4、机器学习基础：监督学习（回归、分类）、无监督学习（聚类、异常检测）、模型评估指标（准确率、召回率、F1-score）
各位同行，大家好。这一章我们聊聊机器学习在预测性维护里的基础应用。说实话，很多搞设备维护的兄弟一听到“机器学习”就头大，觉得那是算法工程师的事。其实不然，你只要搞懂几个核心概念，就能让机器帮你干活。
我个人习惯把机器学习分成两大类：监督学习和无监督学习。说白了，区别就在于——你的数据有没有“标准答案”。
监督学习：有答案的“老师傅”带徒弟
监督学习，就像老师傅带徒弟。你给徒弟一堆历史故障数据，告诉他“这个振动值对应轴承磨损”、“那个温度曲线对应电机过载”。徒弟学完后，看到新的数据就能判断——嗯，这情况我见过，八成要出问题。
在预测性维护里，监督学习主要干两件事：回归和分类。
回归：预测“还剩多少寿命”
回归，说白了就是预测一个连续数值。比如“这台泵还能跑多少小时？”、“轴承磨损量是多少毫米？”。
我记得有一次在化工厂做项目，客户想知道离心泵的剩余使用寿命（RUL）。我们采集了振动、温度、流量等历史数据，用回归模型一跑，预测结果和实际拆检结果误差在5%以内。老师傅们看了直呼“这东西靠谱”。
核心思路：回归模型学习的是“特征”到“目标值”的映射关系。常见算法有线性回归、决策树回归、随机森林回归。
# 一个简单的线性回归示例（Python）
from sklearn.linear_model import LinearRegression
import numpy as np
# 假设振动幅值（mm/s）作为特征，剩余寿命（小时）作为目标
X = np.array([[2.1], [3.5], [5.8], [7.2], [9.0]]) # 振动值
y = np.array([800, 650, 400, 200, 50]) # 剩余寿命
model = LinearRegression()
model.fit(X, y)
# 预测：振动值6.5 mm/s时，剩余寿命是多少？
prediction = model.predict([[6.5]])
print(f"预测剩余寿命：{prediction[0]:.0f} 小时")
我的经验：回归模型对数据质量非常敏感。如果传感器有漂移或噪声，预测结果会偏差很大。我建议先做数据清洗和滤波，别急着上模型。
分类：判断“正常还是故障”
分类，就是给数据打标签。比如“这台设备当前状态是正常、预警还是故障？”、“这个振动模式属于轴承故障还是齿轮故障？”。
分类模型输出的是离散的类别。常见算法有逻辑回归、支持向量机（SVM）、K近邻（KNN）等。
举个例子，我在风电场的项目中，用分类模型判断齿轮箱的故障类型。输入是振动信号的频谱特征，输出是“正常”、“齿面磨损”、“断齿”三个类别。准确率做到了92%以上。
注意：分类模型最怕“样本不平衡”。比如正常数据占99%，故障数据只占1%。模型会偷懒——全部预测为正常，准确率也有99%，但实际毫无用处。这时候需要过采样、欠采样或者调整类别权重。
无监督学习：没有答案，自己找规律
无监督学习，就像让一个新来的工程师自己去车间转悠，观察设备运行规律，自己发现哪些设备“长得像”、哪些数据“不对劲”。没有标准答案，全靠数据本身说话。
在预测性维护里，无监督学习主要用在聚类和异常检测。
聚类：把设备“分堆”
聚类，就是把相似的数据点归到同一组。比如，你有100台同型号的泵，运行数据各不相同。聚类算法可以自动把它们分成几类——运行平稳的一类、轻微磨损的一类、严重劣化的一类。
我曾经用K-means算法对某工厂的压缩机集群做聚类分析。结果发现有一类设备的振动特征明显偏离正常群体，后来检查发现是安装基础松动。你看，不用打标签也能发现问题。
常用算法：K-means、DBSCAN、层次聚类。K-means简单高效，但需要预先指定类别数K；DBSCAN不需要指定K，还能识别噪声点。
异常检测：找“不一样”的那个
异常检测，就是找出那些“格格不入”的数据点。在设备维护中，异常往往就是故障的前兆。
我记得有一次做水泵的在线监测，用孤立森林（Isolation Forest）算法做异常检测。模型在正常运行数据上训练，然后实时打分。有一天模型突然报警，说某个数据点异常度很高。我们赶紧通知现场检查，发现是轴承保持架出现了微裂纹。提前48小时预警，避免了非计划停机。
避坑指南：我曾经犯过一个错误——直接用原始振动数据做异常检测，结果误报率很高。后来发现，应该提取特征（如有效值、峰值因子、峭度等）后再做检测。特征工程这一步，千万别省。
模型评估指标：怎么知道模型好不好？
模型建好了，总得有个标准来评判吧？就像你带徒弟，总得考试看看他学得怎么样。评估指标就是这场“考试”。
对于分类模型，最常用的三个指标是：准确率、召回率和F1-score。
准确率（Accuracy）
准确率 = 预测正确的样本数 / 总样本数。听起来很直观，对吧？但我要提醒你——准确率高不一定代表模型好。
为什么？回到刚才说的样本不平衡问题。如果故障样本只占1%，模型全部预测为正常，准确率是99%，但这个模型有什么用？它一个故障都抓不住。
召回率（Recall）
召回率 = 正确预测为正类的样本数 / 实际正类样本总数。说白了，就是“所有真正的故障中，模型找出了多少”。
在预测性维护里，召回率往往比准确率更重要。漏掉一个故障，可能意味着设备损坏、产线停摆。我宁愿模型多报几次假警（误报），也不希望它漏掉一次真故障。
F1-score
F1-score是准确率和召回率的调和平均。它综合了两者的表现，是一个更平衡的指标。
公式很简单：F1 = 2 × (准确率 × 召回率) / (准确率 + 召回率)
我个人习惯用F1-score作为模型选型的首要指标。因为它不会让模型“偏科”——要么只追求准确率而漏报，要么只追求召回率而误报一堆。
| 指标 | 含义 | 预测性维护中的意义 |
|---|---|---|
| 准确率 | 所有预测中，正确的比例 | 反映整体判断能力，但易被不平衡数据欺骗 |
| 召回率 | 实际故障中，被正确识别的比例 | 漏报越少，召回率越高。设备维护更关注这个 |
| F1-score | 准确率和召回率的调和平均 | 平衡指标，适合模型对比和选型 |
我的建议：在预测性维护项目中，优先关注召回率和F1-score。准确率可以作为参考，但别太当真。你想想看，漏掉一次故障的代价，可能抵得上100次误报的麻烦。
小结
这一章我们聊了监督学习和无监督学习在预测性维护中的应用。监督学习适合有历史标签的场景，比如预测剩余寿命、判断故障类型。无监督学习适合探索性分析，比如设备聚类、异常检测。评估指标是检验模型好坏的标尺，别只看准确率，召回率和F1-score更实用。
嗯，内容就到这里。机器学习不是玄学，是工具。用好了，它能帮你省下大把时间和维修成本。
公众号:蓝海资料掘金营，微信deep3321