一、题目

关键词： 工业机械设备故障预测、影响因素分析、分类任务（二分类/多分类）、标签类别不平衡、数据挖掘

二、数据预处理和分析

赛题所给数据包括机械设备使用环境和工作强度的相关指标，先进行数据查看/熟悉和预处理，分析可知数据没有重复值和缺失值。

接下来注意，训练集其实存在两个异常值，如下所示：

是否发生故障为 1，可具体故障类别却为 Normal，选择删除这两条数据，避免引入噪声。下面说一下变量和预测目标的含义：

变量：

• 机器编号： 此设备的标识
• 统一规范代码： 机械设备的统一规范代码
• 机器质量等级： 质量等级分为高、中、低（HML）三个等级
• 室温（K）： 设备所处厂房的室温（单位为开尔文 K）
• 机器温度（K）： 工作时的机器温度（单位为开尔文 K）
• 转速（rpm）： 转速（单位为每分钟的旋转次数 rpm）
• 扭矩（Nm）： 扭矩（单位为牛米 Nm）
• 使用时长（min）： 机器运转时长（单位为分钟 min）

预测目标：

• 是否发生故障： 取值为 0/1，0 代表设备正常运转，1 代表设备发生故障。8697：301（说明标签类别不平衡）
• 具体故障类别： 包含 6 种情况，分别是 NORMAL、HDF、OSF、PWF、TWF、RNF。HDF 代表散热故障；OSF 代表过载故障；PWF 代表电力故障；TWF 代表磨损故障；RNF 代表其他故障。8697：95：85：74：41：6（同样也标签类别不平衡）

分析发现机器编号和统一规范代码在训练集与预测集无交集，建模预测时无须用这两个变量。

机器质量等级分为高、中、低（HML）三个等级，重新编码处理。查阅资料和文献，可以构造一些新的合理的特征，比如转速（rpm）× 扭矩（Nm）、转速（rpm）× 使用时长（min）。工业机械设备故障预测这样实际的工程问题比较复杂，简单的模型（Logistic 回归、KNN 可能表现不佳），主要还是用树模型和神经网络。根据实际情况做归一化/标准化（树模型不需要）。

分类任务，处理标签类别不平衡问题：

• 数据层面的方法：欠采样/重采样/组合采样（SMOTETomelink，imblearn）技术。这个题目的数据的特征较少，少数类别占比很小，推荐做一下组合采样（但注意：建模时对训练集！测试集不要一起处理）。
• 算法层面的方法：集成学习（随机森林、XGBoost）、代价敏感学习（其实就是设置少数类别权重更大一些）
• 当做无监督学习异常检测任务，用异常检测的方法（孤立随机森林、AutoEncoder）。

熟悉数据后，对解决问题明确了思路，根据关键词找相关文献，对着问题分析开始编程建模，选择合适的方法解决问题。

三、问题分析

任务 1： 观察数据 “train data.xlsx”，自主进行数据预处理，选择合适的指标用于机械设备故障的预测并说明原因。

• 数据熟悉和预处理已经做了，任务 1 就很简单。选择合适的指标用于机械设备故障的预测，其实是个特征选择任务，综合多种方法和分析即可！
• 统计的方法（model-free）：相关性分析【但要注意预测目标是分类变量，别乱套 pearson 什么的】、最大互信息系数（MIC，Python 有 minepy 库）、模型预测的方法（因为数据量为 9000，而特征数小于 10 ，因此可以这么干）：递归特征消除 RFE、Boruta 方法（有新意！）、随机森林/XGBoost 等的特征重要性分数【这时候不用调参优化和评估，能建模预测，筛选出特征就行】、SHAP 可解释性。

任务 2： 设计开发模型用于判别机械设备是否发生故障，自主选取评价方式和评价指标评估模型表现。

• 预测机械设备是否发生故障，标签类别不平衡的二分类任务。评价方式可以打印那个 classification_report 和可视化混淆矩阵，评价指标推荐计算 F1-Score 和 AUC（因为标签类别不平衡），多个模型的结果用三线表展示。模型训练时注意用分层交叉验证划分训练集和测试集（不同 Fold 里保持类别的分布一致，因为少数类别挺少的，推荐使用 3 折）。调参优化，这个数据量不大，可以用网格搜索/随机搜索，但要有点特色的话，推荐用 Optuna 的贝叶斯优化，论文也能吹。
• 看见评论区小白问 A 题第二问的开发模型是什么意思？软件开发模型嘛，这个可以解答一下么。emmm，这个就是机器学习建模预测嘛，针对标签类别不平衡的二分类任务。
• 总之，前面数据处理、探索性分析、特征筛选已经做好啦，这里是机器学习建模预测（针对标签类别不平衡的二分类任务，以及选择合适的评价指标），多用几个方法和对比！（随机森林、XGBoost、LightGBM、CatBoost、AdaBoost、神经网络、DeepForest、LCE【这个比较新】），基础模型作为 Basline 看你最后补个啥的吧（如果需要，KNN、Logistic 回归啥的，对比也能看出，通常集成学习效果更好，泛化性能通常也强，对于解决实际问题）。

任务 3： 设计开发模型用于判别机械设备发生故障的具体类别（TWF/HDF/PWF/OSF/RNF），自主选取评价方式和评价指标评估模型表现。
任务 4： 利用任务 2 和任务 3 开发的模型预测 “forecast.xlsx” 中是否发生故障以及故障类别。数据 “forecast.xlsx” 与数据 “train data.xlsx” 格式类似，要求在 “forecast.xlsx” 第 8 列说明设备是否发生故障（0 或 1），在第 9 列标识出具体的故障类型（TWF/HDF/PWF/OSF/RNF）。

• 任务 3 跟任务 2 是类似的，扩展到了多分类预测。评价方式可以打印那个 classification_report。评价指标仍可以使用 F1-Score 和 AUC。
• 任务 4 其实就是任务 2 和任务 3 的模型交叉验证和调参优化达到最佳，预测输出 “forecast.xlsx” 对应的结果，填进表里。仔细一些。

任务 5：探究每类故障（TWF/HDF/PWF/OSF/RNF）的主要成因，找出与其相关的特征属性，进行量化分析，挖掘可能存在的模式/规则。

• 作为最后一个问题，量化分析和挖掘与每类故障相关的特征属性（主要成因）。
• 首先统计分析（分组、对比）看一下差异，做可视化，直观了解。结合之前的模型预测，特征重要性分数和 SHAP 可解释性。尝试一下关联分析/规则。
• 相关参考文献的分析和结果可以借鉴，解决这样的实际问题。合理即可，论文包装得好。

需要指导、代码/建模辅助、好的预测结果、精美可视化、论文完善的可以私信我，以赛促学，收获更多，不仅仅是拿个奖（降低信息差，拿个二等奖很简单，而不是只能拿个成功交钱奖）。名额有限、先到先到！有意的小伙伴可以抓紧，带你降维打击这个比赛！