用有限的数据预测硬件故障

Question

我正在探索使用机器学习来预测一个特定的硬件组件是否会在一个时间框架内失效，比如说3个月。最终目标是尽量减少实际的人工检查，以便维修人员总是在硬件故障之前及时进行维护/维修。

然而，无论硬件的状况如何，维修都是在固定的间隔内进行的，而且实际上从来没有失败过。我们所拥有的数据集就是这样的：

equipment: pump1
location: outdoor (or indoor)
provider: providerA
operation: -
   temperature (as a function of time)
   moisture (as a function of time)
   team (as a discreet function of time, ie teamA, teamB, teamC)

基本上，我们知道设备的一些特性(这里是pump1)，并且我们知道一些操作参数(这里是温度、湿度)作为随时间变化的函数，我们也知道哪个团队在一段时间内完成了服务。我知道生存分析最适合预测维修问题，但每项操作参数随研究时间而不同。没有什么是不变的。

而回归不考虑时间。因此，我们如何实际建模来预测它的失败呢？

注:以上参数来自https://www.kaggle.com/ludobenistant/predictive-maintenance。

Answer 1

你能用代理来表示硬件故障吗？像是一种有可能失败的状态？然后，您可以尝试预测这种状态，这种状态应该更常见，并使用一个模糊因素来达到您的失败。

Answer 2

这取决于你所说的失败是什么意思。正如el所提到的，如果有一个代理可以用作标签，那么您可能仍然可以在数据集上执行ML。

我不是机械工程师，但我曾在化工厂工作过，这里有一些关于泵故障的建议。

1. 泵速(如果是固定转速泵)
2. 转子转矩
3. 电源输入？(如果使用变速驱动器)

也许您可以尝试使用上述参数作为标签，并使用回归预测参数进入不健康水平？当然，理想的回归应该用于插值，但如果你的数据离故障限制不远，你就能得到好的结果。