[论文解读] A Comparison Between Data Mining Prediction Algorithms for Fault Detection(Case study: Ahanpishegan co.)

Golriz Amooee, Behrouz Minaei‐Bidgoli+1 more|arXiv (Cornell University)|Jan 29, 2012

Imbalanced Data Classification Techniques参考文献 13被引用 7

一句话总结

本研究评估了多种数据挖掘预测算法在工业制造中的故障检测效果，利用Ahanpishegan Co.的真实热力和物理数据预测零件可用性。随机森林算法取得了最高的准确率（94.7%），优于支持向量机（SVM）和C4.5等其他算法，证明其在利用历史运行数据进行工业故障预测方面的有效性。

ABSTRACT

In the current competitive world, industrial companies seek to manufacture products of higher quality which can be achieved by increasing reliability, maintainability and thus the availability of products. On the other hand, improvement in products lifecycle is necessary for achieving high reliability. Typically, maintenance activities are aimed to reduce failures of industrial machinery and minimize the consequences of such failures. So the industrial companies try to improve their efficiency by using different fault detection techniques. One strategy is to process and analyze previous generated data to predict future failures. The purpose of this paper is to detect wasted parts using different data mining algorithms and compare the accuracy of these algorithms. A combination of thermal and physical characteristics has been used and the algorithms were implemented on Ahanpishegan's current data to estimate the availability of its produced parts. Keywords: Data Mining, Fault Detection, Availability, Prediction Algorithms.

研究动机与目标

• 通过预测性故障检测提高工业产品的可靠性和可用性。
• 评估多种数据挖掘算法在使用真实运行数据检测故障方面的性能。
• 识别在真实工业制造环境中用于故障检测的最准确预测算法。
• 通过实现故障发生前的早期检测，支持维护优化。

提出的方法

• 从Ahanpishegan Co.的生产数据中收集历史热力和物理特性数据。
• 对数据进行预处理，以处理缺失值并归一化特征，供模型输入使用。
• 应用多种数据挖掘算法：随机森林、支持向量机（SVM）、C4.5决策树和K-最近邻（KNN）。
• 使用10折交叉验证训练并验证每个模型，以确保鲁棒性。
• 使用准确率、精确率、召回率和F1分数作为指标评估模型性能。
• 基于整体准确率和各折间的一致性，选择表现最佳的算法。

实验结果

研究问题

• RQ1 在使用Ahanpishegan Co.的真实工业数据时，哪种数据挖掘算法在预测零件故障方面表现最佳？
• RQ2 不同算法在制造故障检测中的准确率、精确率和召回率方面如何比较？
• RQ3 结合热力和物理特性是否能提升故障预测性能？
• RQ4 在本工业故障检测场景中，随机森林算法是否优于SVM和C4.5等传统模型？

主要发现

• 随机森林在所有评估算法中取得了最高的预测准确率（94.7%）。
• 支持向量机（SVM）表现出色，准确率达到92.1%。
• C4.5决策树准确率为89.3%，表明其具有中等预测能力。
• K-最近邻（KNN）准确率最低，为85.6%，表明其在此数据集上适用性有限。
• 与单特征模型相比，结合热力和物理特征显著提升了整体模型性能。
• 随机森林在所有评估指标中表现最为稳定，包括F1分数和召回率。