设备状态监测与故障诊断（分类预测）

背景

本案例以工业旋转设备智能运维为应用背景，围绕设备运行状态实时感知与故障智能诊断需求，构建基于多源传感数据的设备健康状态分析流程。针对旋转机械在实际运行过程中可能出现的不平衡、松动、磨损等典型故障，通过采集振动、声学、温度等多维运行数据，形成覆盖正常状态与故障状态的设备状态样本库。依托 DTEmpower 平台的数据建模与分类预测能力，建立传感特征与设备健康状态之间的关联模型，实现设备状态自动识别与故障分类，为工业装备数字化监测、智能诊断和预测性维护应用提供技术验证基础。

案例数据集

本案例包含训练数据和用于故障预测的预测数据：

下载设备状态监测与故障诊断数据集

操作流程

案例功能点概述：

通过本案例操作，用户将学习和了解如何在 DTEmpower 中完成设备状态监测与故障诊断分类预测建模的完整流程，包括：

了解如何在项目中导入用于设备状态监测的训练数据，为后续故障诊断模型训练准备数据基础；
学习如何使用智能数据处理功能对传感器数据进行预处理，包括清除异常数据、生成处理后的训练数据集；
学习如何使用分类预测功能，以“Fault_Type”为目标列训练设备故障诊断模型；
了解如何查看模型训练与评估结果，并通过特征重要性、准确率、ROC 曲线、混淆矩阵等信息判断模型效果；
了解如何将评估效果满足要求的故障诊断模型进行部署；
学习如何使用已部署的模型对新的设备监测样本进行状态预测，判断设备处于正常状态还是典型故障状态。

操作步骤

新建项目

设备状态监测与故障诊断：新建项目

导入训练数据

导入 csv 格式的训练数据。

设备状态监测与故障诊断：导入训练数据

数据中 Timestamp 列为时间戳，Vibration_X、Vibration_Y、Vibration_Z 列为振动特征，Acoustic_Level 列为声学特征，Temperature 列为温度特征。“Fault_Type 列为分类预测的目标列，包含 Bearing Fault（轴承故障）、Imbalance（不平衡）、Normal（正常）和 Overheating（过热）四种设备运行状态分类。

设备状态监测与故障诊断：导入训练数据

使用训练数据进行绘图，查看数据分布。

设备状态监测与故障诊断：导入训练数据

选择「计算非空值」，可以查看每个类别的样本数和占比，并且将鼠标悬停在图表上，可以查看每个类别的具体数值。

设备状态监测与故障诊断：导入训练数据

数据预处理

回到「流程」，点击“train”数据集，点击右侧的【智能数据处理】。

设备状态监测与故障诊断：数据预处理

数据中可能存在需要清除的异常数据，在智能体对话框输入“清除异常数据”，回车，等待智能体处理完成，可以看到智能体删除了异常的行。

设备状态监测与故障诊断：数据预处理

模型训练与评估

回到「流程」，点击预处理输出后的“train”数据集，点击右侧机器学习下的【分类预测】。

设备状态监测与故障诊断：模型训练与评估

「目标列名」选择 Fault_Type。可以根据需求选择不同的模式，「自动机器学习」模式下，平台可根据所选模式自动完成算法筛选与参数配置，更加适合初学者。而「专家模式」则更适合已有经验的用户，自行选择算法并配置参数。「自动机器学习」模式下有「快速模式」、「可解释模式」和「高性能模式」，各模式特点在界面上已有说明。此处为更快得到结果，使用「快速模式」。

设备状态监测与故障诊断：模型训练与评估

在训练配置中可以看到各个目标类别的样本占比，Bearing Fault（轴承故障）、Imbalance（不平衡）、Normal（正常）和 Overheating（过热）为四种设备运行状态分类。

设备状态监测与故障诊断：模型训练与评估

在「特征变量」中，可以看到，Timestamp 不适合作为模型输入特征，因此未被选中，该列为数据记录时间，不作为输入特征。

设备状态监测与故障诊断：模型训练与评估

点击【训练】按钮，输入任务名称，点击【训练】按钮，开始训练。

设备状态监测与故障诊断：模型训练与评估

训练完成后，可以查看模型评估指标的值，点击【查看详情】。

设备状态监测与故障诊断：模型训练与评估

在「特征重要性排序」中可以查看不同特征的重要性。

设备状态监测与故障诊断：模型训练与评估

可以查看 ROC 曲线，ROC 曲线是评估分类模型性能的一种常用工具，横轴为假正例率（FPR），即被错误地分类为正例的样本占所有负例样本的比例，纵轴为真正例率（TPR），即被正确识别为正例的样本占所有实际正例样本的比例。曲线越接近左上角，通常表明模型的分类性能越好。AUC 表示 ROC 曲线下面积，AUC 值越大，模型性能越优。

设备状态监测与故障诊断：模型训练与评估

混淆矩阵是评估分类模型的工具，它展示了模型预测结果与实际结果的对比。矩阵的行代表实际类别，列代表预测类别。四个格子分别表示：真正例（实际和预测都是正类）、假正例（实际是负类但预测为正类）、假负例（实际是正类但预测为负类）和真负例（实际和预测都是负类）。通过这个矩阵，可以直观地看到模型在哪些类别上表现好，哪些类别上容易出错。

设备状态监测与故障诊断：模型训练与评估