集成多方法的废酸装置风机K7200轴承故障诊断

王姣娟，豆宏斌，何宇春

1.兰州城市学院信息工程学院（甘肃兰州 730000）

2.甘肃省知识产权保护中心（甘肃 兰州 730000）

3.中国石油庆阳石化分公司（甘肃 庆阳 745000）

0 引言

在废酸装置风机K7200中，轴承作为重要的机械部件，起着支撑和传递转子负荷的关键作用。受长期高速运转和恶劣工况的影响，轴承容易发生各种故障。通常情况下，故障位置不同，对设备的影响不同，维修方式也不同。准确判断故障位置可以帮助维修人员更快、更准确地采取相应的措施，提高维修效率。

在实际作业中，废酸装置风机K7200轴承故障诊断主要依赖于人工检修，采取的主要措施包括：①运维人员间隔2 h对设备进行加注润滑脂，并测量振动值和温度值；②公司每隔两个月对风机轴承箱进行停工检修。这种检修方式需要人工参与，可能存在疏忽或错误操作的风险，也可能因为人员繁忙等原因而无法及时执行，周期性的维护和检修，也会浪费一些资源和人力，而且设备在停工检修期间会影响生产效率，同时检测到故障时已经很严重了。

自动化轴承故障诊断的研究领域主要聚焦在将振动分析和大数据、人工智能等技术相结合，采用“机理+数据”驱动的方法来提升轴承故障诊断的效果。文献[1]针对轴承时域参数中正常数据与故障数据区分困难的问题,将用于提取图像局部纹理特征的局部二值模式（LBP）算法引入到轴承的故障诊断中。文献[2]针对滚动轴承故障振动信号的非平稳特征，提出了一种基于经验模态分解和神经网络的滚动轴承故障诊断方法。文献[3]针对传统深度学习方法没有充分利用轴承信号的时序特点，以及难以处理动态数据的问题，提出一种基于改进卷积双向门控循环神经网络的轴承故障智能诊断方法。文献[4]将改进的ALIF 理论成功应用于机械故障特征提取及故障分类中。文献[5]针对风电机组滚动轴承故障问题，提出一种基于改进卷积神经网络（CNN）的故障诊断算法。文献[6]提出了一种基于奇异值分解（SVD），变分模态分解（VMD）和支持向量机（SVM）的滚动轴承故障诊断方法。文献[7]提出了一种基于加权自适应白噪声平均总体经验模态分解和调制信号双谱的滚动轴承故障特征提取方法。文献[8]针对滚动轴承单一诊断方法造成误诊率高、可靠性低的缺陷，提出一种基于变分模态分解（VMD）-支持向量机（SVM）和数学形态学（MM）-相关性分析（CA）的复合诊断算法。文献[9]通过分析非平行超平面与支持矩阵机的相关理论，提出了一种多分类边界支持矩阵机（MBSMM），并将其应用于滚动轴承的故障诊断中。文献[10]针对故障滚动轴承在单一工况数据下训练的深度学习模型在复杂工况下无法实现有效的故障诊断，提出一种基于卷积神经网络的领域适配（CNN-DA）模型。文献[11]提出一种使用K最近邻算法和朴素贝叶斯决策组合算法对滚动轴承故障诊断。文献[12]针对不同轴承数据特征选择困难和单个分类器方法在滚动轴承故障诊断中精度较低的问题，提出一种基于Xgboost 轴承故障诊断算法。基于振动信号的方法是最常用的轴承故障诊断方法之一。通过分析振动信号的频谱、波形、包络谱等特征，可以识别出轴承的各种故障类型，在实际应用中能够取得较高的精度。基于声音信号的方法通过分析轴承产生的声音信号，可以诊断出轴承的故障类型和程度，适用于噪声环境下的故障诊断，但精度相对较低。基于温度信号的方法考虑到轴承故障会引起轴承温度的异常变化，通过监测轴承的温度信号，并与正常工况下的温度进行对比分析，可以诊断出轴承的故障，但受到环境温度的影响较大。基于电流信号的方法通过监测轴承的电流信号，可以检测出轴承的故障类型和程度。该方法适用于电动机的轴承故障诊断，但精度相对较低。基于图像信号的方法通过图像处理技术对轴承表面的图像进行分析，可以判断出轴承的故障类型，如磨损、裂纹等，在一定程度上提高了诊断的精度。不同的轴承故障诊断方法适用于不同类型的轴承和工况。诊断的精度因具体方法和研究对象的不同而变化。在实际应用中，通常需要综合多种方法以提高诊断的准确性。

1 集成多方法的废酸装置风机K7200轴承故障诊断

近年来，越来越多的研究者将机器学习算法应用于轴承故障诊断中。其中，K最近邻算法（KNN）、逻辑回归（LR）和决策树（DT）是经典的机器学习算法，在众多工程领域有广泛的应用。对于轴承故障诊断任务，它们可以快速地处理大量的数据，并且在某些情况下具有较高的分类精度。此外，这3 种算法都具有较强的解释性，可以方便地解释轴承故障的原因和机理。然而，由于轴承故障诊断数据复杂多变，不同算法在不同的数据集下表现差异较大，因此使用单一算法进行诊断有时会出现误判或漏判的情况。为了提高轴承故障诊断的准确性，提出了模型投票集成的方法，即将多个单一算法的诊断结果进行综合，通过相互协作的方式得到最终诊断结果。

1.1 废酸装置风机K7200轴承

废酸装置风机K7200 是一种专门用于废酸装置的风机设备，在废酸装置中起到循环废酸气体、提供气流等作用。为了确保废酸装置风机K7200在恶劣环境下长时间稳定运行，比较一般轴承，废酸装置风机K7200 采用了特殊设计的轴承，其主要特点有：①废酸装置工作环境中存在大量的酸性气体，因此K7200 风机的轴承采用了耐酸腐蚀的特殊材料，以提高轴承的耐腐蚀性能。②废酸装置风机K7200 具有高温耐受性，废酸装置工作时会产生高温，因此K7200 风机的轴承需要具备较高的温度耐受能力。特殊设计的轴承材料和润滑方式（如高温润滑脂）可以确保轴承在高温环境下正常运转。③废酸装置风机K7200具有抗磨耐久性，废酸装置工作时，气流中可能含有悬浮颗粒物，会对轴承造成颗粒磨损，因此K7200 风机的轴承需要具备较强的抗磨耐久性，采用特殊的表面涂层技术和耐磨材料来防止磨损。④废酸装置风机K7200及其轴承需具备长寿命和高可靠性，以提高设备的可用性，降低维护成本。

废酸装置风机K7200 轴承常见的故障类型包括：轴承磨损、轴承脱落、轴承过热、轴承断裂等。造成故障的原因主要有：①不适当的润滑。轴承润滑不良，比如缺乏或过多的润滑油、润滑油污染等，会导致轴承摩擦增加，从而引起故障。②强风侵蚀。废酸装置风机工作环境可能存在强风侵蚀现象，风中可能携带着粉尘、颗粒物等杂质，这些杂质可能影响轴承的正常工作。③过载运行。长时间超负荷运行或频繁启停，会使轴承受到较大的载荷影响，导致轴承快速磨损，最终引起故障。④安装不当。轴承安装时，如果不符合规范，比如安装不平衡、不垂直，或存在不合适的轴承间隙，都可能导致轴承故障。⑤使用寿命到期。轴承也有一定的使用寿命，在使用时间较长后，即使维护保养，也有可能出现故障。

1.2 K最近邻算法（KNN）

K 最近邻算法（KNN）是一种基本的分类方法，该算法认为距离相近的样本在特征空间中具有较高的相似性，并且属于同一类别的样本点在特征向量空间中较为接近。给定一个带有标签的训练数据集，对于新的输入实例，在训练集中找到与该实例最相似的K个实例，然后通过多数表决来确定该实例的类别。主要步骤包括：①计算距离。使用某种距离度量方法（如欧氏距离、曼哈顿距离等），计算新实例和所有训练实例之间的距离。②选择K个最近邻。根据距离计算结果，选择与新实例距离最近的K个训练实例作为最近邻。③多数表决。采用多数表决的方式，即根据最近邻的类别标签进行投票，选取出现次数最多的类别作为新实例的类别。

1.3 逻辑回归（LR）

逻辑回归（LR）是一种常用的分类算法，在训练阶段，该算法利用训练数据学习出一个超平面来分割不同的类别。在测试阶段，给定一个新的样本，该算法计算出该样本被划分为不同类别的概率，并选择具有最高概率的类别作为该样本的分类。主要步骤包括：

1）参数初始化。随机初始化参数向量w和截距b。

2）定义假设函数。选择sigmoid 函数作为模型的假设函数，它将输入x映射到（0，1）区间上的概率值，函数定义如下：

式中：x表示输入值；hw(x)表示经过sigmoid 函数映射后的（0，1）区间上的概率值。

3）定义损失函数。使用最大似然估计方法构建损失函数。对于二分类问题，损失函数可以选择交叉熵损失函数，如下：

式中：x(i)表示输入；y(i)表示标签值；hw(x(i))表示预测值；m表示样本总数；J(w,b)表示损失值。

4）梯度下降优化。通过梯度下降或其他优化算法最小化损失函数，更新参数w和b，使其逐步逼近最优解。

式中：α表示学习率；k=1，2，3…表迭代次数。

5）定义损失函数。使用更新后的参数w和b，对于新的输入样本x，计算假设函数hw(x)，将其概率值映射到类别标签。

1.4 决策树（DT）

决策树（DT）是一种基于分类规则的分类方法。在训练阶段，该算法利用训练数据构建出一棵树形结构，其中每个内部节点都代表一个分类规则，每个叶子节点都代表一个类别。在测试阶段，给定一个新的样本，该算法会按照从根节点到叶子节点的路径，依次应用每个分类规则，并将该样本分配到相应的类别中。算法的主要步骤如下：特征选择，选择最佳特征来进行划分。常用的评价指标包括信息增益（ID3 算法）、信息增益比（C4.5 算法）和基尼系数（CART 算法）等。划分数据集，对于选定的特征，根据其取值将数据集划分为多个子集。可以根据离散特征进行划分（如是否为某一取值）或根据连续特征进行二叉划分（如小于等于某一阈值和大于某一阈值）。决策树生成，递归地构建决策树，直到满足停止条件。每个节点都对应一个特征属性，其中内部节点表示划分的依据，叶节点表示输出结果。决策规则，通过遍历决策树，根据特征的取值进入相应的分支，直到到达叶节点。叶节点的输出结果即为诊断结果。

1.5 投票集成

在轴承故障诊断中，应用集成学习方法是十分必要的。轴承故障诊断是一个复杂的问题，轴承故障涉及多个方面，如振动信号、声音信号、温度信号、电流信号等。传统的单一方法很难针对所有方面进行准确的诊断。集成学习可以将多个不同的方法结合起来，从不同角度综合考虑。轴承故障数据通常存在数据不均衡和噪声问题，集成学习可以通过组合多个分类器的诊断结果，降低误判率。集成学习通过集成多个基分类器，可以减少模型的过拟合现象，提高模型的泛化能力。集成学习方法可以提高分类准确性，通过集成多个分类器的诊断结果，可以减少诊断误差，提高分类准确性。集成学习方法可以增强模型的鲁棒性，减少由于单一模型的局限性而引起的错误。集成学习方法适用于各种类型的数据，包括振动信号、声音信号、温度信号等不同特征的数据。集成学习可以通过各个分类器之间的投票、加权等方式，降低误判率，提高故障诊断的可靠性。

投票集成是一种常见的模型融合方法，它可以将多个不同的分类器组合起来，以共同决定最终分类结果。在投票集成中，可以使用两种不同的投票方式：硬投票和软投票。①硬投票：将每个基本分类器的输出结果看作一个二元值，即认为分类正确的输出为1，分类错误的输出为0，然后对所有基本分类器的结果求和，取多数投票得票最高的类别作为最终分类结果。②软投票：将每个基本分类器对各个类别的置信度作为输出，然后对所有基本分类器的结果进行加权平均，取平均值最大的类别作为最终分类结果。这种方式更加适用于基础分类器置信度可靠的情况。

2 实验

2.1 实验数据

实验数据来自某石化公司废酸装置风机K7200轴承箱振动的真实监测数据。实际作业过程中，由于安装和工艺等因素，轴承箱振动值经常出现振动值偏高的情况。本次实验中，轴承振动信号经传感器采集获得，轴承状态标签首先由现场巡检人员利用手持式测振仪对K7200 进行测量，如果发现振动值大于6.3 mm/s，进一步利用听诊器对轴承箱进行初步判断。如果通过听诊器对轴承箱判断为故障状态，则由检修人员对相关轴承箱解体，进行故障类型的判断。故障类型的判断通常由有经验的检修人员通过观察轴承获得，内、外圈故障通常表现为内、外圈表面的磨损、压痕或裂纹。滚动体故障通常表现为滚动体表面的磨损或脱落。每个样本为一组连续采集的轴承振动信号，每一组振动信号样本对应一种轴承状态标签，表1为轴承振动信号的基本信息。

表1 轴承振动信号基本信息

实际作业过程中，废酸装置风机K7200 轴承多为健康状态，故障样本数非常少。在模型构建过程中，如果健康样本数远大于故障样本数，会导致模型在训练过程中偏向于健康样本，在测试时对故障样本的误判。考虑自2019年，收集到的内圈故障样本数为36个，外圈故障样本数为38个，滚动体故障样本数为34 个，为了使参与模型构建的样本均衡，本文选取的健康状态样本数为32 个。实验数据的信息见表2，共包含140个样本。考虑到参与模型构建的样本量较少，为了增加模型的鲁棒性，在划分训练集和测试集以后，对训练数据进行了数据扩增。在保证扩增后的样本仍保持原始信号特征和准确性的前提下，本文采用的数据扩增方法有：添加噪声，向信号中添加不同程度的高斯噪声模拟真实环境中的干扰；平移，将信号在时间轴上平移，并将平移后的信号与原始信号拼接。

表2 实验数据基本信息

2.2 评价指标

本文采用准确率对KNN方法、LR方法、DT方法和集成方法的故障诊断性能进行评价。准确率计算定义如下：

式中：m为故障诊断正确的样本数；n为总样本数。

2.3 实验结果

对本文方法进行评价，将所有样本划分成训练集和测试集，训练集∶测试集=8∶2。用数字0、1.0、2.0、3.0分别表示健康状态、内圈故障、外圈故障和滚动体故障。

表3 给出了集成多方法和KNN、LR、DT算法的诊断精度比较。集成多方法较KNN方法、LR方法和DT方法，准确率分别提升了3.69%、5.03%和6.3%。真实值与诊断结果对比如图1所示，测试数据诊断结果如图2所示。

图1 真实值与诊断结果对比

图2 测试数据诊断结果图

表3 KNN、LR、DT和集成多方法的诊断精度比较

图1 给出的是诊断结果和真实结果的对比图，纵坐标轴中0、1.0、2.0、3.0 分别表示健康状态、内圈故障、外圈故障和滚动体故障，横坐标轴表示测试样本序号，红色○点表示预测值，即诊断结果的故障类型，蓝色*点表示真实值，即真实故障类型。从图1 中可以看出，多数样本诊断值和真实值的点能够重合，即能够准确诊断其故障类型，表明诊断结果具有较高的可信性。图2给出的是测试样本的诊断结果，横坐标轴表示测试样本序号，纵坐标轴中数字0、1.0、2.0、3.0 分别表示健康状态、内圈故障、外圈故障和滚动体故障，从图2可以看出，诊断结果中健康状态、内圈故障、外圈故障和滚动体故障的样本个数分别为：6、7、8和8。

3 结束语

针对废酸装置风机K7200 轴承故障诊断问题，本文提出了一种基于多方法集成的故障诊断方法。分别采用KNN、LR、DT 算法进行故障诊断，再对诊断结果进行投票集成。实验结果表明，集成多方法较KNN、LR、DT 算法，故障诊断的准确率分别提升了3.69%、5.03%、6.3%。集成多方法可以更准确地诊断轴承故障，对于轴承故障诊断有借鉴意义。