張天瑞,周福強,吳寶庫,等.基于ARIMA和XGBoost的滾動軸承故障預測模型研究[J].制造技術與機床,2022(04):176-182.

基于ARIMA和XGBoost的滾動軸承故障預測

模型研究

張天瑞① 周福強① 吳寶庫① 朱芷儀② 宋雨儒②

（ ①沈陽大學機械工程學院

②沈陽大學機械工程學院國際學院）

摘 要

針對滾動軸承現有故障預測模型精度和準確率較低的問題，提出一種基于ARIMA時間序列預測和XGBoost分類算法的滾動軸承故障預測模型。首先，采用LMD聯合FPA解決盲源欠定的問題；其次，使用KPCA選取敏感特征作為預測模型的輸入，以提高軸承故障的分類精度；第三，通過Arima自回歸模型預測軸承振動信號未來短期內變化情況，將預測結果輸入XGBoost模型進行故障分類預測，實現滾動軸承故障識別，提高預測準確率；最后，通過美國凱斯西儲大學使用的軸承數據集，進行實例驗證，實驗結果表明，該方法可以更準確地預測出軸承短期內振動信號變化并診斷出可能發生的故障，證明了該方法在滾動軸承信號含噪情況下，有效提取特征、識別故障和故障預警中具有可行性與可靠性。

關鍵詞

軸承；故障診斷；ARIMA；XGBoost

導 語

在實際生產中，滾動軸承是大多數機械設備中應用最為廣泛的一類零部件，起著不可替代的重要作用。由于滾動軸承長期處在惡劣的工作環境下，使得其成為現代工業中最易受損的元器件之一。比如在滾動軸承的大型發電機的故障中，軸承的故障率達到40%。一旦滾動軸承發生損壞，輕則導致機器等大型設備損壞、影響正常生產，重則造成嚴重的人員傷亡和財產的損失。為了及時發現滾動軸承故障類型并采取相應對策，要求提前獲取軸承振動信號及軸承的數據，一般通過傳感器等設備感知其狀態；故障診斷和預測就是要分析這些數據從而評估出軸承的工作狀態。滾動軸承提取信號的影響因素分為內部和外部兩類，兩類因素的綜合作用會對需要提取的振動信號造成影響。因此，針對軸承故障診斷相關方面的研究對于零件、設備和生產過程等各個方面都有重大而深遠的意義。

隨著故障診斷方面技術的迅速發展，人們對其進行了大量的研究和改進，對于滾動軸承的故障診斷方面的研究逐漸由新興問題演變為復雜問題。

傅里葉變換和小波變換、希爾伯特-黃變換、經驗模態分解(empirical mode decomposition，EMD)、補充集合經驗模態分解(complete ensemble empirical mode decomposition，CEEMD)和變分模態分解(variational mode decomposition，VMD)等信號處理的傳統方法一般從傳感器提取的原始信號中提取時域、頻域和多域等有效故障特征；傳統機器學習的方法在故障診斷方面也得到明顯的應用并發揮其優勢；上述方法僅僅在一定程度上、單方面地滿足軸承故障對其準確度等的要求。馬懷祥等從模型分類方面，提出卷積神經網絡（CNN）和極端梯度提升（XGBoost）的滾動軸承故障診斷方法，用以提升模型預測準確度。Hu X等為了提高頻譜精度，提出了基于LMD和頻譜校正的滾動軸承故障診斷方法。而龔立雄等從特征提取方面入手，提出基于核函數主元分析的軸承故障分類方法，非線性分類對準確度提升有很大幫助。本文結合了前人多篇關于滾動軸承故障診斷方面的文獻，在工業大數據和深度學習的背景下，提出一種基于局部均值分解(local mean decomposition，LMD)和固定點算法(fixed points algorithm，FPA)聯合降噪、核主成分分析(kernal pricipal component，KPCA)和極端提升決策樹算法(extreme gradient boosting，XGBoost)思想結合自回歸積分滑動平均(autoregressive integrated moving average model，ARIMA)時間序列模型的軸承故障診斷方法。基于滾動軸承故障診斷降噪-提取特征-分類(故障識別)所使用的不同方法，本文構建了滾動軸承的故障診斷模型，并使用美國凱斯西儲大學軸承數據集進行仿真驗證。

閱讀全文，歡迎點擊

聲明：