✅ 博主简介：擅长数据搜集与处理、建模仿真、程序设计、仿真代码、论文写作与指导，毕业论文、期刊论文经验交流。
✅ 如需沟通交流，扫描文章底部二维码。

（1）考虑特征交互权重的随机森林特征重要性评估方法

轴承振动信号经过多种信号处理方法之后能够提取出大量描述其健康状态的特征指标,但并非所有特征对故障诊断与可靠性预测都具有同等贡献,而且不同特征之间往往存在着复杂的相互作用关系,简单地将特征独立看待会忽略这些交互信息,影响后续模型的预测精度。本研究在传统随机森林特征重要性评估的基础上提出了考虑特征交互权重的改进方法。在标准随机森林训练过程中,每一棵决策树都使用引导聚集采样得到的样本子集进行构建,在每个节点分裂时随机选择特征子集进行最优分裂判别,通过统计每个特征在所有树中分裂带来的不纯度下降总量即可获得基础重要性分数。我们在此基础上引入了特征对交互权重的概念,对于任意两个特征,统计它们在同一条决策路径中相邻分裂的频次以及它们联合出现时所产生的不纯度下降增量,该增量值即可量化两个特征之间的交互效应强度。综合基础重要性与交互权重两类指标,算法构造了一个加权重要性矩阵,基于此矩阵进行特征筛选能够同时保留具有独立预测能力的关键特征以及具有协同效应的特征组合,从而显著提升了下游模型的预测性能。

（2）基于优化随机森林的轴承可靠性预测模型构建

轴承可靠性预测的本质是根据当前监测特征对未来一段时间内轴承能够无故障运行的概率进行估计,这一任务对模型在小样本条件下的稳健性以及对噪声样本的鲁棒性都提出了较高要求。本研究将随机森林作为基础学习器并对其关键超参数进行系统优化以构建可靠性预测模型。在模型结构方面,我们将随机森林的输出由传统的多数投票分类调整为软概率回归输出,使得模型能够直接预测剩余可靠运行时长的概率分布而不仅仅是一个点估计。在超参数优化方面,我们采用了改进的鲸鱼优化算法对树的数量、最大深度、最小分裂样本数以及随机特征子集大小四个核心参数进行联合搜索,搜索目标为可靠性预测的均方误差与负对数似然之和,这种多目标优化设计使得模型不仅追求预测准确性也兼顾了不确定性建模的合理性。优化得到的随机森林模型在轴承全寿命周期数据集上的测试结果表明,所提方法相比未经优化的基线模型在剩余使用寿命预测误差上有显著降低,同时在可靠性预测置信区间的覆盖率方面也表现出更好的标定特性。

（3）数据驱动的动态维护策略优化与决策支持

传统的轴承维护策略多数采用固定周期更换或者超阈值更换的简单准则,这些策略要么导致过早更换造成资源浪费,要么因为更换不及时引发设备故障带来更大损失。本研究基于前述的可靠性预测模型构建了一个数据驱动的动态维护决策框架,从经济性与安全性双重视角出发优化维护时机选择。决策框架的核心是一个考虑多类成本的总收益函数,该函数同时考虑了维护操作的直接成本、设备故障引发的间接损失成本、剩余可靠寿命被浪费的机会成本以及生产中断带来的经济损失。在每一个监测时刻,算法基于当前的可靠性预测分布通过蒙特卡洛模拟方法估计未来不同时间窗口内的故障概率,然后将各种维护决策方案对应的期望总成本进行比较,选择期望成本最小的方案作为当前的最优决策。除此之外,框架还考虑了实际工业现场的运维约束,如维护人力调度限制、备件库存状况以及生产计划等因素,通过将这些约束加入到决策优化模型当中使得最终输出的维护建议具有较强的工程可执行性。在某轴承生产线上的现场试验显示,所提框架将整体运维成本降低约百分之二十的同时显著减少了非计划停机次数。

import numpy as np
from sklearn.ensemble import RandomForestRegressor

# 1. 考虑特征交互权重的重要性评估
def interaction_importance(rf, X, n_perm=10):
    base_imp = rf.feature_importances_                 # 基础重要性
    n_feat = X.shape[1]
    inter = np.zeros((n_feat, n_feat))
    for tree in rf.estimators_:
        # 遍历决策树节点：统计相邻分裂的特征对
        feats = tree.tree_.feature
        for i in range(len(feats) - 1):
            f1, f2 = feats[i], feats[i+1]
            if f1 >= 0 and f2 >= 0 and f1 != f2:
                # 不纯度下降的累积作为交互强度
                gain = tree.tree_.impurity[i] - tree.tree_.impurity[i+1]
                inter[f1, f2] += abs(gain)
    inter = (inter + inter.T) / 2                      # 对称化
    weighted = base_imp + 0.3 * inter.sum(axis=1)      # 综合权重
    return weighted / weighted.sum()

# 2. 鲸鱼优化算法搜索 RF 超参数
def whale_optimize_rf(X_train, y_train, X_val, y_val, n_whale=10, n_iter=20):
    bounds = [(50, 300), (3, 20), (2, 10), (3, 15)]    # n_est, depth, min_split, max_feat
    pop = np.array([[np.random.uniform(*b) for b in bounds] for _ in range(n_whale)])
    fitness = np.array([_eval_rf(p, X_train, y_train, X_val, y_val) for p in pop])
    best_idx = fitness.argmin()
    best = pop[best_idx].copy()
    for t in range(n_iter):
        a = 2 - 2 * t / n_iter                         # 收敛因子线性递减
        for i in range(n_whale):
            r = np.random.rand()
            A = 2 * a * r - a
            C = 2 * np.random.rand()
            if abs(A) < 1:                             # 包围捕食
                D = abs(C * best - pop[i])
                pop[i] = best - A * D
            else:                                       # 随机搜索
                rand_w = pop[np.random.randint(n_whale)]
                pop[i] = rand_w - A * abs(C * rand_w - pop[i])
            pop[i] = np.clip(pop[i], [b[0] for b in bounds], [b[1] for b in bounds])
        fitness = np.array([_eval_rf(p, X_train, y_train, X_val, y_val) for p in pop])
        if fitness.min() < _eval_rf(best, X_train, y_train, X_val, y_val):
            best = pop[fitness.argmin()].copy()
    return best

def _eval_rf(params, Xt, yt, Xv, yv):
    rf = RandomForestRegressor(int(params[0]), max_depth=int(params[1]),
                                min_samples_split=int(params[2]), max_features=int(params[3]))
    rf.fit(Xt, yt)
    return ((rf.predict(Xv) - yv)**2).mean()

# 3. 蒙特卡洛动态维护决策
def maintenance_decision(rf, x_now, c_maint=100, c_fail=1000, horizon=30, n_mc=1000):
    # 多棵树预测分布 → MC采样故障概率
    preds = np.array([t.predict([x_now])[0] for t in rf.estimators_])
    mu, sigma = preds.mean(), preds.std()
    samples = np.random.normal(mu, sigma, n_mc)
    fail_prob = (samples < horizon).mean()
    cost_now = c_maint                                  # 立即维护成本
    cost_wait = fail_prob * c_fail + (1 - fail_prob) * c_maint
    return 'maintain_now' if cost_now < cost_wait else 'wait', fail_prob

如有问题，可以直接沟通

👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇