案例剖析 | 基于状态信息的电机轴承健康监测（中）
来源: | 作者:pmod6d781 | 发布时间: 2022-05-17 | 2088 次浏览 | 分享到:

上期，我们以一个实例描述了电机工程师用传统方法进行电机轴承状态监测时遇到的困难（点此回顾）。本期，我们将以数据分析师的视角，看看机器学习算法如何服务于故障诊断系统。


机器学习算法如何应用于轴承故障诊断

基于振动信号的旋转机械故障诊断已经发展了几十年。基于振动理论分析，可以给出各种常见故障的特征频率和各种时频特征，例如不平衡、不对中、底座松动、轴承故障、齿轮箱故障等；其中，轴承故障又是其中最常见的类型。


根据轴承尺寸信息，可以在理论上推导出任意滚动体轴承的内圈、外圈、滚动体、保持架所对应的故障特征频率，各大轴承厂商目前也都提供网络版在线计算工具，直接根据轴承型号给出轴承故障的特征频率。
 
然而，虽然振动分析理论上非常漂亮，各大厂商也在过去几十年推出了振动分析的软硬件产品以及各自的专利，其应用场合仍然存在一定的门槛限制。


应用门槛

首先，频谱分析非常依赖于专家知识和现场经验，因此安装在现场的软硬件产品往往不能被现场工程师所充分利用，大多数时候还是需要专业的设备维护工程师、甚至是第三方专家服务，在现场发生报警后，提供专业的频谱分析，并确定故障类型和原因，然而往往此时故障已经相当严重。

 
其次，现场设备运行工况复杂，无论是生产工艺、负荷的调整，还是外界环境变化，都使振动幅值在一个较大的范围波动，阈值设高了就会报警太晚，而阈值设低了又会引发较多的误报警。因此大多数时候，振动在现场的应用主要还是以监控为主，深入的振动分析及故障诊断还是相对较少。
 
于是很早就有人开始研究，是否可以让计算机代替专家人脑，在现场实时数据上进行复杂的故障诊断，学术界和工业界都投入了大量实践，研究如机器学习、神经网络等算法是否可以实现“自动故障诊断”；也在社会上组织了大量的竞赛，通过加速寿命实验产生轴承全生命周期的数据，以模拟现场轴承故障的全过程。
 
我们知道，机器学习算法一般可分为分类、聚类、回归等几大类问题，轴承故障诊断显然属于分类问题。通常分类算法的实施大多遵循如下流程：数据采集 -> 数据预处理 -> 特征工程 -> 模型训练 -> 模型验证 -> 模型部署，而特征工程往往是机器学习算法成功的关键。
   
这方面的研究起步很早，大约90年代就有不少论文，大部分思路也都类似，根据采集信号和需要诊断的故障类型，根据之前的业务机理知识，可对速度、加速度、位移量等数据加工大量的时域和频域特征，常见特征如：