Volume 67 Issue 8
Aug.  2023
Turn off MathJax
Article Contents
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

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

doi: 10.12338/j.issn.2096-9015.2023.0208
  • Received Date: 2023-09-05
  • Accepted Date: 2023-10-16
  • Rev Recd Date: 2023-10-27
  • Available Online: 2023-11-06
  • Publish Date: 2023-08-18
  • This study aims to elevate digital equipment management and reduce laboratory management costs by developing a predictive model for laboratory equipment faults, thus making effective use of fault data. Operational fault data from force-measuring equipment was selected for analysis. A correlation analysis of influencing factors was conducted using statistical methods, and three regression models—RidgeCV, XGBoost, and LightGBM—were employed to fit the dataset. These models were compared to select the most appropriate algorithm for predicting the time before the first equipment fault. Model accuracy was evaluated using r2, mean squared error, explained variance, and mean absolute error. The LightGBM algorithm, optimized through grid search and cross-validation, demonstrated the best predictive accuracy and operational speed. Key features for determining the time before the first fault included the equipment's service time and its original value. By effectively managing equipment fault data and leveraging big data analysis techniques, a tailored fault prediction model for various equipment types can be established, paving the way for enhanced laboratory management efficiency and quality.
  • loading
  • [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

Catalog

    通讯作者: 陈斌, bchen63@163.com
    • 1. 

      沈阳化工大学材料科学与工程学院 沈阳 110142

    1. 本站搜索
    2. 百度学术搜索
    3. 万方数据库搜索
    4. CNKI搜索

    Figures(2)  / Tables(8)

    Article Metrics

    Article views (62) PDF downloads(17) Cited by()
    Proportional views
    Related

    /

    DownLoad:  Full-Size Img  PowerPoint
    Return
    Return