《重新审视相机姿态》 W?adys?aw Skarbek, Micha? Salamonowicz, Micha? Król

CO?激光切割机多传感器预测性维护框架研究，基于实时数据采集和监督机器学习，融合振动、温度、湿度和声学信号，采用特征级同步融合方法表征设备运行状态，通过统计学阈值策略区分正常与异常行为，利用Python Scikit-learn决策树实现短周期故障概率预测，并在实际工业环境中通过交叉验证和结构化数据集分区验证有效性，证明模块化硬件软件架构可适配其他CNC平台，提供低成本、可解释的实时预测维护解决方案。

　　

摘要

本研究提出了一种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分析的阈值判别策略，该策略通过两年的运行观察和受控实验扰动进行了验证，用于区分正常行为和异常行为。传感器数据通过Python和Scikit-learn实现的决策树分类器进行处理，从而能够在运行周期内进行短期的概率性故障预测。该系统已在真实的工业环境中部署，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，该系统具备可靠的故障识别能力，凸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来适应其他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。