王美林，刘金刚

（广东工业大学信息工程学院，广州510006）

0 引言

近年来，随着中国制造业的转型升级[1]，国内众多制造型企业开始沿着制造业信息化、智能方向发展，将现代信息技术与传统制造业向融合，提高生产效率，从而降低生产成本。在工业生产过程中，确保设备维持正常的运转状态是至关重要的。因此，如何准确判定设备是否处于正常运转状态成为了众多企业管理者关心的问题。

现有的PVC压延设备体型庞大、结构复杂、作业流程长，单纯依靠设备操作人员实时诊断[2]设备生产状态是非常困难的。随着物联网技术[3]的发展，PVC压延设备的信息化改造已初步完成，通过各种类型的传感器[4]实时采集PVC压延设备生产时的设备信息并传输到服务器中。因此，可以通过大数据技术对设备历史信息进行分析[5]，建立PVC压延设备运行状态诊断模型，完成对设备实时监控。

PVC压延设备运行状态诊断模型属于分类模型，常用的构建算法有逻辑回归[6]（Logistic Regression）、决策树（Decision Trees）和支持向量机[7]（Support Vec⁃tor Machine，SVM）。由于逻辑回归算法容易欠拟合，精度不高，而SVM算法针对拥有大量训练样本的数据集时运算效率不高。相比较而言，决策树算法决策规则直观且运算效率高，虽然会有过拟合现象，但可以通过集成学习的方式克服。因此，本文通过使用CART算法对历史数据进行分析建立初步设备运转状态诊断模型。引入提升（Boosting）方法，创建多个CART树并进行加性组合，通过构建集体决策模型完成PVC设备运行状态的实时诊断，最后通过的实例测试证明该方法具有较强的实用性。……