第3章 基于传统机器学习的机械装备智能故障诊断

机械装备在长期运行过程中，故障不可避免，而且故障信息蕴含在机械装备的监测信号中，有效捕获这些故障信息进而判断机械装备的健康状态，是基于机械装备运行行为进行故障诊断的核心任务。传统故障诊断通过“眼观、耳听、手触”等人为简易诊断手段或结合先进的信号处理方法，识别机械装备对外释放的独有特征，并结合长期积累的专家经验知识，判断这些特征对应的机械装备健康状态，实现机械装备的健康监测与故障诊断。然而，人为简易诊断手段费时费力，而且诊断精度不高；基于信号处理的故障诊断对技术人员乃至用户的专业知识储备提出了较高要求，如果知识储备不够，就难以解析诊断结果[1][2]。因此，机械装备智能故障诊断应运而生，它利用机器学习理论，将传统诊断过程中的人为判断转换为计算机分析数据，通过构建智能诊断模型，建立机械装备的监测数据特征与健康状态之间的映射关系，实现机械装备健康状态的自动判别[3][4]。智能故障诊断不仅减少了人为主观判断的干扰，提高了诊断精度，而且降低了技术人员与用户的应用门槛，提供了直观、易懂的结果呈现模式，已成为工程实际中保障机械装备安全运行的重要手段。

基于传统机器学习的机械装备智能故障诊断流程如图3-1所示，主要包括数据采集、特征提取与选择、健康状态识别[3]。为全面掌握机械装备的健康状态，工程实际中经常依靠多物理源传感网络，采集机械装备的多源监测信号，如振动、声发射、转速、温度、电流等。为解析多源监测信号中机械装备的健康信息，需要凭借统计分析手段，如时域分析、频域分析、时频域分析等，提取信号的统计特征，再利用特征选择技术，如主分量分析、距离评估技术、信息熵等，剔除多维特征中的冗余或不相关特征，选择对机械装备健康状态变化敏感的特征，避免“维数灾难”，提高智能诊断效率。为自动识别机械装备的健康状态，需要结合人工神经网络（Artificial Neural Network，ANN）、SVM等机器学习方法，构建智能诊断模型，建立所选择的敏感特征与机械装备健康状态之间的映射关系。本章首先简要回顾了智能诊断模型构建过程中常用的ANN与SVM，并通过实际案例总结了智能故障诊断的一般步骤，然后阐述了混合智能诊断的基本原理，并介绍了混合智能诊断模型及其应用。

图3-1 基于传统机器学习的机械装备智能故障诊断流程