基于機(jī)器學(xué)習(xí)的旋轉(zhuǎn)機(jī)械故障診斷研究

陳亞楠 胡凱凱 陳剛 胡嬋娟 舒暉 李籽圓

旋轉(zhuǎn)機(jī)械廣泛存在于大中型機(jī)械裝置中，如汽輪機(jī)、燃?xì)廨啓C(jī)、離心式及軸流式壓縮機(jī)、泵、水輪機(jī)、發(fā)電機(jī)和航空發(fā)動(dòng)機(jī)等。大中型旋轉(zhuǎn)機(jī)械一般安裝有振動(dòng)監(jiān)測(cè)保護(hù)和故障診斷系統(tǒng)，通常在旋轉(zhuǎn)機(jī)械關(guān)鍵點(diǎn)上安裝振動(dòng)傳感器，采集關(guān)鍵點(diǎn)振動(dòng)信息。通過(guò)對(duì)采集的數(shù)據(jù)進(jìn)行時(shí)域、頻域、時(shí)頻域、小波變換、自相關(guān)等分析，能夠?qū)πD(zhuǎn)機(jī)械進(jìn)行故障診斷。但是這種方法需要工程師有足夠的經(jīng)驗(yàn)，且因機(jī)組數(shù)量多，人工分析費(fèi)時(shí)費(fèi)力。

機(jī)器學(xué)習(xí)是近些年興起的新學(xué)科，是人工智能和模式識(shí)別領(lǐng)域共同的研究熱點(diǎn)，其理論和方法已被廣泛應(yīng)用于解決工程應(yīng)用和科學(xué)領(lǐng)域的復(fù)雜問(wèn)題。機(jī)器學(xué)習(xí)常見(jiàn)的算法有決策樹(shù)算法、樸素貝葉斯算法、支持向量機(jī)算法、隨機(jī)森林算法、人工神經(jīng)網(wǎng)絡(luò)算法、回歸算法和深度學(xué)習(xí)算法等。理論上，直接將采集到的大量振動(dòng)原始數(shù)據(jù)及標(biāo)簽數(shù)據(jù)（通常是有無(wú)故障）作為機(jī)器學(xué)習(xí)的輸入，能夠?qū)崿F(xiàn)對(duì)模型的訓(xùn)練。但是，對(duì)于實(shí)際工程問(wèn)題，往往正負(fù)樣本極不均衡，正樣本（無(wú)故障）數(shù)據(jù)量遠(yuǎn)遠(yuǎn)大于負(fù)樣本（有故障），且原始數(shù)據(jù)通常維度較高，直接采用原始數(shù)據(jù)往往會(huì)導(dǎo)致模型過(guò)擬合，模型泛化能力差。

因此，本文結(jié)合針對(duì)旋轉(zhuǎn)機(jī)械的振動(dòng)分析方法和機(jī)器學(xué)習(xí)常用的分類方法，通過(guò)提取不同特征作為機(jī)器學(xué)習(xí)的輸入，大大降低了數(shù)據(jù)維度，并通過(guò)模型訓(xùn)練，構(gòu)建了故障診斷和預(yù)測(cè)模型，用于旋轉(zhuǎn)機(jī)械的故障自動(dòng)診斷。

特征提取

通常對(duì)于旋轉(zhuǎn)機(jī)械的狀態(tài)監(jiān)測(cè)系統(tǒng)，所采集到的原始信號(hào)為高頻信號(hào)，維度高，不適合直接作為機(jī)器學(xué)習(xí)的特征輸入，而從原始信號(hào)中提取特征信息可有效降低輸入特征維度。

一、時(shí)域特征提取

旋轉(zhuǎn)機(jī)械在狀態(tài)發(fā)生改變時(shí)，時(shí)域參數(shù)能夠反映其狀態(tài)變化。當(dāng)旋轉(zhuǎn)機(jī)械發(fā)生故障時(shí)，可能出現(xiàn)沖擊，表現(xiàn)在時(shí)序圖中即是某些點(diǎn)遠(yuǎn)遠(yuǎn)超出其他點(diǎn)（圖1）。

常用的時(shí)域參數(shù)包括峰值、均值、方差、歪度、峭度、均方根值、波形指標(biāo)、脈沖指標(biāo)、峭度指標(biāo)、歪度指標(biāo)和裕度指標(biāo)。

對(duì)于一組信號(hào)xi，i=1，…，n，其時(shí)序特征如表1所示。

有量綱的幅值診斷參數(shù)值會(huì)隨著故障的增大而不同程度增大，且其中峭度對(duì)探測(cè)信號(hào)中含有脈沖的故障最敏感。有量綱幅值診斷參數(shù)值也會(huì)因工作條件（如負(fù)荷、轉(zhuǎn)速、記錄儀器的靈敏度等）的改變而改變，實(shí)際上很難加以區(qū)分。通常希望幅值診斷參數(shù)對(duì)故障足夠敏感，而對(duì)信號(hào)的幅值和頻率的變化不敏感，即與機(jī)器的工作條件關(guān)系不大，為此引入了不受工作狀況影響的無(wú)量綱幅值參數(shù)。無(wú)量綱時(shí)域參數(shù)對(duì)故障的敏感性與穩(wěn)定性情況如表2所示。

根據(jù)旋轉(zhuǎn)機(jī)械的工作特性及不同的診斷目標(biāo)，需選用不同的時(shí)域指標(biāo)作為時(shí)域特征。

二、頻域特征提取

工程應(yīng)用中，常用快速傅里葉變換（FFT）作為頻譜分析方法，使信號(hào)從時(shí)域空間變換到頻域空間。在頻譜圖中，旋轉(zhuǎn)機(jī)械特征頻率、倍頻及幅值變化可用于診斷旋轉(zhuǎn)機(jī)械狀態(tài)。如圖2所示，通常頻譜圖中含有測(cè)量范圍內(nèi)所有頻譜信息。

對(duì)于特定診斷問(wèn)題，需從頻譜中截取目標(biāo)頻率帶，在頻率帶中自動(dòng)抽取頻率與對(duì)應(yīng)幅值作為頻域特征（圖3）。

三、時(shí)頻域特征提取

旋轉(zhuǎn)機(jī)械在其壽命末期，在頻譜圖中呈現(xiàn)出整個(gè)頻率段幅值增大的情況，且尖峰不明顯。將原始信號(hào)通過(guò)快速傅里葉變換后，在某個(gè)頻率段范圍內(nèi)，將信號(hào)按照時(shí)序特征抽取方法計(jì)算時(shí)頻域特征，計(jì)算的指標(biāo)包括波形指標(biāo)、峰值指標(biāo)、脈沖指標(biāo)、裕度指標(biāo)、峭度指標(biāo)、均方根值，并將提取的指標(biāo)組成一維向量。

四、功率譜密度特征提取

功率譜是功率譜密度函數(shù)的簡(jiǎn)稱，其定義為單位頻帶內(nèi)的信號(hào)功率，表示信號(hào)功率隨著頻率的變化情況，即信號(hào)功率在頻域的分布狀況。

旋轉(zhuǎn)機(jī)械在狀態(tài)正常、運(yùn)行良好的情況下，少有能量泄漏；出現(xiàn)狀態(tài)異常時(shí)，其運(yùn)行不平穩(wěn)會(huì)導(dǎo)致能量泄漏。特定頻率段的功率譜可用于旋轉(zhuǎn)機(jī)械狀態(tài)檢測(cè)。某信號(hào)功率譜如圖4所示。

五、自相關(guān)特征提取

自相關(guān)是指信號(hào)在一個(gè)時(shí)刻的瞬間值與另一個(gè)時(shí)刻的瞬間值之間的依賴關(guān)系，是對(duì)一個(gè)信號(hào)的時(shí)域描述。如果一個(gè)信號(hào)包含一種模式，該模式會(huì)在幾秒鐘的時(shí)間周期后重復(fù)自身，則該信號(hào)與其延遲后的信號(hào)之間將具有很高的相關(guān)性。某信號(hào)的自相關(guān)圖如圖5所示。

模型訓(xùn)練及預(yù)測(cè)

數(shù)據(jù)準(zhǔn)備：包括正負(fù)樣本數(shù)據(jù)收集，故障特征頻率收集，并通過(guò)數(shù)據(jù)預(yù)處理，去除空值、異常值等無(wú)效數(shù)據(jù)。

模型訓(xùn)練：將搜集到的數(shù)據(jù)分成訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)，從原始數(shù)據(jù)中提取時(shí)序特征、頻域特征、時(shí)頻域特征、PSD特征和自相關(guān)特征并組成模型的輸入特征，將其輸入至多種分類器模型（常用的機(jī)器學(xué)習(xí)分類模型包括對(duì)數(shù)幾率回歸、隨機(jī)森林、梯度提升、支持向量機(jī)和神經(jīng)網(wǎng)絡(luò)等）中進(jìn)行訓(xùn)練，從訓(xùn)練及測(cè)試結(jié)果中挑選出表現(xiàn)最好的模型，并對(duì)模型參數(shù)進(jìn)行保存。

故障預(yù)測(cè)：讀取需要預(yù)測(cè)的原始數(shù)據(jù)，抽取原始數(shù)據(jù)特征，包括時(shí)序特征、頻域特征、時(shí)頻域特征、PSD特征和自相關(guān)特征，組成輸入特征。載入訓(xùn)練好的模型參數(shù)，將輸入特征輸入至模型中，輸出預(yù)測(cè)結(jié)果。模型訓(xùn)練及預(yù)測(cè)流程如圖6所示。

案例分析

某型號(hào)風(fēng)電齒輪箱發(fā)生中速級(jí)斷齒，其嚙合頻率為19.2Hz。訓(xùn)練集共58組數(shù)據(jù)，正例29，負(fù)例29；測(cè)試集共32組數(shù)據(jù)，正例14，負(fù)例18。選取低頻段作為頻譜及時(shí)頻域段關(guān)注頻段。分別提取每一組數(shù)據(jù)的特征值作為模型的輸入，提取的指標(biāo)包括：時(shí)域有量綱和無(wú)量綱指標(biāo)作為時(shí)域特征；0～100Hz頻率段內(nèi)幅值及對(duì)應(yīng)頻率作為頻域特征；0～100Hz頻率段內(nèi)有量綱和無(wú)量綱指標(biāo)作為時(shí)頻域特征。正例標(biāo)記為0，負(fù)例標(biāo)記為1。

采用不同算法進(jìn)行訓(xùn)練，測(cè)試結(jié)果如表3所示。從表中不同分類算法在訓(xùn)練集及測(cè)試集上的表現(xiàn)可以得出，梯度提升分類器表現(xiàn)最優(yōu)，在訓(xùn)練集上的準(zhǔn)確率達(dá)到100%，在測(cè)試集上的準(zhǔn)確率達(dá)到90%，有效檢測(cè)出了中速級(jí)斷齒故障。

總結(jié)

本文針對(duì)旋轉(zhuǎn)機(jī)械振動(dòng)分析和機(jī)器學(xué)習(xí)各自的優(yōu)缺點(diǎn)，將兩者有機(jī)結(jié)合，采用振動(dòng)分析方法，從原始信號(hào)及其頻域信號(hào)中提取時(shí)域特征、頻域特征、時(shí)頻域特征、PSD特征和自相關(guān)特征，組合作為機(jī)器學(xué)習(xí)的輸入，通過(guò)搜集的故障案例數(shù)據(jù)進(jìn)行模型訓(xùn)練，并在測(cè)試集上獲得較好表現(xiàn)。

該方法可廣泛應(yīng)用于旋轉(zhuǎn)機(jī)械的狀態(tài)監(jiān)測(cè)領(lǐng)域，實(shí)現(xiàn)各類故障的自動(dòng)診斷和預(yù)測(cè)。但需要指出的是，該方法針對(duì)特定問(wèn)題，需要提取其特征頻率帶，對(duì)于無(wú)法獲取特征頻率帶的部件，需結(jié)合模糊匹配算法實(shí)現(xiàn)特征頻率帶的自動(dòng)匹配，使算法具備更強(qiáng)的適應(yīng)能力。

（作者單位：中車株洲電力機(jī)車研究所有限公司）