基于預(yù)測(cè)性維護(hù)模型的離心泵故障診斷 泵沙龍     2026年1月13日 07:04     

 隨著先進(jìn)分析工具與機(jī)器學(xué)習(xí)技術(shù)的廣泛應(yīng)用，基于預(yù)測(cè)性維護(hù)模型對(duì)設(shè)備運(yùn)行狀態(tài)進(jìn)行持續(xù)監(jiān)測(cè)已成為可能。 

 Marialuisa Menanno Post Doc in Industrial Engineering University of Sannio Benevento, Italy  

 摘    要：隨著流程自動(dòng)化需求的持續(xù)增長(zhǎng)及工業(yè)4.0的深入推進(jìn)，預(yù)測(cè)性維護(hù)策略日益受到重視。該策略能夠依據(jù)設(shè)備的實(shí)際運(yùn)行狀態(tài)執(zhí)行維護(hù)任務(wù)，有助于降低因停機(jī)造成的成本，并顯著提升生產(chǎn)設(shè)備的運(yùn)行效率與可用性。隨著先進(jìn)分析工具與機(jī)器學(xué)習(xí)技術(shù)的廣泛應(yīng)用，基于預(yù)測(cè)性維護(hù)模型對(duì)設(shè)備運(yùn)行狀態(tài)進(jìn)行持續(xù)監(jiān)測(cè)已成為可能。本研究提出一種面向制造領(lǐng)域的機(jī)器學(xué)習(xí)預(yù)測(cè)模型方法，采用監(jiān)督學(xué)習(xí)框架，結(jié)合滑動(dòng)窗口處理技術(shù)與支持向量機(jī)（SVM）算法，模型準(zhǔn)確率達(dá)到99.7%。該算法基于聲學(xué)與振動(dòng)參數(shù)對(duì)離心泵運(yùn)行狀態(tài)進(jìn)行監(jiān)測(cè)，能夠有效識(shí)別并預(yù)測(cè)其五種不同運(yùn)行狀態(tài)，為智能制造場(chǎng)景下的預(yù)測(cè)性維護(hù)提供了可行路徑。   廣告      重磅！各省高級(jí)工程師職稱(chēng)評(píng)審全面放開(kāi)！滿(mǎn)足2點(diǎn)要求可評(píng)高級(jí)  以正科技教育  了解更多           關(guān)鍵詞：預(yù)測(cè)性維護(hù)；機(jī)器學(xué)習(xí)；離心泵；制造領(lǐng)域；滑動(dòng)窗口  

 引言      

 維護(hù)是一項(xiàng)涉及多種行動(dòng)與策略的復(fù)雜活動(dòng)。以糾正性維護(hù)為例，該方式僅在故障或失效發(fā)生后采取應(yīng)對(duì)措施。盡管此類(lèi)維護(hù)在初期不會(huì)產(chǎn)生明顯成本，但可能引發(fā)長(zhǎng)時(shí)間的生產(chǎn)中斷，從而對(duì)企業(yè)運(yùn)營(yíng)造成顯著影響。 相比之下，預(yù)防性維護(hù)則屬于一種主動(dòng)策略，其目標(biāo)是通過(guò)在預(yù)定時(shí)間間隔或基于設(shè)備使用強(qiáng)度安排計(jì)劃性工作，以防范設(shè)備損壞。該策略具有多重優(yōu)勢(shì)，包括優(yōu)化工作組織方式、有效管理停機(jī)時(shí)間以及改善生產(chǎn)流程。然而，預(yù)防性維護(hù)也可能導(dǎo)致維護(hù)成本上升，部分投入在經(jīng)濟(jì)效益上未必具備充分合理性。 預(yù)測(cè)性維護(hù)同樣屬于主動(dòng)維護(hù)策略，它通過(guò)持續(xù)監(jiān)測(cè)振動(dòng)、溫度、能耗、液位等運(yùn)行參數(shù)，分析設(shè)備狀態(tài)并預(yù)測(cè)未來(lái)可能發(fā)生的故障。實(shí)施預(yù)測(cè)性維護(hù)有助于提高生產(chǎn)效率、優(yōu)化成本結(jié)構(gòu)，并減少不必要的干預(yù)。該策略能夠顯著降低因潛在故障和非計(jì)劃停機(jī)所帶來(lái)的風(fēng)險(xiǎn)。 在工業(yè)生產(chǎn)所使用的各類(lèi)機(jī)械設(shè)備中，離心泵具有廣泛的應(yīng)用價(jià)值，其使用場(chǎng)景覆蓋食品加工、供水和污水處理等多個(gè)領(lǐng)域。作為通用性較高的泵型，離心泵常因流體問(wèn)題（如汽蝕）以及機(jī)械部件故障（如軸承和密封件損壞）而導(dǎo)致運(yùn)行異常。振動(dòng)監(jiān)測(cè)是識(shí)別泵內(nèi)部故障的有效手段之一。為預(yù)防設(shè)備損壞，可利用相關(guān)傳感器數(shù)據(jù)對(duì)其運(yùn)行狀態(tài)進(jìn)行實(shí)時(shí)監(jiān)測(cè)，并據(jù)此制定高效的維護(hù)策略（McKee K. 等人，2011年）。 近年來(lái)，人工智能算法在預(yù)測(cè)性維護(hù)中的應(yīng)用顯著增強(qiáng)了維護(hù)工程師的技術(shù)能力。此類(lèi)算法能夠輔助工程師分析傳感器數(shù)據(jù)、識(shí)別異常狀況，并在機(jī)器發(fā)生故障前安排有效干預(yù)。通過(guò)研究復(fù)雜運(yùn)行現(xiàn)象并確定維護(hù)行動(dòng)的最佳時(shí)機(jī)，預(yù)測(cè)性維護(hù)技術(shù)已受到廣泛關(guān)注。該方法不僅能預(yù)測(cè)潛在故障，還可評(píng)估忽略特定干預(yù)措施可能引發(fā)的后果，從而以相對(duì)較小的投入實(shí)現(xiàn)顯著的運(yùn)維效益。 機(jī)器學(xué)習(xí)技術(shù)通過(guò)有效利用傳感器數(shù)據(jù)，為實(shí)現(xiàn)預(yù)測(cè)性維護(hù)提供了關(guān)鍵支撐。其應(yīng)用有助于降低生產(chǎn)成本、縮短生產(chǎn)周期、并提升工作場(chǎng)所的安全性（Carvalho等人2019年）。機(jī)器學(xué)習(xí)算法基于數(shù)學(xué)方法處理輸入信息，并具備自適應(yīng)學(xué)習(xí)能力，能夠隨著數(shù)據(jù)集的不斷積累持續(xù)優(yōu)化性能。 本研究旨在通過(guò)同步分析離心泵電機(jī)的聲學(xué)與振動(dòng)這兩類(lèi)特征參數(shù)，探究設(shè)備故障的可預(yù)測(cè)性。我們提出了一種基于機(jī)器學(xué)習(xí)的新方法，能夠融合來(lái)自聲學(xué)與振動(dòng)傳感器的數(shù)據(jù)，從而全面評(píng)估設(shè)備狀態(tài)、判斷預(yù)測(cè)性維護(hù)需求、確定適用的工作類(lèi)型，并精準(zhǔn)識(shí)別五種典型故障配置中即將發(fā)生的具體故障類(lèi)型。這些人工智能技術(shù)的運(yùn)用實(shí)現(xiàn)了高效可靠的設(shè)備監(jiān)測(cè)，有助于顯著降低維護(hù)成本與停機(jī)時(shí)間。 本文的結(jié)構(gòu)安排如下：第二部分為文獻(xiàn)綜述，第三部分闡述所采用的研究方法，第四部分詳細(xì)介紹案例研究的設(shè)計(jì)與實(shí)施，第五部分對(duì)所得結(jié)果進(jìn)行分析與討論。最后，第六部分總結(jié)全文，指出本研究的主要局限，并對(duì)未來(lái)研究方向提出建議。  

 文獻(xiàn)綜述      

 多位學(xué)者已針對(duì)機(jī)器學(xué)習(xí)在預(yù)測(cè)性維護(hù)領(lǐng)域的應(yīng)用展開(kāi)深入研究。例如，Mallouk 等人（2021年）開(kāi)發(fā)了一種基于監(jiān)督學(xué)習(xí)的預(yù)測(cè)模型，通過(guò)比較不同回歸算法來(lái)預(yù)估危險(xiǎn)品運(yùn)輸卡車(chē)輪胎的剩余行駛里程。Fernandes 等人（2020年）采用機(jī)器學(xué)習(xí)算法，實(shí)現(xiàn)了最長(zhǎng)可提前七天的鍋爐故障預(yù)測(cè)。Calabrese 等人（2020年）運(yùn)用預(yù)測(cè)性維護(hù)方法，結(jié)合對(duì)海量日志數(shù)據(jù)的分析，完成了對(duì)多臺(tái)互聯(lián)設(shè)備的同步監(jiān)控。 DeShong 等人（2022年）應(yīng)用機(jī)器學(xué)習(xí)技術(shù)，分析旋轉(zhuǎn)渦輪葉片表面溫度測(cè)量值，以評(píng)估局部薄膜冷卻速率的變化。Tan 等人（2022年）提出了一種集成學(xué)習(xí)方法，結(jié)合多尺度視網(wǎng)膜與顏色恢復(fù)（IMSRCR）技術(shù)與YOLO 系統(tǒng)，基于隧道內(nèi)部圖像數(shù)據(jù)實(shí)現(xiàn)螺栓腐蝕檢測(cè)。Chung 等人（2023年）依據(jù)檢測(cè)數(shù)據(jù)與維護(hù)報(bào)告，對(duì)半導(dǎo)體制造設(shè)備進(jìn)行正常運(yùn)行時(shí)間預(yù)測(cè)，并完成了故障的有效分類(lèi)。Nuhu 等人（2023年）則在半導(dǎo)體制造過(guò)程中實(shí)施了基于機(jī)器學(xué)習(xí)的故障診斷機(jī)制。 Yuan 等人（2023年）提出采用支持向量機(jī)（SVM）算法實(shí)現(xiàn)分子泵的故障檢測(cè)；而Sridevi 和 Bothra（2022年）則聚焦于鉛酸蓄電池，構(gòu)建了一種基于機(jī)器學(xué)習(xí)算法的預(yù)測(cè)性維護(hù)模型。 此外，機(jī)器學(xué)習(xí)在離心泵損傷檢測(cè)方面展現(xiàn)出重要的應(yīng)用潛力。Mousmoulis 等人（2017年）通過(guò)分析三種不同葉輪在汽蝕過(guò)程中的流動(dòng)圖像、振動(dòng)信號(hào)與聲發(fā)射數(shù)據(jù)，驗(yàn)證了使用聲發(fā)射傳感器與加速度計(jì)檢測(cè)汽蝕初期的可行性。Gao 等人（2019年）針對(duì)軸向柱塞泵開(kāi)展了快速故障診斷研究，結(jié)合振動(dòng)分析以及沃爾什變換去噪與 Teager 能量算子解調(diào)的混合方法，提升了診斷效率。 Gonçalves 等人（2021年）通過(guò)利用從振動(dòng)數(shù)據(jù)中提取的馬爾可夫參數(shù)作為特征，結(jié)合基于凸優(yōu)化的分類(lèi)算法，對(duì)離心泵中的汽蝕故障進(jìn)行了評(píng)估。Azadeh 等人（2013年）提出了一種靈活的泵狀態(tài)分類(lèi)算法，融合支持向量機(jī)超參數(shù)優(yōu)化與人工神經(jīng)網(wǎng)絡(luò)技術(shù)，其研究表明，結(jié)合遺傳算法和粒子群優(yōu)化的混合模型可顯著提升支持向量分類(lèi)器的性能。Hasan 等人（2021年）則提出了一種用于離心泵自動(dòng)化健康診斷的框架，該方法結(jié)合了基于連續(xù)小波變換（CWT）尺度圖的成像技術(shù)與自適應(yīng)深度卷積神經(jīng)網(wǎng)絡(luò)（ADCNN）。 Manikandan 等人（2023年）專(zhuān)注于工業(yè)單體離心泵的故障診斷，采集了包括健康狀態(tài)、葉輪損壞以及密封在內(nèi)的三種配置下的振動(dòng)信號(hào)。通過(guò)將模擬信號(hào)轉(zhuǎn)換為二維圖像，并采用深度卷積神經(jīng)網(wǎng)絡(luò)（DCNN）分類(lèi)器進(jìn)行故障預(yù)測(cè)，最終實(shí)現(xiàn)了99.07%的準(zhǔn)確率。 Orrú 等人（2020年）開(kāi)發(fā)了一種初步的機(jī)器學(xué)習(xí)模型，用于分析來(lái)自石油和天然氣行業(yè)離心泵上安裝的溫度、壓力和振動(dòng)探頭所采集的真實(shí)歷史數(shù)據(jù)。該研究采用支持向量機(jī)（SVM）和多層感知器（MLP）算法來(lái)識(shí)別并分類(lèi)潛在故障。與此同時(shí)，Yen 等人（2020年）則利用基于 WaveNet 的自編碼器，對(duì)泵的歷史振動(dòng)數(shù)據(jù)進(jìn)行分析，從而評(píng)估其性能退化情況。 Kumar 等人（2020年）基于同一數(shù)據(jù)集，借助聲學(xué)數(shù)據(jù)分別采用機(jī)器學(xué)習(xí)和深度學(xué)習(xí)方法進(jìn)行泵缺陷檢測(cè)。在機(jī)器學(xué)習(xí)模型中，支持向量機(jī)實(shí)現(xiàn)了93%的準(zhǔn)確率，人工神經(jīng)網(wǎng)絡(luò)為86.4%，自適應(yīng)神經(jīng)模糊推理系統(tǒng)（ANFIS）為84.8%；而在深度學(xué)習(xí)系統(tǒng)中，傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)（CNN）取得了96.8%的準(zhǔn)確率，進(jìn)一步通過(guò)損失函數(shù)優(yōu)化后的改進(jìn)CNN模型更是達(dá)到了100%的準(zhǔn)確率。 綜合現(xiàn)有研究可見(jiàn)，將振動(dòng)與聲學(xué)數(shù)據(jù)相結(jié)合，并應(yīng)用于預(yù)測(cè)性維護(hù)與人工智能分析的研究仍相對(duì)有限。因此，本研究旨在通過(guò)分析聲學(xué)與振動(dòng)數(shù)據(jù)，對(duì)制造行業(yè)中泵葉輪或軸承的潛在故障進(jìn)行有效預(yù)測(cè)。  

 問(wèn)題研究與方法      

 機(jī)器學(xué)習(xí)作為人工智能的一個(gè)關(guān)鍵分支，致力于使計(jì)算機(jī)系統(tǒng)能夠從經(jīng)驗(yàn)中學(xué)習(xí)，并隨著時(shí)間的推移持續(xù)提高其性能。通過(guò)向機(jī)器輸入數(shù)據(jù)集并運(yùn)用特定算法進(jìn)行處理，機(jī)器學(xué)習(xí)使系統(tǒng)能夠形成一種執(zhí)行特定功能以實(shí)現(xiàn)預(yù)定目標(biāo)的推理機(jī)制。該類(lèi)算法可廣泛應(yīng)用于分類(lèi)、聚類(lèi)、轉(zhuǎn)寫(xiě)、機(jī)器翻譯及異常檢測(cè)等多種任務(wù)。在預(yù)測(cè)性維護(hù)領(lǐng)域，機(jī)器學(xué)習(xí)方法為防止生產(chǎn)線設(shè)備故障提供了頗具前景的解決方案。它們能夠揭示數(shù)據(jù)中復(fù)雜的內(nèi)部關(guān)聯(lián)，這些關(guān)聯(lián)若依賴(lài)傳統(tǒng)工具可能難以捕捉。基于機(jī)器學(xué)習(xí)的技術(shù)不僅能夠檢測(cè)迫近的故障，還可對(duì)機(jī)器狀態(tài)做出更精準(zhǔn)的預(yù)測(cè)（Wagner 等人，2016年）。 本研究采用的方法包括四個(gè)主要步驟，如圖1所示。  

 圖1：基于多類(lèi)分類(lèi)的故障預(yù)測(cè)過(guò)程 1. 數(shù)據(jù)收集：本研究使用的數(shù)據(jù)集來(lái)源于IEEE科學(xué)數(shù)據(jù)平臺(tái)，具體由Anil Kumar與Rajesh Kumar （2022年）提供。 2. 數(shù)據(jù)準(zhǔn)備：在進(jìn)行分析之前，由于原始數(shù)據(jù)集存在信息缺失、大量文本數(shù)據(jù)及結(jié)構(gòu)混亂或含有噪聲干擾等問(wèn)題，需進(jìn)行預(yù)處理。為此，我們實(shí)施了多種數(shù)據(jù)預(yù)處理操作。在本案例研究中，為提升準(zhǔn)確性、降低延遲并優(yōu)化計(jì)算成本，采用了滑動(dòng)窗口方法。該方法通過(guò)按樣本逐次移動(dòng)一個(gè)固定長(zhǎng)度的窗口，并對(duì)窗口內(nèi)數(shù)據(jù)進(jìn)行統(tǒng)計(jì)計(jì)算來(lái)實(shí)現(xiàn)。窗口長(zhǎng)度的選擇直接影響用于統(tǒng)計(jì)建模的數(shù)據(jù)段范圍，因此確定滑動(dòng)窗口參數(shù)（k）的最佳尺寸對(duì)模型性能至關(guān)重要。本研究通過(guò)多次實(shí)驗(yàn)，評(píng)估了參數(shù)k的五個(gè)不同取值以尋求最優(yōu)配置。 3. 選擇性能最佳的模型：本研究基于Rao等人（2019年）描述的框架，采用以下兩種機(jī)器學(xué)習(xí)范式： 1）無(wú)監(jiān)督學(xué)習(xí)：該技術(shù)旨在識(shí)別輸入數(shù)據(jù)中隱藏的結(jié)構(gòu)或未知類(lèi)別，適用于無(wú)標(biāo)簽數(shù)據(jù)集，其中聚類(lèi)是常用方法之一。 2）監(jiān)督學(xué)習(xí)：該方法利用已知的輸入-輸出數(shù)據(jù)構(gòu)建預(yù)測(cè)模型，以對(duì)新輸入進(jìn)行輸出估計(jì)。監(jiān)督學(xué)習(xí)主要包括兩種技術(shù)：  

 a. 分類(lèi)：用于預(yù)測(cè)離散的輸出標(biāo)簽，通過(guò)將數(shù)據(jù)劃分到預(yù)設(shè)類(lèi)別中實(shí)現(xiàn)； b. 回歸：用于預(yù)測(cè)連續(xù)的輸出值，適用于輸出為實(shí)數(shù)的問(wèn)題場(chǎng)景。  

 算法選擇需結(jié)合具體問(wèn)題而定，并不存在一種適用于所有場(chǎng)景的通用最優(yōu)機(jī)器學(xué)習(xí)算法。在本案例中，預(yù)測(cè)分析采用監(jiān)督學(xué)習(xí)下的分類(lèi)方法，所使用的具體算法及其默認(rèn)參數(shù)如表1所示。 表1：所選算法及其默認(rèn)參數(shù)值    

 通過(guò)該模型，可根據(jù)輸入數(shù)據(jù)輸出反映泵運(yùn)行狀態(tài)的分類(lèi)結(jié)果。 所選分類(lèi)模型的訓(xùn)練與評(píng)估 數(shù)據(jù)集被劃分為三個(gè)部分： 1）訓(xùn)練集：用于訓(xùn)練預(yù)測(cè)變量，直至模型達(dá)到預(yù)期性能。 2）驗(yàn)證集：在訓(xùn)練過(guò)程中用于監(jiān)控和調(diào)整模型性能。 3）測(cè)試集：用于對(duì)模型進(jìn)行最終評(píng)估。該部分由模型訓(xùn)練過(guò)程中未接觸過(guò)的真實(shí)數(shù)據(jù)構(gòu)成，能夠全面檢驗(yàn)?zāi)Ｐ偷亩说蕉诵阅堋?評(píng)估過(guò)程采用基于混淆矩陣的相關(guān)指標(biāo)（如準(zhǔn)確率）以及ROC曲線進(jìn)行分析。所提出的研究方法可進(jìn)一步應(yīng)用于預(yù)測(cè)階段，從而實(shí)現(xiàn)對(duì)離心泵故障可靠且高效的診斷。  

 案例研究      

 為驗(yàn)證所提出方法的有效性，本研究選用了一臺(tái)CRI品牌的單體離心泵，具體型號(hào)為ACM-0 (AF)，該泵在43 Hz的頻率下運(yùn)行（如圖2所示），工作電壓為230/240V，由一臺(tái)額定功率為373 W的電機(jī)驅(qū)動(dòng)，其排水能力為1.61 L/s，揚(yáng)程為9 m。泵內(nèi)裝有三個(gè)直徑為119 mm的旋轉(zhuǎn)葉輪。 該泵安裝在如圖2所示的測(cè)試臺(tái)架上，測(cè)試臺(tái)架設(shè)有一個(gè)由兩個(gè)軸承支撐的轉(zhuǎn)子。最靠近葉輪的軸承型號(hào)為6203ZZ，其節(jié)圓直徑為28.5 mm，滾珠直徑為6.74 mm，共含8顆滾珠，接觸角為0°。  

 圖2：試驗(yàn)臺(tái)架 1. 傳感器與數(shù)據(jù)采集設(shè)備 為采集泵電機(jī)運(yùn)行時(shí)的振動(dòng)與聲學(xué)信號(hào)，測(cè)試臺(tái)架上安裝了兩個(gè)傳感器，并連接至一臺(tái)便攜式數(shù)據(jù)采集設(shè)備。聲學(xué)信號(hào)通過(guò)麥克風(fēng)（ECM8000）采集，而振動(dòng)數(shù)據(jù)則由單軸加速度計(jì)（PCB 353B34）測(cè)量。 所選用的數(shù)據(jù)采集設(shè)備為NI-USB-4431，這是一款24位、4通道的模擬I/O數(shù)據(jù)采集卡，專(zhuān)用于高精度信號(hào)采集。振動(dòng)信號(hào)的采樣頻率設(shè)定為70 kHz。該設(shè)備提供四個(gè)輸入通道，可測(cè)量電壓范圍為±10 V的信號(hào)。 2. 泵的數(shù)據(jù)集與故障模擬方案 實(shí)驗(yàn)共設(shè)置了5種不同的運(yùn)行配置，見(jiàn)表2。 表2：實(shí)驗(yàn)配置列表    

 針對(duì)每種泵的狀態(tài)配置，分別通過(guò)聲學(xué)傳感器和振動(dòng)傳感器采集了1,048,575個(gè)測(cè)量值，采樣頻率為70,000 Hz。該數(shù)據(jù)集由Anil Kumar和Rajesh Kumar（2022年）提供，總共包含1,048,575 × 5條聲學(xué)信號(hào)和1,048,575 × 5條振動(dòng)信號(hào)。 3. 數(shù)據(jù)處理 在預(yù)處理階段，采用滑動(dòng)窗口方法對(duì)聲學(xué)與振動(dòng)數(shù)據(jù)進(jìn)行處理。針對(duì)五種泵狀態(tài)（無(wú)缺陷、葉輪破損、葉輪堵塞、軸承內(nèi)圈缺陷、軸承外圈缺陷）對(duì)應(yīng)的聲學(xué)數(shù)據(jù)，按參數(shù)"k"進(jìn)行窗口劃分。對(duì)每個(gè)窗口內(nèi)的"k"個(gè)數(shù)據(jù)點(diǎn)，計(jì)算其均值、最小值、最大值和標(biāo)準(zhǔn)差。該過(guò)程基于70,000 Hz采樣頻率，對(duì)不同"k"值重復(fù)進(jìn)行。振動(dòng)數(shù)據(jù)遵循相同的處理流程。 隨后，將每個(gè)"k"值對(duì)應(yīng)的處理結(jié)果組織為一個(gè)九列矩陣。其中，第1至4列為聲學(xué)傳感器數(shù)據(jù)的統(tǒng)計(jì)特征（均值、最大值、最小值、標(biāo)準(zhǔn)差），依次對(duì)應(yīng)五種狀態(tài)配置；第5至8列為振動(dòng)傳感器數(shù)據(jù)的相應(yīng)統(tǒng)計(jì)特征，排列順序與聲學(xué)數(shù)據(jù)一致；第9列為狀態(tài)標(biāo)識(shí)，具體對(duì)應(yīng)關(guān)系如表1所示。 所選 k 值及對(duì)應(yīng)的矩陣維度如表3所列。 表3：不同k值對(duì)應(yīng)的矩陣維度    

 4. 最佳性能模型的選擇 為從不同"k"值處理得到的五個(gè)矩陣中選取最優(yōu)模型，本研究采用分類(lèi)法進(jìn)行預(yù)測(cè)分析，目標(biāo)是根據(jù)振動(dòng)和聲學(xué)信號(hào)將離心泵狀態(tài)識(shí)別為表3所列類(lèi)別之一。 針對(duì)每個(gè)矩陣，我們測(cè)試了多種分類(lèi)算法，包括決策樹(shù)、判別分析、最近鄰分類(lèi)器、基于核方法的分類(lèi)器以及集成分類(lèi)器。每種算法的性能均以分類(lèi)準(zhǔn)確率進(jìn)行評(píng)估。通過(guò)比較所有算法在每個(gè)矩陣上的準(zhǔn)確率，我們記錄了每個(gè)矩陣對(duì)應(yīng)的最佳性能模型及其得分。 不同 k 值下取得的最高準(zhǔn)確率及其對(duì)應(yīng)的分類(lèi)算法如表4所示。 表4：不同k值下的最佳準(zhǔn)確率及對(duì)應(yīng)算法    

 根據(jù)表4結(jié)果可知，當(dāng)窗口參數(shù)k=1,500時(shí)，支持向量機(jī)（SVM）模型取得了最佳分類(lèi)性能，其準(zhǔn)確率達(dá)到99.7%。 為進(jìn)一步比較各算法在該參數(shù)下的表現(xiàn)，我們?cè)?#8239;k = 1,500 所對(duì)應(yīng)的矩陣上進(jìn)行了多模型評(píng)估。表5列出了在該條件下不同分類(lèi)算法所獲得的準(zhǔn)確率。 表5：k=1,500時(shí)不同算法的準(zhǔn)確率比較    

 在訓(xùn)練階段，模型以每秒處理 39,000 個(gè)觀測(cè)點(diǎn)的速度運(yùn)行，總訓(xùn)練時(shí)長(zhǎng)為 2.255 秒。所使用的模型為一對(duì)一中型高斯支持向量機(jī)，其核心參數(shù)包括：高斯核函數(shù)、核尺度 2.8，以及框約束級(jí)別 1。 為獲得更穩(wěn)健的性能估計(jì)，本研究采用了交叉驗(yàn)證方法。該方法將完整數(shù)據(jù)集隨機(jī)劃分為Kcv個(gè)獨(dú)立子集（本研究中Kcv=5），依次以其中一個(gè)子集作為驗(yàn)證集，其余作為訓(xùn)練集，從而得到更可靠的評(píng)估指標(biāo)估計(jì)。 如圖3所示，數(shù)據(jù)集按比例劃分為訓(xùn)練集（75%），驗(yàn)證集（15%）和測(cè)試集（10%），以分別用于模型訓(xùn)練、超參數(shù)調(diào)優(yōu)及最終性能評(píng)估。  

 結(jié)果與討論      

 基于分類(lèi)器的機(jī)器學(xué)習(xí)技術(shù)，本研究采用了一種計(jì)算高效、流程簡(jiǎn)潔的方法，并取得了顯著成果。通過(guò)滑動(dòng)窗口進(jìn)行數(shù)據(jù)預(yù)處理，并應(yīng)用中規(guī)模高斯支持向量機(jī)算法，最終實(shí)現(xiàn)了 99.7% 的優(yōu)異分類(lèi)準(zhǔn)確率。 該模型能夠有效預(yù)測(cè)離心泵的五種運(yùn)行狀態(tài)，分別為： 1. 無(wú)缺陷（類(lèi)別1） 2. 葉輪破損（類(lèi)別2） 3. 葉輪堵塞（類(lèi)別3） 4. 軸承內(nèi)圈缺陷（類(lèi)別4） 5. 軸承外圈缺陷（類(lèi)別5） 為全面評(píng)估模型性能，圖4展示了對(duì)應(yīng)的混淆矩陣，圖5則給出了受試者工作特征（ROC）曲線。這些可視化結(jié)果為進(jìn)一步分析模型的分類(lèi)能力與泛化有效性提供了直觀依據(jù)。  

 圖4：混淆矩陣 

 圖5：ROC曲線 圖6直觀展示了模型對(duì)五個(gè)類(lèi)別的分類(lèi)結(jié)果，而表6進(jìn)一步報(bào)告了該模型在各具體類(lèi)別（包括無(wú)缺陷、葉輪破損、葉輪堵塞、軸承內(nèi)圈缺陷及軸承外圈缺陷）上的正向預(yù)測(cè)值（PPV）與錯(cuò)誤發(fā)現(xiàn)率（FDR）。  

 圖6：5個(gè)類(lèi)別預(yù)測(cè)準(zhǔn)確率 表6：各分類(lèi)的PPV與FDR    

 類(lèi)別1（無(wú)缺陷）的預(yù)測(cè)性能相對(duì)略低，其預(yù)測(cè)誤差為0.9%，且在所有類(lèi)別中錯(cuò)誤發(fā)現(xiàn)率最高。   廣告      悄悄讀個(gè)碩士吧    2年制研究生，在職可讀~     張老師教育  查看           本研究采用滑動(dòng)窗口法進(jìn)行數(shù)據(jù)預(yù)處理，并結(jié)合機(jī)器學(xué)習(xí)分類(lèi)技術(shù)，取得了優(yōu)異的預(yù)測(cè)效果，整體準(zhǔn)確率達(dá)99.7%。該性能優(yōu)于 Kumar 等人（2020）所報(bào)告的大部分已有預(yù)測(cè)模型，僅略低于其改進(jìn)型卷積神經(jīng)網(wǎng)絡(luò)（CNN）模型約0.3%。然而，該CNN模型結(jié)構(gòu)更為復(fù)雜、計(jì)算資源消耗大且訓(xùn)練時(shí)間顯著更長(zhǎng)。相比之下，本研究提出的方法在實(shí)現(xiàn)相近性能的同時(shí)，具備更高的效率與成本效益。  

 結(jié)論      

 本研究旨在開(kāi)發(fā)一種基于機(jī)器學(xué)習(xí)的離心泵狀態(tài)評(píng)估與故障類(lèi)型預(yù)測(cè)模型。實(shí)驗(yàn)數(shù)據(jù)來(lái)源于測(cè)試臺(tái)采集的聲學(xué)與振動(dòng)信號(hào)。通過(guò)滑動(dòng)窗口法進(jìn)行數(shù)據(jù)預(yù)處理，并選用支持向量機(jī)作為分類(lèi)算法，最終模型取得了99.7%的預(yù)測(cè)準(zhǔn)確率，體現(xiàn)了該方法在保持較高性能的同時(shí)具備較好的計(jì)算效率，相比深度學(xué)習(xí)方案更具成本優(yōu)勢(shì)。 在后續(xù)工作中，可通過(guò)設(shè)計(jì)針對(duì)性的集成學(xué)習(xí)策略，進(jìn)一步提升類(lèi)別1的識(shí)別性能。此外，可結(jié)合實(shí)際維護(hù)場(chǎng)景開(kāi)展成本效益分析，評(píng)估本預(yù)測(cè)系統(tǒng)的實(shí)際應(yīng)用價(jià)值。未來(lái)也可嘗試將回歸模型應(yīng)用于振動(dòng)與聲學(xué)數(shù)據(jù)，以實(shí)現(xiàn)離心泵剩余使用壽命的預(yù)測(cè)，從而為預(yù)防性維護(hù)提供更全面的決策支持。  

 參考文獻(xiàn)