通过联合标记器-模型优化实现时间上严格且可追溯的预测性维护

《Scientific Reports》：Temporally rigorous and traceable predictive maintenance via joint labeler-model optimization

　　

摘要

预测性维护（PdM）是工业4.0中智能资产管理的关键支撑技术，但由于方法论上的碎片化，许多现有框架仍难以实际应用。常见的局限性包括为了计算效率而牺牲时间真实性和类别粒度、将标签策略设计与模型超参数优化分离，以及对可重复性和部署可追溯性的支持不足；尤其是在故障发生率较低的情况下。为了解决这些问题，我们提出了一个统一、端到端且完全可追溯的PdM框架，该框架在保证严格时间准确性的同时，联合优化标签设计和模型参数。所提出的流程使用Optuna和基于树结构的Parzen估计器及MedianPruner，在单一的贝叶斯优化空间内共同优化故障预测窗口（$\tau$）和LightGBM超参数，从而避免了固定或分离标签设计的次优性。通过前向链式交叉验证和严格的时间保留评估，有效防止了时间泄漏问题。该框架在广泛采用的Fidan合成数据集（876,100个样本，五个类别，故障率约为0.09%）上进行了评估，取得了卓越的性能：宏观F1分数为0.9875，平衡准确率为0.9915，其PR-AUC值优于之前的基准测试结果。计算分析和消融研究证实了该框架的可扩展性以及关键设计选择的非冗余性。重要的是，该流程生成的工件（模型、预处理器、配置）均带有版本信息，便于企业根据具体场景进行集成验证。运营影响预测（如减少停机时间、减少调度次数）基于类似部署得出，需要通过现场验证来量化其效果。