工业设备故障预测与健康评估分析数据

数据来源于公司的设备维修与保养记录，原始数据包括设备编号、设备名称、设备类别、报修故障类型、故障原因、维修时长、停机状态、验收结果等关键字段，共约8,232条数据。 通过XGBoost二分类算法建立设备健康评估分析模型，将设备类型、故障类型、维修时长、停机状态等特征与设备健康评估结果关联训练，形成工业设备健康等级的A/B/C/D四级评估数据集。 对设备健康A级的设备维持现有保养策略，确保稳定运行；B级的设备加强日常点检频次，提前预防潜在故障；C级的设备制定针对性改善计划，更换易损备件；D级的设备安排专项维修或更新改造，降低非计划停机风险。 该数据集解决离散制造业设备故障预测难、非计划停机损失高、预测性维护缺乏数据支撑等行业核心痛点，帮助制造企业从被动维修转向主动的设备健康预测与前置维护。该数据集可横向复用至轴承加工、数控机床、自动化生产线等工业设备健康评估场景。设备编号保留标准编码格式，删除维修人、保养人姓名等个人信息。 本算法采用XGBoost二分类算法，输入特征为设备类型编码、故障类型编码、维修时长（小时）、停机状态，输出为设备健康等级标签。 故障影响评分 =停机状态为 1 时，判定维修时长_小时：≤4= 5 分、4＜时长≤24 = 4 分、24＜时长≤72 = 3 分、时长＞72 = 2 分；停机状态不为 1 时，统一计 1 分。 故障频次评分 = 年度故障次数：0次=5分，1次=4分，2次=3分，3次=2分，≥4次=1分。 设备健康综合评分 = 故障影响评分 × 0.6 + 故障频次评分 × 0.4。 设备健康等级 = 设备健康综合评分：≥4.5=A级，≥3.5且＜4.5=B级，≥2.5且＜3.5=C级，＜2.5=D级。

搜集汇总

背景与挑战

背景概述

该数据集基于约8,232条设备维修与保养记录，通过XGBoost二分类算法构建，将设备类型、故障类型、维修时长、停机状态等特征与健康评估结果关联，形成A/B/C/D四级健康等级评估数据，用于支撑制造业从被动维修转向主动预测性维护。