基于多传感器数据和监督机器学习的二氧化碳激光切割机低成本预测性维护系统 Mayra Comina Tubón、 Joe Guerrero 和 Cristina Manobanda

多传感器融合与监督机器学习结合的CO?激光切割机预测性维护框架，通过同步特征级融合振动、温度、湿度及声学信号实现设备状态表征，采用统计验证的阈值策略区分正常与异常工况，基于Python Scikit-learn决策树模型进行短周期故障概率预测，经工业环境交叉验证和结构化数据集评估展现可靠故障识别能力，支持模块化硬件软件架构适配其他CNC平台。

　　

摘要

本研究提出了一个基于实时数据采集和监督机器学习的结构化多传感器预测性维护框架，用于2激光切割机。该框架整合了多种异构传感器信号（包括振动、温度、湿度和声学测量数据），通过同步的特征级融合来表征机器的运行状态。采用了一种基于统计方法的阈值判别策略，并通过两年的实际运行观察和受控实验扰动进行了验证，以区分正常和异常行为。传感器数据通过Python和Scikit-learn实现的决策树分类器进行处理，从而在运行周期内实现短期的概率故障预测。该系统已在实际工业环境中部署，并通过交叉验证和结构化数据集划分来评估其泛化性能。实验结果表明，在受控运行条件下，该系统具有可靠的故障识别能力，突显了特征级传感器集成在早期异常检测中的有效性。这种模块化的硬件-软件架构支持通过适当的重新校准和重新训练适应其他CNC平台。所提出的框架为实时工业预测性维护应用提供了一种低成本、可解释且计算效率高的解决方案。