面向无标签数据的旋转机械故障诊断方法研究.pdfVIP

摘要

旋转机械作为绝大多数机械设备的核心部件，在工业化生产中有着广泛的应

用，其一旦发生故障，往往会造成重大的经济损失甚至人员伤亡等严重后果。因

此为了提升旋转机械运行期间的安全性和可靠性，避免重大事故的发生，需要对

旋转机械故障诊断技术进行大量的研究。

针对已有大多数故障诊断算法是基于有监督的思想，需要借助数据先验信

息，即面向有标签的数据，且所涉及算法的参数大多需要人为指定，实际可操作

性不强的不足，本文提出了一种面向无标签数据的无监督、参数自适应化的旋转

机械故障诊断算法(Sm-DLLOF-AFCM)，可以对没有任何先验信息(标签)的样本

集自适应的完成故障诊断工作，具有良好的准确性和较强适用性等实际意义。主

要工作概括如下：

1.对旋转机械故障的典型故障进行一定的分析。对旋转机械状态监测数据的

采集和预处理技术开展了一定的研究。最后确定了基于Labview的数据采集方

案，和小波阈值降噪的预处理方式。

2.对特征提取和特征选择技术进行了研究。在进行旋转机械振动信号的特征

提取工作中，采用基于尺度空间理论的改进经验小波变换算法(SEWT)。SEWT

算法解决了传统的经验小波变换(EWT)算法需要人为指定频带分割数目的问题，

可以自适应的确定频带分割数目并确定保留的模态分量(IMF)。在进行特征选择

工作中，采用基于mRMR思想的改进的拉普拉斯分值算法(mRMR-LS)。

mRMR-LS算法综合考虑了特征之间的相关性和冗余性，可以自适应的采用无监

督的方式完成特征选择工作。

3.对模式识别方法进行了研究，采用了异常识别加聚类的无监督模式识别方

法。首先在异常识别工作中，采用了二次识别的方式来提升识别的准确性和效率，

其中初次识别采用基于核密度估计方法的改进DBSCAN算法(KDBSCAN)，

KDBSCAN算法可以自适应的确定传统的DBSCAN算法中的两个参数Eps、

Minpts，输出噪声点和少类簇样本作为初次识别的异常样本。二次识别采用基于

自然最近邻居搜索方法的改进局部离群因子算法(LLOF)，可以自适应的确定

LOF算法中的邻域参数k，输出二次识别的异常样本和其异常得分值(LOF)。然

后通过真实数据集验证了两种算法的优越性。最后针对经过异常识别算法得到的

异常样本和其得分值，采用了自适应的模糊C均值聚类算法(AFCM)，将异常样

本进行分类。

4.确定了最终的故障诊断方案并进行验证。首先提出Sm-DLLOF-AFCM旋转

机械故障诊断算法，并给出其一般流程。然后利用实验室的电主轴状态监测试验

系统和搭建的电主轴综合试验软件平台，通过人工模拟故障的方式得到了转子数

据集。最后将Sm-DLLOF-AFCM算法应用到实验室的转子数据集和公开的轴承

和齿轮数据集中进行验证，结果表明，Sm-DLLOF-AFCM算法在三个数据集上

均取得了良好的效果，在保证效率的同时，能成功的将绝大多数异常(故障)样本

找出并进行聚类。

关键词：

旋转机械，故障诊断，无标签数据，异常识别，聚类

Abstract

Asthecorecomponentofthevastmajorityofmechanicalequipment,rotating

machineryiswidelyusedinindustrialproduction.Oncethefailureoccurs,itwill

oftencausesignificanteconomiclossesorevencasualtiesandotherserious

consequences.Therefore,inordertoimprovethesafetyandreliabilityofrotating

machineryduringoperationandavoidtheoc