.png){kind=icon}
返回
Robust Baselines and Probability Calibration for TPM-Oriented Predictive Maintenance
.png){kind=icon}
PRE
AI
DOI：10.36001/IJPHM.2026.v17i1.4659.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在严重类别不平衡条件下进行预测性维护（PdM）对模型评估和部署构成挑战，尤其是在概率用于指导维护决策时。本研究使用AI4I 2020数据集，建立了强调严格验证和概率校准的故障检测可复现基线。通过具有严格泄漏控制的嵌套交叉验证，评估了随机森林（RF）、多层感知器（MLP）和经典基线模型。指标包括平均精度、召回率、精确率、Brier评分和预期校准误差（ECE），同时分析了SMOTE对类别不平衡的影响。RF在判别能力和校准可靠性之间实现了最稳健的平衡，而使用SMOTE的MLP提高了敏感性，但引发了校准和假阳性之间的权衡。扭矩和刀具磨损作为主导预测因子出现，与物理退化机制一致。通过明确将预测性能与概率校准和运营成本考量相联系，本研究为在全面生产维护框架内提供了可操作的、成本意识强的PdM参考基线。
Keyword:
Predictive Maintenance
Total Productive Maintenance
Probability Calibration
Class Imbalance
Machine Learning
期刊
I
IF:
1
论文数:
20
被引数:
446
机构
引用论文
暂无论文信息