留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

实验室力值类设备故障预测及算法比较

张雪梅 孔祥吉

张雪梅,孔祥吉. 实验室力值类设备故障预测及算法比较[J]. 计量科学与技术,2023, 67(8): 54-60 doi: 10.12338/j.issn.2096-9015.2023.0208
引用本文: 张雪梅,孔祥吉. 实验室力值类设备故障预测及算法比较[J]. 计量科学与技术,2023, 67(8): 54-60 doi: 10.12338/j.issn.2096-9015.2023.0208
ZHANG Xuemei, KONG Xiangji. Predictive Analysis and Algorithmic Comparison for Faults in Laboratory Force-Measuring Equipment[J]. Metrology Science and Technology, 2023, 67(8): 54-60. doi: 10.12338/j.issn.2096-9015.2023.0208
Citation: ZHANG Xuemei, KONG Xiangji. Predictive Analysis and Algorithmic Comparison for Faults in Laboratory Force-Measuring Equipment[J]. Metrology Science and Technology, 2023, 67(8): 54-60. doi: 10.12338/j.issn.2096-9015.2023.0208

实验室力值类设备故障预测及算法比较

doi: 10.12338/j.issn.2096-9015.2023.0208
基金项目: 国家科技基础条件平台重点项目 “国家计量基标准体系资源共享平台” (KY(2016)QT04H)。
详细信息
    作者简介:

    张雪梅(1978-),江苏省计量科学研究院高级工程师,研究方向:计量管理,邮箱:64515462@qq.com

    通讯作者:

    孔祥吉(1979-),生态环境部南京环境科学研究所副研究员,研究方向:微污染控制与分析,邮箱:kxj125@sina.com

  • 中图分类号: TB931

Predictive Analysis and Algorithmic Comparison for Faults in Laboratory Force-Measuring Equipment

  • 摘要: 为提高设备管理的数字化水平,节约实验室管理成本,建立实验室设备故障预测模型,实现设备故障数据的有效利用。选取力值类设备的运行故障数据作为分析对象,基于统计方法对各影响量进行相关性分析,分别采用RidgeCV、XGBoost、LightGBM三种回归模型对该数据集进行拟合,比较、选择适宜预测设备首次故障前时间的算法。以r2、均方误差、可解释方差和平均绝对误差为模型精度衡量指标,经网格搜索-交叉验证优化后的LightGBM算法预测精度、运行速度最优,设备已服役时间和设备原值是确定首次故障前时间最为重要的特征。通过对设备故障数据的有效统筹,结合大数据分析技术,可针对不同类型设备建立符合自身规律的故障预测模型,探索出一条实验室管理的提质增效之路。
  • 图  1  两两连续变量相关性散点图

    Figure  1.  Two continuous variable correlation scatterplots

    图  2  预测变量重要性对比

    Figure  2.  Comparison of the importance of predictive variables

    表  1  力值类故障设备数据集快照

    Table  1.   A snapshot of the force-like faulty device dataset

    序号 生产厂类别 原值/元 已服役时间/年 周检方式 使用场所 期间核查 TTFF/年
    0 国产 70,000.00 47 外检 固定 36
    1 合资 16,600.00 33 自检 固定 31
    2 进口 280,800.00 23 功能检查 非固定 10
    3 国产 6,000.00 28 自检 非固定 17
    4 进口 610,000.00 24 自检 非固定 17
    ……
    下载: 导出CSV

    表  2  数据统计表

    Table  2.   Data statistics table

    原值/元已服役时间/年TTFF/年
    count4.260000e+02426.000000426.000000
    mean2.325525e+0514.4741789.793427
    std1.045419e+068.9171639.918945
    min5.250000e+022.0000000.000000
    25%8.485000e+0310.0000004.000000
    50%3.426350e+0413.0000007.000000
    75%1.411273e+0516.00000011.000000
    max1.674905e+0756.00000056.000000
    下载: 导出CSV

    表  3  TTFF与设备原值、已服役时间的相关性分析

    Table  3.   Correlation analysis of TTFF with the original value of equipment and service time

    项目 r P
    原值 −0.08326 0.08608
    已服役时间 0.90601 2.02984e-160
    下载: 导出CSV

    表  4  RidgeCV模型评估结果

    Table  4.   RidgeCV model evaluation results

    r2均方误差可解释方差平均绝对误差
    方式一:RidgeCV0.83960.15790.84340.3452
    方式二:特征选择+RidgeCV0.83900.15850.84290.3453
    注:可解释方差取值范围为[0~1],可解释方差越接近于1,表示模型越能完美预测数据。
    下载: 导出CSV

    表  5  XGBoost模型评估结果

    Table  5.   XGBoost model evaluation results

    r2均方误差可解释方差平均绝对误差
    方式一:XGBoost0.79340.20340.79940.3409
    方式二:XGBoost+GridSearchCV0.83090.16660.83530.3060
    方式三:特征选择+XGBoost+GridSearchCV0.84530.15230.84690.3056
    下载: 导出CSV

    表  6  LightGBM模型评估结果

    Table  6.   LightGBM model evaluation results

    r2均方误差可解释方差平均绝对误差
    方式一:LightGBM0.74640.24970.74850.3727
    方式二:LightGBM+GridSearchCV0.84690.15080.84920.3020
    方式三:特征选择+LightGBM+GridSearchCV0.82950.16790.83170.3329
    下载: 导出CSV

    表  7  实际应用效果评价

    Table  7.   Evaluation of the actual application effect

    TTFF预测值平均绝对误差/年 TTFF预测值标准偏差/年
    1 RidgeCV −6.4 4.56
    2 特征选择+XGBoost+GridSearchCV −2 18.93
    3 LightGBM+GridSearchCV −1.4 5.68
    下载: 导出CSV

    表  8  预测变量的重要性

    Table  8.   Importance of predictive variables

    列序号特征名称特征重要性列序号特征名称特征重要性
    Column_0使用场所=现场18Column_6已服役时间/年102
    Column_1使用场所=非现场0Column_7期间核查与否=否0
    Column_2原值/元90Column_8期间核查与否=是0
    Column_3周检方式=功能检查19Column_9生产厂类别=合资0
    Column_4周检方式=外检0Column_10生产厂类别=国产4
    Column_5周检方式=自检9Column_11生产厂类别=进口7
    下载: 导出CSV
  • [1] 张云奇. 资产全寿命周期评估模型在供电服务企业管理中的应用[J]. 电力信息与通信技, 2021, 19(8): 112-117.
    [2] 陈昕, 阮永娇, 曹景胜. 基于Python的汽车安全气囊跌落实验数据分析[J]. 辽宁工业大学学报(自然科学版), 2021, 41(4): 232-235. doi: 10.15916/j.issn1674-3261.2021.04.005
    [3] 朱慧军, 杨洪磊. 机械设备故障规律及运行趋势预测方法综述[J]. 电子测试, 2021, 455(2): 57-58,50. doi: 10.3969/j.issn.1000-8519.2021.02.018
    [4] 杜占龙, 李小民. 基于多渐消因子强跟踪UKF和约束AR模型的故障估计与预测[J]. 控制与决策, 2014, 29(9): 1667-1672. doi: 10.13195/j.kzyjc.2013.0715
    [5] 何彪. 基于大数据的设备故障诊断分析[J]. 机械设计与制造工程, 2021, 50(4): 63-67. doi: 10.3969/j.issn.2095-509X.2021.04.014
    [6] 张燕龙, 陈亮希, 陈兴玉, 等. 基于灰色线性回归组合模型的集成电路封装设备故障趋势预测[J]. 机械与电子, 2021, 39(3): 20-23. doi: 10.3969/j.issn.1001-2257.2021.03.004
    [7] 罗毅, 武博翔. 基于深度学习LSTM-DBN的水轮机振动故障预测方法[J]. 振动. 测试与诊断, 2022, 42(6): 1233-1238,1251.
    [8] 袁焦, 王珣, 潘兆马, 等. 基于机器学习的列车设备故障预测模型研究[J]. 计算机与现代化, 2020(12): 49-54. doi: 10.3969/j.issn.1006-2475.2020.12.009
    [9] 黄挺, 王磊, 晏鑫, 等. 基于故障率曲线和设备故障危害度的地铁车辆维修策略选择[J]. 城市轨道交通研究, 2015, 18(6): 83-86. doi: 10.16037/j.1007-869x.2015.06.018
    [10] 全国实验室仪器及设备标准化委员会. 实验室仪器及设备分类方法: GB/T 40024-2021[S]. 北京: 中国标准出版社, 2021.
    [11] 任万滨, 翟国富. 航天继电器耐力学环境设计理论与应用[M]. 哈尔滨: 哈尔滨工业大学出版社, 2015.
    [12] 李馨馨. 可靠性分析在实验室仪器设备管理中的应用[J]. 化学工程与装备, 2022(1): 18-22.
    [13] 琚东升, 琚孟隆, 李风姣. 盐城地区2004型拖拉机使用情况研究[J]. 农机使用与维修, 2022, 311(7): 64-66.
    [14] 张雪梅, 袁芳, 孔祥吉. LJ6010多功能标准源系统的可靠性管理[J]. 工业计量, 2011, 21(3): 36-37. doi: 10.3969/j.issn.1002-1183.2011.03.012
    [15] 任蕾洁. 考虑退化与冲击效应的机械系统可靠性分析与动态维护策略研究[D]. 西安: 西安理工大学, 2023.
    [16] 冯国双. 连续变量的相关与回归分析[J]. 中华护理杂志, 2011, 46(11): 1153.
    [17] 胡红波, 季文晖. 测量方程、观测方程与不确定度评估[J]. 中国测试, 2020, 46(9): 7-12. doi: 10.11857/j.issn.1674-5124.2020060094
    [18] 胡红波, 刘爱东, 左爱斌, 等. 加速度计校准的贝叶斯不确定度评估[J]. 计量科学与技术, 2021, 65(5): 101-107,61. doi: 10.12338/j.issn.2096-9015.2020.9051
    [19] 田骆冰, 徐刚, 张雅中, 等. 血清胃饥饿素水平与2型糖尿病周围神经病变的相关性研究[J]. 中国全科医学, 2020, 23(26): 3263-3267,3273.
    [20] 胡红波, 杨丽峰, 于梅. 零差干涉仪用于振动校准中关键技术的研究[J]. 计量学报, 2018, 39(3): 368-372. doi: 10.3969/j.issn.1000-1158.2018.03.16
    [21] 胡红波. MCMC方法在测量不确定度评估中的应用[J]. 计量技术, 2020(5): 89-94,88.
    [22] 袁浩恒. 数据挖掘中并行离散化数据准备优化研究[D]. 昆明: 昆明理工大学, 2019.
    [23] 冯浩. 后件为数值型属性的关联规则发现策略研究[D]. 北京: 北京交通大学, 2009.
    [24] 刘家豪. 基于车联网数据的预警行为分布特征及其影响因素分析[D]. 北京: 北京交通大学, 2023.
    [25] 焦锐, 车晨曦, 王健, 等. 基于卡方检验的玉米大豆带状复合种植意愿相关性分析[J]. 南方农业, 2023, 17(6): 116-119. doi: 10.19415/j.cnki.1673-890x.2023.06.037
    [26] 章姝俊, 陆海清, 陈佳玺, 等. 基于多因素相关性分析的气温敏感负荷预测[J]. 浙江电力, 2023, 42(9): 27-35. doi: 10.19585/j.zjdl.202309004
    [27] 孟晨, 王昊, 吴鲲. 力传感器校准方程系数的不确定度分析[J]. 计量科学与技术, 2023, 67(5): 52-57.
    [28] 蔡明, 孙杰, 李培德, 等. 三种机器学习算法在回归应用中的对比分析[J]. 智能计算机与应用, 2022, 12(8): 165-170. doi: 10.3969/j.issn.2095-2163.2022.08.033
    [29] 柯日宏, 吴升, 柯玮文. 一种识别共享单车潮汐点的时空模型和基于KNN-LightGBM的租还需求预测方法[J]. 地球信息科学学报, 2023, 25(4): 741-753. doi: 10.12082/dqxxkx.2023.220673
    [30] 陈丹璐, 孙德亮, 文海家, 等. 基于不同因子筛选方法的LightGBM-SHAP滑坡易发性研究[J/OL]. [2023-10-30]. 北京师范大学学报(自然科学版): 1-18. http://kns.cnki.net/kcms/detail/11.1991.N.20230808.1452.003.html.
  • 加载中
图(2) / 表(8)
计量
  • 文章访问数:  62
  • HTML全文浏览量:  31
  • PDF下载量:  17
  • 被引次数: 0
出版历程
  • 收稿日期:  2023-09-05
  • 录用日期:  2023-10-16
  • 修回日期:  2023-10-27
  • 网络出版日期:  2023-11-06
  • 刊出日期:  2023-08-18

目录

    /

    返回文章
    返回