本项目是一个基于 Java 21 的故障预测模型，旨在通过机器学习方法对系统或设备的故障类型进行预测。项目采用 Gradle 构建，包含安全特征数据管理和训练数据管理模块，适用于工业场景的故障推断与分析。
- 故障类型推断（FaultTypePredictor）
- 训练数据管理（TrainingDataManager）
- 安全特征数据处理（SecureFeatureData）
- 可扩展的配置（application.properties）
- 支持自定义模型与数据集
本项目采用 混合模型融合架构，结合多个机器学习模型的优势，提高故障预测的准确性和鲁棒性：
- HoeffdingTree（霍夫丁树）: 支持在线/流式增量学习，适合实时数据流处理
- DL4J 神经网络: 支持小批次（mini-batch）增量训练，捕捉复杂非线性特征
- 随机森林（RandomForest）: 离线批量训练模型，提供集成学习的稳定性
多模型的预测结果通过加权投票或概率加权平均进行融合：
融合流程：
1. 每个模型独立预测，输出各故障类型的概率向量
- HoeffdingTree: [P_类型A, P_类型B, P_类型C, ...]
- DL4J NN: [P_类型A, P_类型B, P_类型C, ...]
- RandomForest: [P_类型A, P_类型B, P_类型C, ...]
2. 加权融合策略（三选一）：
a) 简单平均（等权重）
最终概率 = (P_HoeffD + P_DL4J + P_RF) / 3
b) 加权平均（基于验证集精度）
最终概率 = w1*P_HoeffD + w2*P_DL4J + w3*P_RF
其中 w1 + w2 + w3 = 1，权重由各模型在验证集上的精度决定
c) 多数投票（hard voting）
每个模型投出最高概率的类别标签，最终取票数最多的类别
（推荐奇数个模型以避免平票）
3. 输出最终预测
取融合概率向量中最大值对应的故障类型
当用户纠正系统预测时，将纠正后的数据反馈给模型进行增量学习：
反馈流程：
1. 系统预测: 输入特征向量 → 多模型投票 → 预测故障类型
2. 用户纠正: 用户提供真实故障类型
3. 增量学习:
- HoeffdingTree: 直接调用 updateClassifier(instance) 进行在线更新
- DL4J: 收集小批次数据后调用 fit(mini-batch) 增量训练
- RandomForest: 定期离线重训练整个模型
为了确保模型的可复现性与版本管理，引入 TrainingPackage 格式：
{
"packageId": "pkg-20250120-001",
"domain": "optical_cable",
"featureSpecVersion": "v1.0",
"meta": {
"modelVersion": "v1.0",
"labels": ["故障A", "故障B", "故障C"],
"featureNames": ["衰减度", "月份", "小时", "是否周末", "栅格ID"],
"normalizers": {
"衰减度": {"type": "minmax", "min": 0.0, "max": 100.0},
"月份": {"type": "category", "values": [1, 2, ..., 12]}
},
"createdAt": "2025-01-20T10:30:00Z",
"notes": "初始训练集"
},
"records": [
{
"id": "rec-001",
"timestamp": "2025-01-20T10:30:00Z",
"features": {"衰减度": 25.5, "月份": 1, "小时": 10, "是否周末": false, "栅格ID": 123},
"label": "故障A"
},
...
]
}优势：
- 元数据（labels、featureNames、normalizers）随数据包保存，避免版本不匹配
- 支持跨域、跨版本的模型迁移
- 便于模型序列化与恢复
系统采用 置信度自适应权重机制，在初期使用等权重或基于验证集的固定权重，然后根据用户反馈动态调整各模型的置信度权重。
在预测时，输出基于当前融合概率的置信度得分：
置信度定义：
置信度 = max(融合概率向量) - 次大概率
示例：
- 融合概率向量: [0.7, 0.2, 0.1]
- 置信度 = 0.7 - 0.2 = 0.5 ← 高置信度
- 融合概率向量: [0.35, 0.33, 0.32]
- 置信度 = 0.35 - 0.33 = 0.02 ← 低置信度，接近平手
业务侧人工审核后，将反馈结果发送回模型平台。系统根据 每个模型在该样本上的表现 动态调整其在后续预测中的权重：
权重更新规则（以模型 i 为例）：
情景 1：该模型预测正确（模型_i 的最高概率对应真实类型）
权重_i += 该模型在正确类型上的概率
示例：
- 真实故障类型: 故障A
- 模型_HoeffD 的概率向量: [0.6, 0.3, 0.1]（最高是故障A）
- 更新：权重_HoeffD += 0.6
---
情景 2：该模型预测错误（模型_i 的最高概率不对应真实类型）
权重_i += (1 - 该模型的最高概率)
示例：
- 真实故障类型: 故障A
- 模型_DL4J 的概率向量: [0.2, 0.6, 0.2]（最高是故障B，错误）
- 该模型最高概率 = 0.6
- 更新：权重_DL4J += (1 - 0.6) = 0.4
---
情景 3：多模型混合（某些对某些错）
对的模型：权重 += 在正确类型上的概率
错的模型：权重 += (1 - 该模型的最高概率)
示例：
- 真实故障类型: 故障A
- HoeffD [0.7, 0.2, 0.1] → 正确 → 权重 += 0.7
- DL4J [0.2, 0.5, 0.3] → 错误（最高是B） → 权重 += (1 - 0.5) = 0.5
- RF [0.65, 0.25, 0.1] → 正确 → 权重 += 0.65
在后续预测中，使用更新后的权重进行加权平均：
加权融合概率 = Σ(权重_i * 模型_i的概率向量) / Σ(权重_i)
示例（3 轮反馈后）：
- 权重_HoeffD = 2.5 (从初始 1.0 累积更新)
- 权重_DL4J = 1.8
- 权重_RF = 2.2
新样本：
- HoeffD: [0.75, 0.15, 0.1]
- DL4J: [0.3, 0.5, 0.2]
- RF: [0.7, 0.2, 0.1]
加权融合 = (2.5*[0.75, 0.15, 0.1] + 1.8*[0.3, 0.5, 0.2] + 2.2*[0.7, 0.2, 0.1]) / (2.5 + 1.8 + 2.2)
= [2.385, 1.26, 0.55] / 6.5
≈ [0.367, 0.194, 0.085]
完整流程：
1. 预测阶段：
输入特征向量 → 多模型独立预测 → 加权融合 → 输出最终预测 + 置信度
2. 业务审核阶段：
系统预测: 故障A (置信度 0.45)
业务侧人工确认/纠正 → 真实故障类型（可能同意或纠正）
3. 反馈阶段：
业务侧返回: {
"sampleId": "sample-001",
"predictedType": "故障A",
"groundTruth": "故障A" or "故障B",
"feedback": "correct" or "incorrect"
}
4. 权重更新阶段：
系统接收反馈
→ 查询该样本各模型的预测概率
→ 按上述规则更新权重
→ 持久化权重配置（供后续预测使用）
5. 持续改进：
随着反馈样本增多，权重自适应调整
→ 表现好的模型权重升高
→ 表现差的模型权重降低
→ 整体预测准确性持续提升
// 动态权重存储结构
public class ModelWeightConfig {
private String configVersion; // 版本号，便于回滚
private Map<String, Double> modelWeights; // 模型名 → 当前权重
private int feedbackCount; // 已处理的反馈样本数
private long lastUpdateTime; // 最后更新时间
private List<FeedbackRecord> feedbackHistory; // 反馈历史（可选）
// getters & setters...
}
// 单次反馈记录
public class FeedbackRecord {
private String sampleId;
private String predictedType;
private String groundTruth;
private Map<String, Map<String, Double>> modelProbabilities; // 保存各模型的概率
private long feedbackTime;
private boolean correct; // 预测是否正确
// getters & setters...
}// 伪代码示例
PredictionResult result = predictor.predict(features);
if (result.confidence > 0.3) {
// 高置信度：自动处理
handleFault(result.faultType);
} else if (result.confidence > 0.1) {
// 中等置信度：人工审核
notifyOperator(result);
} else {
// 低置信度：需更多数据或模型训练
requestMoreData();
}
// 反馈回调
void onUserFeedback(String sampleId, String groundTruth) {
// 更新权重配置
updateModelWeights(sampleId, groundTruth);
// 如果权重变化超过阈值，可触发模型重训练
if (hasSignificantWeightChange()) {
retrainModels();
}
}返回格式：
public class PredictionReturn {
private String predictedFaultType; // 预测的故障类型
private double confidence; // 置信度 [0.0, 1.0]
private Map<String, Double> probabilities; // 各类型的加权融合概率
private Map<String, Map<String, Double>> modelDetails; // 各模型的独立概率（用于调试）
private Map<String, Double> currentWeights; // 当前各模型的权重
private long predictionTime; // 预测耗时（毫秒）
private String modelVersion; // 使用的模型版本
// getters & setters...
}- JDK 21
- Gradle 8.x 及以上版本
- 推荐使用 macOS 或 Linux 环境
# 克隆项目
git clone https://github.com/XiongDWM/fault_predictor_model.git
cd fault_predictor_model
# 构建项目
./gradlew build
# 运行主程序
./gradlew run配置文件可在 src/main/resources/application.properties 中修改。
src/main/java/com/xiongdwm/faultpredictor/ # 核心 Java 代码
src/main/resources/ # 配置文件与资源
models/ # 模型文件
data/ # 数据集
build.gradle # Gradle 构建脚本
欢迎提交 Issue 和 Pull Request，完善功能或修复 Bug。
本项目采用 MIT 许可证。