一种基于机器学习分类算法的机械设备故障诊断方法与流程

本发明属于机械设备故障诊断领域，特别涉及一种基于机器学习分类算法的机械设备故障诊断方法。

背景技术：

随着工业现代化水平快速提升，机械设备日益朝着高速化、精密化、自动化和集成化方向快速发展。机械设备中的旋转部件，如轴承、轴瓦、主轴、齿轮箱等，工作环境复杂多变，常因其工作负荷过重、负载多变以及受外部极端工作环境的影响容易发生各类故障。若故障无法及时有效的诊断并排除，随着故障的恶化和进一步发展，将带来重大的安全隐患、并造成重大经济损失。

传统的机械设备故障诊断方法主要为基于振动信号处理进行诊断和基于故障机理的诊断。这两种故障诊断方法能够解决机理简单、并且故障特征明显的机械设备故障类型。对于故障发生机理复杂，并且信号频谱复杂，故障特征揭示不明显的故障类型，传统的故障诊断方法诊断效果较差、准确性较低。

技术实现要素：

本发明的目的在于提供一种基于机器学习分类算法的机械设备故障诊断方法，以解决上述问题。

为实现上述目的，本发明采用以下技术方案：

一种基于机器学习分类算法的机械设备故障诊断方法，包括以下步骤：

步骤1，利用加速度传感器采集机械设备关键点的振动信号，并存储振动信号原始波形；

步骤2，对步骤1采集得到的振动信号进行筛选判断，清洗、删除机械设备停机状态下采集的振动信号；

步骤3，对筛选后的振动信号进行预处理；

步骤4，对步骤3中得到的加速度信号、速度信号、包络信号进行特征提取，特征提取包括时域特征提取和频域特征提取；

步骤5，将步骤4所得的特征向量输入至故障分类模型中，模型输出设备对应的故障诊断结果。

进一步的，步骤1中，加速度传感器需保证频响至少覆盖1-10khz，并具有不低于50mg/g的灵敏度；机械设备关键点指机械设备旋转轴支撑轴承所在位置或机械设备齿轮箱齿轮所在位置或机械设备其他关键零部件所处的位置。

进一步的，步骤2中，筛选判断停机状态的振动信号首先需要计算加速度信号包络的峰值，将包络峰值与所设置的停机阈值比较，若小于等于停机阈值，则所采集振动信号对应设备停机状态；反之，所采集振动信号对应设备运转状态；其中停机阈值通过统计设备停机状态下的加速度包络峰值获取。

进一步的，步骤3中，预处理包括对加速度信号进行一次积分得到速度信号，以及提取加速度信号的包络，以此获取了加速度信号对应的速度信号和包络信号。

进一步的，步骤4中，提取的特征组成特征向量，提取的时域特征包括有效值、峰值、峰峰值有量纲指标以及峭度、偏斜度、峰值指标无量纲指标；提取的频域特征包括频带能量、频带能量占比。

进一步的，步骤5中，故障分类模型的构建包括：

1)归纳、收集整理同一机械设备类型的故障案例样本的振动信号数据和对应的故障标签；

2)将1)中的振动信号逐个进行特征提取，并组成特征向量，所提取特征向量与步骤四所述的特征向量一致；

3)将2)中所有特征向量进行划分，划分为训练集和测试集，需保证训练集不低于总样本量的50％，同时划分训练集和测试集中对应的故障标签需保证类别平衡、数量平衡；

4)选用机器学习分类算法对训练集进行训练，得到故障分类模型，将测试集输入故障分类模型中验证模型分类结果的准确度是否满足所设定要求，若满足要求，则该故障分类模型即为构建的模型；若不满足，则需进行：

<1>分类算法的调优，包括：分类算法的筛选、分类算法内部参数调整；

<2>建模特征参数的筛选；并重新进行训练和测试，直至测试集的分类精度达到要求。

与现有技术相比，本发明有以下技术效果：

本发明基于机器学习分类算法建立机械设备的智能诊断模型，进而实现机械设备故障的智能诊断。相对于传统的故障诊断方法，本发明具有自动化、智能化、诊断准确度高的优点。同时本发明的智能诊断方法能够解决故障机理复杂、故障模式繁多的机械设备故障诊断。通过本发明的应用，可实现机械设备故障预知，为机械设备维修提供决策依据，有效的降低了设备安全隐患，避免了重大经济损失。

附图说明

图1为整体流程图。

图2为运行状态振动信号筛选逻辑图。

图3为振动信号预处理流程图。

图4为振动信号特征提取流程图。

图5为机器学习故障分类模型构建流程图。

图6为故障案例测试集分类混淆矩阵。

具体实施方式

以下结合附图对本发明进一步说明：

请参阅图1至图6，一种基于机器学习分类算法的机械设备故障诊断方法，包括以下步骤：

步骤1，利用加速度传感器采集机械设备关键点的振动信号，并存储振动信号原始波形；

步骤2，对步骤1采集得到的振动信号进行筛选判断，清洗、删除机械设备停机状态下采集的振动信号；

步骤3，对筛选后的振动信号进行预处理；

步骤4，对步骤3中得到的加速度信号、速度信号、包络信号进行特征提取，特征提取包括时域特征提取和频域特征提取；

步骤5，将步骤4所得的特征向量输入至故障分类模型中，模型输出设备对应的故障诊断结果。

步骤1中，加速度传感器需保证频响至少覆盖1-10khz，并具有不低于50mg/g的灵敏度；机械设备关键点指机械设备旋转轴支撑轴承所在位置或机械设备齿轮箱齿轮所在位置或机械设备其他关键零部件所处的位置。

步骤2中，筛选判断停机状态的振动信号首先需要计算加速度信号包络的峰值，将包络峰值与所设置的停机阈值比较，若小于等于停机阈值，则所采集振动信号对应设备停机状态；反之，所采集振动信号对应设备运转状态；其中停机阈值通过统计设备停机状态下的加速度包络峰值获取。

步骤3中，预处理包括对加速度信号进行一次积分得到速度信号，以及提取加速度信号的包络，以此获取了加速度信号对应的速度信号和包络信号。

步骤4中，提取的特征组成特征向量，提取的时域特征包括有效值、峰值、峰峰值有量纲指标以及峭度、偏斜度、峰值指标无量纲指标；提取的频域特征包括频带能量、频带能量占比。

步骤5中，故障分类模型的构建包括：

1)归纳、收集整理同一机械设备类型的故障案例样本的振动信号数据和对应的故障标签；

2)将1)中的振动信号逐个进行特征提取，并组成特征向量，所提取特征向量与步骤四所述的特征向量一致；

3)将2)中所有特征向量进行划分，划分为训练集和测试集，需保证训练集不低于总样本量的50％，同时划分训练集和测试集中对应的故障标签需保证类别平衡、数量平衡；

4)选用机器学习分类算法对训练集进行训练，得到故障分类模型，将测试集输入故障分类模型中验证模型分类结果的准确度是否满足所设定要求，若满足要求，则该故障分类模型即为构建的模型；若不满足，则需进行：

<1>分类算法的调优，包括：分类算法的筛选、分类算法内部参数调整；

<2>建模特征参数的筛选；并重新进行训练和测试，直至测试集的分类精度达到要求。

其中：

图1为整体流程图，首先利用加速度传感器采集机械设备振动信号，并对采集到的振动信号进行运行状态信号筛选判断，之后对通过运行状态判断的加速度信号进行预处理，得到相对应的速度信号和加速度包络信号，接下来提取加速度、速度、加速度包络三种信号的时域和频域特征，并将其组成特征向量输入至故障分类模型中，最后通过分类模型输出设备对应的故障诊断结果。

附图2为运行状态振动信号筛选逻辑，首先对采集得到的加速度信号进行包络提取，之后计算加速度包络的峰值，判断包络峰值是否大于设定的停机阈值，若大于停机阈值，则为机械设备运行状态下的测量信号，将信号保留；反之，为机械设备停机状态下的测量信号，将信号删除。

附图3为振动信号预处理流程，对判定为机械设备运行状态下采集的振动加速度信号分别进行一次积分运算和包络提取运算，得到速度信号和加速度包络信号。

附图4为振动信号特征提取流程，对获取的速度、加速度、加速度包络三种信号类型分别进行特征提取，提取时域特征和频域特征，并将提取的所有特征参数组合为特征向量。

附图5为机器学习故障分类模型构建流程，首先对积累的某种机械设备类型的故障案例集进行特征提取，其中故障案例集由历史故障时刻所采集的振动信号和对应的故障标签组成。其次将提取的特征向量进行划分，划分60％的数据量为训练数据集，剩余40％为测试数据集，采用lightgbm机器学习分类算法在训练集中训练得到分类模型，再根据分类模型在测试集上的分类准确度调整分类算法的参数，同时进行分类模型输入参数的筛选，最终得到在测试集上分类准确度表现最高的分类模型，将它作为最优的故障分类模型。

附图6为故障案例测试集分类混淆矩阵，横轴为分类模型预测结果，纵轴为测试集真实故障标签，矩阵中的值表示预测样本占真实故障标签数量的比例，图中对角线的值表示分类模型分类的准确度，由图可知，该故障分类模型在测试集上对所有故障类型的分类准确度在90％以上。