基于機器學習的旋轉機械故障診斷研究

陳亞楠 胡凱凱 陳剛 胡嬋娟 舒暉 李籽圓

旋轉機械廣泛存在于大中型機械裝置中，如汽輪機、燃氣輪機、離心式及軸流式壓縮機、泵、水輪機、發電機和航空發動機等。大中型旋轉機械一般安裝有振動監測保護和故障診斷系統，通常在旋轉機械關鍵點上安裝振動傳感器，采集關鍵點振動信息。通過對采集的數據進行時域、頻域、時頻域、小波變換、自相關等分析，能夠對旋轉機械進行故障診斷。但是這種方法需要工程師有足夠的經驗，且因機組數量多，人工分析費時費力。

機器學習是近些年興起的新學科，是人工智能和模式識別領域共同的研究熱點，其理論和方法已被廣泛應用于解決工程應用和科學領域的復雜問題。機器學習常見的算法有決策樹算法、樸素貝葉斯算法、支持向量機算法、隨機森林算法、人工神經網絡算法、回歸算法和深度學習算法等。理論上，直接將采集到的大量振動原始數據及標簽數據（通常是有無故障）作為機器學習的輸入，能夠實現對模型的訓練。但是，對于實際工程問題，往往正負樣本極不均衡，正樣本（無故障）數據量遠遠大于負樣本（有故障），且原始數據通常維度較高，直接采用原始數據往往會導致模型過擬合，模型泛化能力差。

因此，本文結合針對旋轉機械的振動分析方法和機器學習常用的分類方法，通過提取不同特征作為機器學習的輸入，大大降低了數據維度，并通過模型訓練，構建了故障診斷和預測模型，用于旋轉機械的故障自動診斷。

特征提取

通常對于旋轉機械的狀態監測系統，所采集到的原始信號為高頻信號，維度高，不適合直接作為機器學習的特征輸入，而從原始信號中提取特征信息可有效降低輸入特征維度。

一、時域特征提取

旋轉機械在狀態發生改變時，時域參數能夠反映其狀態變化。當旋轉機械發生故障時，可能出現沖擊，表現在時序圖中即是某些點遠遠超出其他點（圖1）。

常用的時域參數包括峰值、均值、方差、歪度、峭度、均方根值、波形指標、脈沖指標、峭度指標、歪度指標和裕度指標。

對于一組信號xi，i=1，…，n，其時序特征如表1所示。

有量綱的幅值診斷參數值會隨著故障的增大而不同程度增大，且其中峭度對探測信號中含有脈沖的故障最敏感。有量綱幅值診斷參數值也會因工作條件（如負荷、轉速、記錄儀器的靈敏度等）的改變而改變，實際上很難加以區分。通常希望幅值診斷參數對故障足夠敏感，而對信號的幅值和頻率的變化不敏感，即與機器的工作條件關系不大，為此引入了不受工作狀況影響的無量綱幅值參數。無量綱時域參數對故障的敏感性與穩定性情況如表2所示。

根據旋轉機械的工作特性及不同的診斷目標，需選用不同的時域指標作為時域特征。

二、頻域特征提取

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

對于特定診斷問題，需從頻譜中截取目標頻率帶，在頻率帶中自動抽取頻率與對應幅值作為頻域特征（圖3）。

三、時頻域特征提取

旋轉機械在其壽命末期，在頻譜圖中呈現出整個頻率段幅值增大的情況，且尖峰不明顯。將原始信號通過快速傅里葉變換后，在某個頻率段范圍內，將信號按照時序特征抽取方法計算時頻域特征，計算的指標包括波形指標、峰值指標、脈沖指標、裕度指標、峭度指標、均方根值，并將提取的指標組成一維向量。

四、功率譜密度特征提取

功率譜是功率譜密度函數的簡稱，其定義為單位頻帶內的信號功率，表示信號功率隨著頻率的變化情況，即信號功率在頻域的分布狀況。

旋轉機械在狀態正常、運行良好的情況下，少有能量泄漏；出現狀態異常時，其運行不平穩會導致能量泄漏。特定頻率段的功率譜可用于旋轉機械狀態檢測。某信號功率譜如圖4所示。

五、自相關特征提取

自相關是指信號在一個時刻的瞬間值與另一個時刻的瞬間值之間的依賴關系，是對一個信號的時域描述。如果一個信號包含一種模式，該模式會在幾秒鐘的時間周期后重復自身，則該信號與其延遲后的信號之間將具有很高的相關性。某信號的自相關圖如圖5所示。

模型訓練及預測

數據準備：包括正負樣本數據收集，故障特征頻率收集，并通過數據預處理，去除空值、異常值等無效數據。

模型訓練：將搜集到的數據分成訓練數據和測試數據，從原始數據中提取時序特征、頻域特征、時頻域特征、PSD特征和自相關特征并組成模型的輸入特征，將其輸入至多種分類器模型（常用的機器學習分類模型包括對數幾率回歸、隨機森林、梯度提升、支持向量機和神經網絡等）中進行訓練，從訓練及測試結果中挑選出表現最好的模型，并對模型參數進行保存。

故障預測：讀取需要預測的原始數據，抽取原始數據特征，包括時序特征、頻域特征、時頻域特征、PSD特征和自相關特征，組成輸入特征。載入訓練好的模型參數，將輸入特征輸入至模型中，輸出預測結果。模型訓練及預測流程如圖6所示。

案例分析

某型號風電齒輪箱發生中速級斷齒，其嚙合頻率為19.2Hz。訓練集共58組數據，正例29，負例29；測試集共32組數據，正例14，負例18。選取低頻段作為頻譜及時頻域段關注頻段。分別提取每一組數據的特征值作為模型的輸入，提取的指標包括：時域有量綱和無量綱指標作為時域特征；0～100Hz頻率段內幅值及對應頻率作為頻域特征；0～100Hz頻率段內有量綱和無量綱指標作為時頻域特征。正例標記為0，負例標記為1。

采用不同算法進行訓練，測試結果如表3所示。從表中不同分類算法在訓練集及測試集上的表現可以得出，梯度提升分類器表現最優，在訓練集上的準確率達到100%，在測試集上的準確率達到90%，有效檢測出了中速級斷齒故障。

總結

本文針對旋轉機械振動分析和機器學習各自的優缺點，將兩者有機結合，采用振動分析方法，從原始信號及其頻域信號中提取時域特征、頻域特征、時頻域特征、PSD特征和自相關特征，組合作為機器學習的輸入，通過搜集的故障案例數據進行模型訓練，并在測試集上獲得較好表現。

該方法可廣泛應用于旋轉機械的狀態監測領域，實現各類故障的自動診斷和預測。但需要指出的是，該方法針對特定問題，需要提取其特征頻率帶，對于無法獲取特征頻率帶的部件，需結合模糊匹配算法實現特征頻率帶的自動匹配，使算法具備更強的適應能力。

（作者單位：中車株洲電力機車研究所有限公司）