训练服务]
F --> H[运维人员手机APP/PC端]
本案例基于燃气调压器的实际业务痛点，构建了“数据采集-预处理-特征工程-模型构建-验证优化-部署运维”的全流程故障诊断系统，核心亮点：
业务贴合：聚焦燃气行业防爆、实时性、安全优先的核心需求，传感器选型、模型部署均符合行业规范技术实用：采用传统机器学习融合方案，兼顾精度与边缘部署轻量化，避免“为技术而技术”价值量化：通过试点运行验证了显著的经济价值和安全价值，为全面推广提供有力支撑闭环迭代：建立完善的运维和迭代机制，确保模型长期适应设备性能退化、工况变化等场景该案例可直接复用于燃气行业其他设备（如阀门、压缩机），也为石油天然气领域的设备故障诊断提供了“业务+技术”深度融合的参考范式。
送码官方微信
手机访问领取大礼包