[论文解读] Predictive Maintenance for Industrial IoT of Vehicle Fleets using Hierarchical Modified Fuzzy Support Vector Machine

Arindam Chaudhuri|arXiv (Cornell University)|Jun 24, 2018

Machine Fault Diagnosis TechniquesEngineering参考文献 19被引用 16

一句话总结

本文提出了一种分层改进型模糊支持向量机（HMFSVM），用于工业物联网（IoT）环境下的车辆车队预测性维护，通过整合里程、年龄和车型等车辆属性，提升故障预测性能。实验评估表明，该方法在故障检测和维护调度方面优于逻辑回归、随机森林和标准支持向量机，展现出更高的准确性和鲁棒性。

ABSTRACT

Connected vehicle fleets are deployed worldwide in several industrial IoT scenarios. With the gradual increase of machines being controlled and managed through networked smart devices, the predictive maintenance potential grows rapidly. Predictive maintenance has the potential of optimizing uptime as well as performance such that time and labor associated with inspections and preventive maintenance are reduced. In order to understand the trends of vehicle faults with respect to important vehicle attributes viz mileage, age, vehicle type etc this problem is addressed through hierarchical modified fuzzy support vector machine (HMFSVM). The proposed method is compared with other commonly used approaches like logistic regression, random forests and support vector machines. This helps better implementation of telematics data to ensure preventative management as part of the desired solution. The superiority of the proposed method is highlighted through several experimental results.

研究动机与目标

• 为应对工业物联网环境中大规模工业车辆车队维护所面临的日益严峻挑战。
• 通过整合里程、年龄和车型等关键车辆属性，提升故障预测的准确性。
• 通过数据驱动的主动维护策略，减少非计划停机时间和维护成本。
• 开发一种优于传统方法（如逻辑回归和随机森林）的鲁棒机器学习模型。
• 实现对实际工业物联网部署中车联网数据的有效利用，以支持预防性维护。

提出的方法

• 所提出的HMFSVM采用分层结构，基于车辆属性（如里程、年龄和车型）对故障进行分类。
• 将模糊逻辑集成到支持向量机框架中，以处理传感器和车联网数据中的不确定性和不精确性。
• 应用改进的模糊隶属函数对训练样本进行加权，降低噪声或异常值数据的影响。
• 采用多级分类策略，先将故障归类为高层次类别，再进行细粒度分类。
• 模型基于真实车辆车队的车联网数据进行训练，性能通过标准分类指标进行评估。
• 采用交叉验证和对比分析，将HMFSVM与逻辑回归、随机森林和标准支持向量机进行基准对比。

实验结果

研究问题

• RQ1 在工业物联网环境中，如何利用预测分析优化车辆车队维护？
• RQ2 在异构车辆数据中，集成模糊逻辑在多大程度上能提升故障预测的准确性？
• RQ3 与平面模型相比，分层分类方法是否能更有效地处理复杂、多属性的车辆故障模式？
• RQ4 HMFSVM与传统机器学习模型（如逻辑回归和随机森林）相比，性能表现如何？
• RQ5 整合车辆特定属性（如里程、年龄、车型）对预测性维护结果有何影响？

主要发现

• HMFSVM模型在分类车辆故障方面，预测准确率高于逻辑回归、随机森林和标准支持向量机。
• 模糊逻辑的集成显著降低了噪声或模糊数据点对模型性能的影响。
• 分层结构提升了在多样化车辆类型和故障模式下的泛化能力。
• 该方法在处理真实车联网数据中常见的类别不平衡数据集方面表现出鲁棒性。
• 实验结果证实，所提出模型可降低误报率并提升早期故障检测能力。
• 在F1-score和AUC-ROC等多个评估指标上，模型性能始终表现更优。