装备故障诊断是装备保障工作中十分重要的一个环节。对于信息化故障诊断方法而言,装备故障诊断需要根据从装备运行或维修过程中采集到的装备状态数据,通过模型或推理的方法,判断装备是否存在故障或可能出现故障。基于机器学习的方法利用数据训练模型,可以大大节约存储资源和人力资源,提升故障检测的准确性和效率。针对装备故障类型种类繁多且复杂的情况,分析数据所对应的故障类别,采用合理的策略处理故障数据与故障类型之间的不平衡,建立起装备运行数据与故障类型之间关系的预测模型。然后针对装备故障检测的不同场景,建立不同的网络服务,并通过实验验证其可行性,为装备的故障诊断起到辅助作用。本论文根据加州大学机器学习与智能系统中心提供的公开装备故障数据集——APS Failure at Scania Trucks Data Set,对比目前常用的机器学习算法,建立最优的装备故障诊断模型,并基于最优模型设计装备故障在线诊断系统。本论文的主要工作和创新点包括:(1)装备状态数据预处理技术研究。针对装备运行数据中故障数据少、正常数据多、缺失值多等特点,首先通过数据分析寻找缺失值特征的分布特点,采用平均数、中位数、众数的方法填充数据的缺失值,然后,采用基于装袋(Bagging)的处理策略,使得故障数据和正常数据在分布极度不平衡的情况下避免过拟合。对比实验表明,采用Bagging方法预处理后,召回率普遍优于不使用Bagging方法进行预处理的方式。(2)基于机器学习的装备故障诊断技术研究。对比了一些目前在故障诊断领域常用的机器学习算法,k近邻算法(k-NN),支持向量机(SVM),自适应提升算法(Adaboost),极端梯度提升(XGBoost)。通过实验发现,在Bagging方法进行训练数据预处理后,采用XGBoost算法,在卡车APS数据集上取得了99.84%的准确率,按照APS数据集的计分法则,性能优于2016年第15届工业数据智能分析挑战赛的最好成绩。提出的Bagging+XGBoost方法除了在准确率上优于现有其他算法,还能避免过拟合的风险,使得模型的表现更加具有可信性。(3)装备故障诊断在线服务设计。基于最优模型构建了面向两种不同场景的网络服务。一种针对装备实时运行的数据提供API,可以根据实时请求的数据返回是否故障;另一种针对平时的场景,提供了用户友好度高的操作界面。用户上传装备数据,可以实现数据可视化以及数据分析,并返回故障诊断结果。两个API都具有数据采集并存入数据库的功能,可以实现数据的不断采集、模型的不断迭代,使得模型具有更强的泛化能力。通过学习装备在运行过程中故障的不同类型,使得模型的扩展性更强。本论文通过从数据采集、数据分析、数据处理、模型选择、参数调优、模型建立、提供故障诊断实时服务再到数据采集这一整体流程,实现了故障诊断完整的闭环架构。同时具有已知方法中最出色的性能和稳定性,完成了装备故障诊断模型的研究分析与设计。