一种基于随机森林算法的滚动轴承故障诊断方法及相关设备与流程

本发明涉及轴承状态监测与故障诊断技术和机器学习领域，具体为一种基于随机森林算法的滚动轴承故障诊断方法及相关设备。

背景技术：

1、滚动轴承是一种常见且广泛应用于各种机械设备中的重要零部件，主要由内圈、外圈、滚动元件和保持架四个基本部分组成，在工业生产和各个领域的机械设备中都扮演着不可替代的角色，它们的高效运转和可靠性对于保障生产效率和设备可靠性至关重要。因此，进行滚动轴承故障诊断能够及早发现轴承问题并采取相应的措施，有助于延长设备寿命、降低维护成本。

2、然而，现有的基于振动信号的诊断方法依赖于数据质量，如果传感器损坏或者数据受到干扰，例如：振动信号无法直接指示轴承的内部损伤程度或者具体的故障机制，可能会导致误判或者不准确的诊断结果，传统的检测方式在遭遇此类情况是一般采用两种方式进行处理，第一种是结合其他技术手段来进一步诊断，如温度、湿度等，但是结合这些参考数值势必会影响振动信号的特征造成信号失真，其他机械部件的振动也可能会对轴承诊断造成干扰；难以应用于特定场景；第二种是依靠本领域人员的专业知识进行人为介入判断，但是这种判断依靠的是员工的主观判断，因此存在误差率较高的问题，同时传统的振动传感器只能定期进行检测，因此也容易发生数据缺失的问题。

技术实现思路

1、（一）解决的技术问题

2、针对现有技术的不足，本发明提供了一种基于随机森林算法的滚动轴承故障诊断方法及相关设备，解决了背景技术中提到的基于振动信号的诊断方法依赖于数据质量，容易发生数据缺失的问题。

3、（二）技术方案

4、为实现以上目的，本发明通过以下技术方案予以实现：一种基于随机森林算法的滚动轴承故障诊断方法，具体流程如下：

5、s1、搭建滚动轴承故障模拟试验台，并将若干个样本滚动轴承按照预设状态设置在搭建的模拟实验台上，按照流程进行诊断检测；

6、s2、设置采集设备，并通过采集设备，对处于诊断状态下的滚动轴承进行声音信号获取，并对获取的声音信号数据进行预处理，输入至基于随机森林算法的分类器中；

7、s3、建立滚动轴承故障诊断模型，基于随机森林算法的分类器在接收到的声音信号数据输入至滚动轴承故障诊断模型，对模型进行训练并获得结果；

8、s4、根据故障诊断模型提供的结果，对滚动轴承进行故障监测和诊断，并进一步优化滚动轴承故障诊断模型。

9、优选的，所述s1步骤中，若干个样本滚动轴承包括：正常状态轴承、疲劳裂纹状态轴承、磨损损伤状态轴承、塑性变形式轴承以及润滑不良状态轴承。

10、优选的，所述s2步骤中采集设备为录音装置，且录音装置设置在滚动轴承故障模拟实验台上且与轴承座同一平面。

11、优选的，所述s2步骤中，通过下述方式对获取的声音信号数据进行预处理；

12、s2.1、对若干个类型的测试滚动轴承的声音信号数据集并进行分类和标记，具体分类方式如下：正常组、外圈故障组、内圈故障组、滚子故障组和混合故障组；

13、s2.2、对获得的声音信号进行前期处理，包括处理缺失值、处理异常值以及特征缩放；

14、s2.3、对前期处理后的声音信号进行mfcc特征提取获得声音信号特征，对所述声音信号特征进行pca降维处理，保留累计方差贡献达到预设比例的特征。

15、优选的，所述s3步骤中，滚动轴承故障诊断模型进行训练具体如下：

16、s3.1、将s2.3步骤中，降维处理后的声音信号特征划分为训练集数据和测试集数据；

17、s3.2、将训练集数据导入滚动轴承故障诊断模型进行训练，通过测试集进行测试和调优。

18、优选的，所述步骤s3.2中，测试集进行测试和调优的具体步骤如下：

19、s3.2.1、确定随机森林模型中要包含的决策树的数量并确定每个节点的最小样本数；

20、s3.2.2、从训练数据集中有放回地随机抽取小于总特征数的常数m数量的样本，用于步骤s3.2.1中决策树的训练，再从所有特征中随机抽取小于总特征数的常数m数量的样本特征用于该决策树的训练，用于步骤s3.2.1中决策树的训练，增加差异性；

21、s3.2.3、使用选定的样本和特征训练一棵决策树，使用基于信息增益的方法进行特征划分。

22、优选的，所述s4步骤中，滚动轴承故障诊断模型获得结果的具体流程如下：

23、s4.1、实时采集的声音信号进行预处理后，输入训练好的滚动轴承故障诊断模型；

24、s4.2、根据滚动轴承故障诊断模型的分析结果，监测滚动轴承的故障情况，并对故障情况进行投票分类。

25、优选的，所述s4.2步骤中，投票分类通过下述计算公式作为依据：

26、

27、式中：表示输入样本的最终预测结果或分类结果；表示第i个决策树对输入样本x的预测结果或分类结果；k表示随机森林中决策树的数量；y表示类别的标签或回归结果的值；为值函数，表示在所有类别y中选择使得后面表达式取值最大的类别y；为指示函数，当括号内的条件成立时取值为1，否则为0。

28、优选的，所述s4.2中滚动轴承故障诊断模型的优化方式如下：

29、s4.2.1、通过调整随机森林的参数来优化模型性能；

30、s4.2.2、交叉验证随机森林模型并进行评估，评估指标包括分类准确率、回归均方误差；

31、s4.2.3、在模型经过调优和实验验证后，将其应用于实际的滚动轴承故障监测差和诊断任务。

32、本技术还提供一种基于随机森林算法的滚动轴承故障诊断相关设备，包括电机、轴、若干个轴承座、存储器和处理器，所述电机、轴以及若干个轴承座用于构成滚动轴承故障模拟实验台，所述若干个轴承座包括陪测轴承座和测试轴承座，所述滚动轴承在测试轴承座上进行更换；

33、所述存储器存储有可供处理器执行的计算机程序，所述处理器执行所述计算机程序时，实现权利要求1-9中任一所述的基于随机森林算法的滚动轴承故障诊断方法。

34、（三）有益效果

35、本发明提供了一种基于随机森林算法的滚动轴承故障诊断方法及相关设备，具备以下有益效果：

36、（1）该基于随机森林算法的滚动轴承故障诊断方法，通过基于声音信号的轴承诊断方式具有非接触性，录音设备可以远距离检测滚动轴承的声音信号，从而无需接触轴承表面或内部，因此不会影响待测装置的运行，也不会对滚动轴承本身造成额外的损伤，同时具有高灵敏度，录音设备可以捕捉到滚动轴承内部的微小变化和在运行时产生的多种声音信号，因此可以提供更加全面的故障特征信息，有益于下一步的故障信息预处理和特征提取；从而具有广泛适用性，并且录音设备可以在各种环境条件下工作，包括高温、高速、高压等恶劣环境，因此适用于多种工业场景下的轴承诊断应用，录音设备可以实时采集轴承产生的声音信号，并通过实时分析和监测，及时发现轴承的故障，并可以采取预防性维护措施，避免停机损失，录音设备通常体积小巧、安装简便，易于集成到现有的监测系统中，且不需要专门的培训即可使用。

37、（2）基于随机森林算法的滚动轴承故障诊断方法，使用随机森林算法建立滚动轴承故障诊断模型，利用声音信号特征，能够有效地提高诊断的准确性和鲁棒性，避免因为噪声等干扰因素导致误诊或漏诊。相比于传统的特征工程方法，基于随机森林的方法可以直接从原始数据中学习特征表示，避免了繁琐的特征提取和选择过程，简化了模型的构建流程，对声音信号特征进行pca降维处理，保留累计方差贡献达到95%的特征，以减少特征的维度，提高随机森林算法的效率。

38、（3）基于随机森林算法的滚动轴承故障诊断方法，随机森林算法可以快速适应新的声音信号样本，不需要重新训练整个滚动轴承故障诊断模型，因此在动态环境下具有较好的性能表现，并且具有很高的可扩展性，可以处理大规模的声音信号数据和高维度特征。由于随机森林是一种集成学习方法，通过多棵决策树的投票或平均来进行分类，具有较强的鲁棒性和可解释性，能够有效地处理大量的声音信号输入属性和复杂的数据结构，随机森林算法可以自动进行特征选择和重要性评估，帮助识别对于分辨滚动轴承故障类型任务最具有影响力的特征频率，进一步提高了模型的效果和可解释性。