基于机器学习的旋转机械故障诊断研究.pdfVIP

基于机器学习的旋转机械故障

诊断研究＊

文陈亚楠，胡凯凯，陈刚，胡婵娟，舒晖，李籽圆

|

旋转机械广泛存在于大中型机械装置中，如汽轮机、

特征提取

燃气轮机、离心式及轴流式压缩机、泵、水轮机、发电机和

航空发动机等。大中型旋转机械一般安装有振动监测保护和通常对于旋转机械的状态监测系统，所采集到的原始

故障诊断系统，通常在旋转机械关键点上安装振动传感器，信号为高频信号，维度高，不适合直接作为机器学习的特

采集关键点振动信息。通过对采集的数据进行时域、频域、征输入，而从原始信号中提取特征信息可有效降低输入特

时频域、小波变换、自相关等分析，能够对旋转机械进行故征维度。

障诊断。但是这种方法需要工程师有足够的经验，且因机组一、时域特征提取

数量多，人工分析费时费力。旋转机械在状态发生改变时，时域参数能够反映其状

机器学习是近些年兴起的新学科，是人工智能和模式

识别领域共同的研究热点，其理论和方法已被广泛应用于解

决工程应用和科学领域的复杂问题。机器学习常见的算法有

决策树算法、朴素贝叶斯算法、支持向量机算法、随机森林

算法、人工神经网络算法、回归算法和深度学习算法等。理

论上，直接将采集到的大量振动原始数据及标签数据（通常

是有无故障）作为机器学习的输入，能够实现对模型的训练。

2

但是，对于实际工程问题，往往正负样本极不均衡，正样本-s

.

m

（无故障）数据量远远大于负样本（有故障），且原始数据m

通常维度较高，直接采用原始数据往往会导致模型过拟合，

模型泛化能力差。

因此，本文结合针对旋转机械的振动分析方法和机器

学习常用的分类方法，通过提取不同特征作为机器学习的输

入，大大降低了数据维度，并通过模型训练，构建了故障诊

断和预测模型，用于旋转机械的故障自动诊断。

图1信号时序图

＊国家重点研发计划资助项目：风电机组传动系统精益设计方法研究（2017YFE0101900）

74风能WindEnergy

xiin

态变化。当旋转机械发生故障时，可能出现冲击，表现在时对于一组信号,=1,…,，其时序特征如表1所示。

序图中即是某些点远远超出其他点（图1）。有量纲的幅值诊断参数值会随着故障的增大而不同程

常用的时域参数包括峰值、均值、方差、歪度、峭度、度增大，且其中峭度对探测信号中含有脉冲的故障最敏感。

均方根值、波形指标、脉冲指标、峭度指标、歪度指标和裕有量纲幅值诊断参数值也会因工作条件（如负荷、转速、记

度指标。录仪器的灵敏度等）的改变而改变，实际上很难加以区分。

通常希望幅值诊断参数对故障足够敏感，而对信号的幅值和