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
|
2124 次浏览
|
分享到:
后续不少研究工作，一边围绕如何更有效的生成更多新特征，例如EMD、小波变换等，另一边研究各种新的算法及应用。根据专家经验做好了特征工程，接下来就是机器学习算法的时间。很多明星算法，都被不少研究者做过各种尝试，例如多层神经网络、支持向量机、广义树模型（随机森林，XGBoost等）。近十年又有不少研究者使用深度学习算法，一定程度上试图减少对特征工程的依赖。笔者大约10来年前也加入此研究行列，从研究公开数据集和相关算法，到自己搭建电机实验平台采集振动数据。随着自身研究工作的深入和用户现场的数据调研，发现了越来越多的实践中的问题。从轴承故障的公开数据集可以发现，即使是在实验台上做出来的数据，其实际表现也是千差万别。例如，理想中的浴盆曲线几乎很难看见，还有一些发生故障、振动幅值上升后，又下降再上升的曲线。另一方面，实际表现出来的故障特征和理论推导的有很大差异，同一个体在故障不同阶段的表现差异较大，不同个体间的差异也是巨大。这个造成的实践困难是，本来我们希望通过机器学习算法从数据中大量学习得到模型，以代替专家经验，现实却发现数据特异性超过了算法的能力。而这还仅仅是来源于理想寿命实验的数据。而通过自己进一步搭建电机实验平台，在不同负载、工作模式情况下，对轴承故障进行相应的信号处理、特征加工和算法分析的全过程，又发现了一些新的问题。
1、负荷和工况对于振动特征的影响非常大，除了转速对频率的影响，负荷类型、功率大小、环境变量等，都会对振动产生明显的影响。这意味着，几乎不存在一个全局通用模型，很难建立一个24小时监控的故障诊断算法。
2、 一些理论上的特征在实践中也可能不对。例如，一般来说峰值系数和峭度等指标都反应了原始信号中是否存在由故障引起的脉冲信号，特征值越大故障的可能性越大。然而，我们在实验中发现某些类型的电机在正常运转状态下，因为电磁谐波造成的磁场不均匀，使得电机在完全健康状态下也具有4X, 12X等谐波，进而引起相应振动，此时峰值系数和峭度指标反而偏大；而当故障发生早期、幅值较小时，故障信号叠加在这些谐波上反而会使得峰值系数和峭度指标变小。在近年的研究和实践中，笔者越来越疑惑：基于机器学习等数据分析算法，是否真得可以代替专家服务，实现对轴承故障的自动诊断？一个最现实、也是最挑战的问题是：无论是哪种机器学习算法，其基础都是大数据——大数据又要求我们具有尽量均衡的数据样本，然而，现实中从来没有这么多的故障数据，还得分布在不同的故障类型？
