设备健康状态评估与故障诊断模型训练数据

本模型训练数据主要面向工业生产设备智能运维场景，覆盖设备健康评估、故障预判、异常告警、工单调度等生产环节。在预测性维护场景中，模型依托设备健康指数HI开展全天候连续监测，以海量设备运行时序数据、历史劣化记录、维保台账为训练基础，设定HI＜65为预警阈值，系统可自动触发维护预警。通过数据模型拟合设备性能衰减规律，能够精准提前3-7天预判部件磨损、性能衰减等潜在故障，指导人员提前开展预防性维护，规避设备渐进性故障。在非计划停机预警场景中，模型基于孤立森林算法，以设备常态运行数据、异常波动数据、突发故障数据为训练样本，实时甄别设备隐性异常工况与非常规运行模式。针对判定为“故障风险”等级的设备，系统将即时生成告警信息并推送至MES系统，明确风险点位，有效杜绝突发停机问题。缩短故障处置时长，全面提升工业设备运维的智能化、精细化水平。 一、加工前数据说明 加工前原始数据为本企业泰瑞物联网平台导出的生产加工明细数据。由注塑机控制系统自动采集，包含统计时间、机台编号（脱敏编码）及模块24h上线时间（秒）、伺服启动24h上线时间（秒）等。 二、数据处理规则： 1、将统计时间列统一转为datetime格式，剔除无法解析的异常行。所有数值字段中小于0的值截断为0。2、所有数值字段中大于86400的值截断为86400（一天最大秒数）。3、缺失值处理：对缺失字段采用前后各3个有效点的线性插值法补充。4、计算：模块上线率（%）=模块24h上线(秒)/86400×100%，伺服上线率（%）=伺服启动24h上线(秒) )/86400×100%；警示比%=警示灯24h上线(秒)/( 运行灯24h上线(秒)+1)×100%；停机比%=停止灯24h上线(秒)/86400×100%；润滑比%=润滑24h上线(秒) /86400×100%；、开模比%=开模完成24h上线(秒)/86400×100%、运行比%=运行灯24h上线(秒)/86400×100%；伺服_模块同步差(秒) =|模块24h上线(秒)-伺服启动24h上线(秒) |; 警示_停止差(秒) =|警示灯24h上线(秒) -停止灯24h上线(秒) |; 运行_停机差(秒) =运行灯24h上线(秒) -停止灯24h上线(秒)。各维度分别进行Z-score标准化，z = (x - μ) / σ 。其中 μ,σ 为训练集全量统计量(固定值)。采用孤立森林模型IF(n_estimators=200, contamination=0.08, max_features=1.0, random_state=42)进行无监督异常检测。健康指数映射HI：HI=100-(异常分数-最小值)/(最大值-最小值)×100，归一化到0-100区间。4、等级划分：HI≥85为健康，65≤HI<85为亚健康，40≤HI<65为预警，<40为故障风险。 三、数据内容描述： 根据健康指数映射HI等级，识别异常标签。故障风险，标签1，其余标签0。异常标签可以快速满足产线实时监控需求。可运用于预测性维护、非计划停机预警等场景，为制造业企业设备状态评估与维护提供数据支持。