日本語タイトル#
人工知能に基づく産業ポンプ故障診断の機械学習方法
英語タイトル#
AI-Powered Machine Learning Approaches for Fault Diagnosis in Industrial Pumps
日本語要約#
本研究では、大型垂直遠心ポンプが厳しい海洋環境で運転される際の実際のセンサーデータを利用して、産業ポンプシステムの早期故障検出のための実用的な方法を提案します。 5 つの主要な運転パラメータが監視されました：振動、温度、流量、圧力、および電流。 固定された工学的限界と、歴史的センサー値の 95 パーセンタイルとして計算された適応閾値を組み合わせた二重閾値ラベリング手法が適用されました。 記録された故障の稀少性に対処するために、ドメイン特有のルールを使用して合成故障信号がデータに注入され、合理的な操作範囲内での重要な警告をシミュレートしました。 正常運転、早期警告、および重要な警告を区別するために、ランダムフォレスト、極端勾配ブースティング（XGBoost）、およびサポートベクターマシン（SVM）の 3 つの機械学習分類器が訓練されました。 結果は、ランダムフォレストと XGBoost モデルがすべてのクラスで高い精度を達成し、稀または新興の故障を表す少数のケースを含む一方で、SVM モデルは異常に対する感度が低いことを示しました。 グループ化された混同行列や時系列プロットを含む視覚分析は、提案されたハイブリッド手法が強力な検出能力を提供することを示しました。 このフレームワークはスケーラブルで解釈可能であり、故障が発生する前に積極的なメンテナンスの意思決定をサポートするためにリアルタイムの産業展開に適しています。 さらに、類似のセンサーアーキテクチャを持つ他の機械にも適応可能であり、複雑なシステムにおける予測メンテナンスのスケーラブルなソリューションとしての潜在能力を強調しています。
英語要約#
This study presents a practical approach for early fault detection in industrial pump systems using real-world sensor data from a large-scale vertical centrifugal pump operating in a demanding marine environment. Five key operational parameters were monitored: vibration, temperature, flow rate, pressure, and electrical current. A dual-threshold labeling method was applied, combining fixed engineering limits with adaptive thresholds calculated as the 95th percentile of historical sensor values. To address the rarity of documented failures, synthetic fault signals were injected into the data using domain-specific rules, simulating critical alerts within plausible operating ranges. Three machine learning classifiers - Random Forest, Extreme Gradient Boosting (XGBoost), and Support Vector Machine (SVM) - were trained to distinguish between normal operation, early warnings, and critical alerts. Results showed that Random Forest and XGBoost models achieved high accuracy across all classes, including minority cases representing rare or emerging faults, while the SVM model exhibited lower sensitivity to anomalies. Visual analyses, including grouped confusion matrices and time-series plots, indicated that the proposed hybrid method provides robust detection capabilities. The framework is scalable, interpretable, and suitable for real-time industrial deployment, supporting proactive maintenance decisions before failures occur. Furthermore, it can be adapted to other machinery with similar sensor architectures, highlighting its potential as a scalable solution for predictive maintenance in complex systems.
記事ページ#
PDF 取得#
抖音でさらに素晴らしいコンテンツを見るにはスキャンしてください