摘要：針對復(fù)雜工況下軸承故障診斷的難題，文章提出了一種融合數(shù)據(jù)與知識的智能故障診斷方法。該方法首先利用經(jīng)驗?zāi)B(tài)分解（EMD） 對軸承振動信號進行預(yù)處理，然后基于支持向量機（SVM） 、隨機森林（RF） 和 K 近鄰（KNN） 等算法構(gòu)建預(yù)選模型庫，并通過網(wǎng)格搜索優(yōu)化模型參數(shù)。最終，將模型輸出結(jié)果與預(yù)先構(gòu)建的軸承故障知識圖譜關(guān)聯(lián)，實現(xiàn)故障根因分析和輔助決策。實驗結(jié)果表明，該方法在某軸承故障數(shù)據(jù)集上取得了 93.1% 的診斷準確率，有效提升了故障診斷效率和準確性。

關(guān)鍵詞：支持向量機；隨機森林；K 近鄰算法；故障知識圖譜；故障診斷

中圖分類號：TP311 文獻標識碼：A

文章編號：1009-3044（2025）01-0121-06 開放科學(xué)（資源服務(wù)） 標識碼（OSID） ：

0 引言

軸承作為關(guān)鍵部件，其壽命和可靠性直接影響設(shè)備的整體性能。尤其在高轉(zhuǎn)速、腐蝕性強、寬溫域等嚴苛環(huán)境下，軸承的服役壽命將顯著縮短。因此，如何有效地開展軸承故障診斷，并制定相應(yīng)的維護策略，對于保障設(shè)備的穩(wěn)定運行至關(guān)重要。

傳統(tǒng)的設(shè)備維護策略經(jīng)歷了從事后維修到定期維修，再到視情維修的演變。事后維修適用于非關(guān)鍵設(shè)備，定期維修雖然可以減少突發(fā)故障，但存在過度維護和欠維護的問題。而視情維修則通過收集設(shè)備運行數(shù)據(jù)，預(yù)測潛在故障，從而實現(xiàn)更經(jīng)濟有效的維護。故障預(yù)測與健康管理（Prognostics and Health Man?agement，PHM） 技術(shù)是實現(xiàn)視情維修的關(guān)鍵。通過實時數(shù)據(jù)采集和分析，PHM 技術(shù)能夠?qū)崿F(xiàn)對系統(tǒng)的故障監(jiān)測、診斷和預(yù)測[1-2]。自 20 世紀 90 年代中期提出以來[3]，PHM 技術(shù)已成為研究熱點，并在航空航天、能源等領(lǐng)域得到廣泛應(yīng)用。

具體而言，PHM 技術(shù)主要分為基于物理模型的方法、基于統(tǒng)計的方法和基于數(shù)據(jù)驅(qū)動的方法[4]。基于物理模型的方法通過結(jié)合設(shè)備故障失效模式，構(gòu)建反映設(shè)備性能退化規(guī)律的數(shù)學(xué)模型，以實現(xiàn)診斷和預(yù)測[5-6]。然而，由于軸承運行工況復(fù)雜，力和載荷呈現(xiàn)非線性變化，導(dǎo)致建模的準確性受到限制?；诮y(tǒng)計的故障診斷方法以統(tǒng)計理論為基礎(chǔ)，利用快速傅里葉變換[7]、小波變換[8]、經(jīng)驗?zāi)B(tài)分解[9-10]和變分模態(tài)分解[11]等方法對軸承振動信號進行分析和處理，提取隱藏的故障特征[12]。這類方法具有數(shù)學(xué)理論嚴謹、適用性強的特點，但計算量較大?；跀?shù)據(jù)驅(qū)動的故障診斷方法則利用機器學(xué)習(xí)和深度學(xué)習(xí)等人工智能技術(shù)，對軸承振動信號進行特征提取和模式識別，從而實現(xiàn)快速診斷。這類方法不依賴于故障模式的準確識別，適用于各類復(fù)雜設(shè)備的故障診斷，且能有效降低計算復(fù)雜度，因此在軸承故障診斷中的應(yīng)用最為廣泛[13]。

在軸承故障診斷和根因分析中，大多數(shù)依賴專家的診斷經(jīng)驗和已有知識。然而，這些知識往往是零散的、碎片化的，難以被高效利用。Google 于 2012 年提出了知識圖譜的概念，用于存儲和表示大規(guī)模的語義信息，從而完善存儲引擎[14]。知識圖譜是一種結(jié)構(gòu)化的語義知識庫[15]，能夠?qū)﹄x散的、碎片化的、不同形式的知識進行有效的加工、處理和整合，轉(zhuǎn)化為簡單、清晰的三元組形式，進行知識的關(guān)聯(lián)聚合，從而實現(xiàn)快速的知識查詢與高效的路徑推理。因此，通過構(gòu)建軸承故障知識圖譜以對知識進行有效的組織和管理，可以提高知識利用率，挖掘引發(fā)故障的深層次原因，實現(xiàn)精準的故障定位，進而提升故障診斷全流程的智能化水平，這已成為軸承故障診斷及運維決策的研究熱點[16]。

為提高軸承故障診斷的準確性，并有效指導(dǎo)軸承運維決策，本文提出了一種融合數(shù)據(jù)與知識的軸承智能故障診斷方法。該方法通過將故障知識圖譜中的故障現(xiàn)象與基于數(shù)據(jù)驅(qū)動的故障狀態(tài)識別結(jié)果關(guān)聯(lián)，實現(xiàn)軸承狀態(tài)監(jiān)測、故障診斷和處置決策的全過程健康管理。

1 基于融合數(shù)據(jù)與知識的軸承智能故障診斷模型

1.1 系統(tǒng)架構(gòu)設(shè)計

本文提出了一種融合數(shù)據(jù)與知識的軸承故障診斷模型，如圖 1 所示。首先，對軸承振動信號數(shù)據(jù)進行預(yù)處理，剔除信號噪聲并將其轉(zhuǎn)換為適用于模型訓(xùn)練的數(shù)據(jù)結(jié)構(gòu)。隨后，對預(yù)選模型庫中的支持向量機（SVM） 、隨機森林（RF） 、K 近鄰（KNN） 等故障診斷模型進行訓(xùn)練，并通過參數(shù)尋優(yōu)方法實現(xiàn)預(yù)置模型的自動優(yōu)化。最后，基于軸承故障知識的抽取與融合，構(gòu)建軸承故障知識圖譜。結(jié)合故障診斷結(jié)果，系統(tǒng)能夠識別故障根原因，并提出軸承健康狀態(tài)的控制和優(yōu)化建議，從而實現(xiàn)軸承故障診斷與維修保障的智能決策。

1.2 數(shù)據(jù)預(yù)處理

軸承數(shù)據(jù)的預(yù)處理操作分為3個步驟，分別為數(shù)據(jù)清洗層、數(shù)據(jù)分析層以及特征工程層，如圖 2 所示。

數(shù)據(jù)清洗層主要通過對包含缺失值、異常值和重復(fù)值的數(shù)據(jù)進行空值清洗、野值剔除和數(shù)據(jù)過濾等操作，得到完備、正確的軸承數(shù)據(jù)集，從而減少數(shù)據(jù)采集過程中因環(huán)境噪聲等因素對數(shù)據(jù)的影響。

數(shù)據(jù)分析層分為可視化分析和定量分析兩個部分。首先，對數(shù)據(jù)在時間軸上進行可視化分布處理，分析數(shù)據(jù)的平穩(wěn)性、趨勢性、周期性和分散性特點。進一步，對不同類型的數(shù)據(jù)開展針對性的定量分析：對于平穩(wěn)性好的數(shù)據(jù)，進行定量化的平滑性檢驗；對于近似正態(tài)分布的數(shù)據(jù)，進行正態(tài)性檢測；對于具有線性趨勢性的數(shù)據(jù)，進行差分分析以實現(xiàn)平滑處理；對于線性一致性強的二維散點數(shù)據(jù)，計算皮爾遜相關(guān)系數(shù)和斯皮爾曼相關(guān)系數(shù)；對于平穩(wěn)性較差的數(shù)據(jù)，采用 FFT 變換、EMD 分解或小波包分解，分別分析其分解后的頻率振幅、IMF 分量或不同濾波器下的分解系數(shù)。上述分析為特征向量的提取奠定了基礎(chǔ)。

特征工程層是在數(shù)據(jù)預(yù)處理和數(shù)據(jù)分析的基礎(chǔ)上，根據(jù)不同參數(shù)的分布特點提取數(shù)據(jù)特征。常見的特征提取方式包括：1） 對于平穩(wěn)且具有統(tǒng)計分布特性的遙測參數(shù)，提取時域統(tǒng)計特征；2） 對于具有線性相關(guān)性的多變量，提取相關(guān)性特征；3） 對于在時域上變化具有一致性的參數(shù)，提取相似度特征；4） 對于非平穩(wěn)的遙測參數(shù)，提取時頻域特征。

需要注意的是，在特征提取后，可能會遇到特征樣本過多或正負樣本不均衡的情況。此時，可以通過樣本重采樣和均衡化方法，使不同模式之間的樣本量趨于平衡，從而提高模型的訓(xùn)練效果。

1.3 故障診斷模型訓(xùn)練及評估

本文基于 K 近鄰算法（KNN） 、支持向量機（SVM） 以及隨機森林（RF） 算法構(gòu)建預(yù)選模型庫。隨后，使用交叉驗證和超參數(shù)尋優(yōu)對模型進行參數(shù)優(yōu)化，并利用準確率、精確率、召回率和 F1 指標等評估模型性能，以獲取最佳模型，具體流程如圖 3 所示。交叉驗證是將經(jīng)過處理后的軸承特征樣本集分為訓(xùn)練集、驗證集和測試集，利用若干組訓(xùn)練集對預(yù)選模型庫中的模型進行訓(xùn)練，再通過驗證集評估模型的準確率，取不同組準確率的平均值作為模型的性能指標，將其中超過準確率閾值的模型作為候選模型。

超參數(shù)尋優(yōu)是通過網(wǎng)格搜索法或梯度下降法實現(xiàn)模型參數(shù)的優(yōu)化。網(wǎng)格搜索法的速度較慢，但可以找到全局最優(yōu)的超參數(shù)組合；梯度下降法的優(yōu)化速度較快，但可能會陷入局部最優(yōu)。由于軸承數(shù)據(jù)樣本量相對較小，且初始模型候選參數(shù)較少，因此網(wǎng)格搜索法可在犧牲一定搜索效率的條件下，保證最佳的模型優(yōu)化效果。

在使用超參數(shù)尋優(yōu)得到模型的最優(yōu)參數(shù)組合后，即可使用測試集對模型進行評估，通過準確率指標、F1 得分、召回率和精確率的值進行分析，確定模型是否可取。

本文將軸承故障診斷中應(yīng)用最為廣泛的 K 近鄰算法、支持向量機和隨機森林算法作為預(yù)選模型，下面對模型進行簡要介紹。

1） 基于 K 近鄰算法的軸承故障診斷技術(shù)。

K 近鄰（KNN） 算法是通過查找訓(xùn)練樣本中與測試樣本最相似的k 個鄰居，并根據(jù)這些鄰居的類別來確定測試樣本的類別。因此，最近鄰個數(shù)是KNN算法中最關(guān)鍵的參數(shù)之一，它決定了在進行分類時，模型會參考的最近鄰樣本數(shù)量。憑借計算量小、靈活性高，以及對不同數(shù)據(jù)分布和數(shù)據(jù)特征適用性更強的優(yōu)勢，K近鄰算法在文本分類、圖像分類等模式識別領(lǐng)域得到了廣泛應(yīng)用。

本文利用 KNN算法分析軸承故障數(shù)據(jù)的特征分布，實現(xiàn)對軸承故障的分類識別。具體算法為：將軸承故障數(shù)據(jù)分為訓(xùn)練集和測試集，計算測試集樣本與訓(xùn)練樣本的相似度：

然后，根據(jù)結(jié)果進行相似度排序，將測試集樣本分配到相似度值最大的類別中。

式中：?為類別屬性函數(shù)，如果該測試樣本屬于該類別，則函數(shù)值為1，否則為0。

2） 基于支持向量機的軸承故障診斷技術(shù)。

支持向量機（SVM） 算法常用于分類問題的監(jiān)督學(xué)習(xí)，具有良好的高維特征處理能力、對噪聲敏感度低以及計算成本低的特點。SVM 算法的參數(shù)主要受到C 參數(shù)、核函數(shù)和 gamma 參數(shù)的影響。C 參數(shù)控制模型的復(fù)雜度和對誤分類的容忍度；核函數(shù)（如線性、RBF、多項式等） 根據(jù)數(shù)據(jù)的性質(zhì)進行選擇；gamma 參數(shù)決定了核函數(shù)的影響范圍，從而影響模型的平滑性。

軸承數(shù)據(jù)信號往往包含大量特征和復(fù)雜模式，本文采用 SVM 算法對軸承數(shù)據(jù)進行分類，能夠有效應(yīng)對數(shù)據(jù)噪聲和高維特征等問題，同時保持較高的準確性。假設(shè)有 K 個類別，SVM 會為每個類別訓(xùn)練一個二分類模型，將該類別的樣本與其他所有類別的樣本進行區(qū)分。在預(yù)測階段，當(dāng)一個新的樣本輸入時，所有 K 個分類器都會給出一個預(yù)測結(jié)果。每個分類器輸出一個預(yù)測值，然后選擇得分最高的分類器作為最終的分類結(jié)果。

3） 基于隨機森林算法的軸承故障診斷技術(shù)。

隨機森林算法（Random Forest，RF） 的主要思想是集成學(xué)習(xí)。通過多棵決策樹的集成來實現(xiàn)高效的分類和回歸任務(wù)，并通過隨機采樣和隨機特征選擇等技術(shù)提高模型的多樣性，從而增強模型的穩(wěn)定性和準確性。由于其強大的性能和較少的超參數(shù)調(diào)節(jié)需求，隨機森林算法能夠在大規(guī)模設(shè)備監(jiān)測系統(tǒng)中實時提供故障診斷，適合在工業(yè)環(huán)境中長期運行。

RF 的算法參數(shù)主要受到以下因素的影響：樹的數(shù)量（n_estimators） ，較多的樹能夠提高模型的穩(wěn)定性；節(jié)點分裂所需的最小樣本數(shù)（min_samples_split） ，該值越大，樹的復(fù)雜性越小，有助于防止過擬合。本文將隨機森林算法加入預(yù)選模型庫中，以增強模型診斷的實時性和穩(wěn)定性。

隨機森林模型的主要步驟為：

①Bootstrap 采樣：從原始訓(xùn)練數(shù)據(jù)集中隨機選擇n 個樣本（有放回抽樣） ，構(gòu)建一個新的子數(shù)據(jù)集，用于訓(xùn)練一棵決策樹。

②隨機特征選擇：每次劃分節(jié)點時，隨機選擇m個特征，從中選擇最優(yōu)的特征進行劃分，而非使用全部特征。

③生成決策樹：利用選定的子數(shù)據(jù)集和特征集訓(xùn)練一棵決策樹，直到滿足樹的停止條件（如樹深度、葉節(jié)點數(shù)量、數(shù)據(jù)最小樣本量等） 。

④重復(fù)過程：重復(fù)以上過程，生成多個決策樹，最終得到一組獨立的樹。

⑤投票機制：對于新的輸入樣本，所有決策樹對該樣本進行分類，最終通過“投票”機制得出預(yù)測類別。即，每棵樹對樣本的預(yù)測值投票，最終選擇票數(shù)最多的類別作為最終預(yù)測結(jié)果。

4） 模型評估。

對于訓(xùn)練好的模型，使用評估指標對模型進行評價，以確定模型的優(yōu)劣。本文使用準確率、精確率、召回率和 F1 指標進行評價。

準確率的計算公式為：

準確率= 正確分類樣本／總樣本

精確率表示在所有被模型預(yù)測為正類的樣本中，實際上為正類的樣本比例：

準確率= 真正類（TP ）／真正類（TP ） + 假正類（FP ）

召回率表示在所有真實正類樣本中，被正確識別出來的樣本比例：

召回率= 真正類（TP ）／真正類（TP ） + 假負類（FN ）

F1指標是精確率和召回率的調(diào)和平均數(shù)，用以評估模型的總體效果：

F1 = 2* 精確率*召回率／精確率+ 召回率

式中，真正類（TP） 表示模型正確預(yù)測為正類的正類樣本數(shù)；假正類（FP） 表示模型錯誤預(yù)測為正類的負類樣本數(shù)；真負類（TN） 表示模型正確預(yù)測為負類的負類樣本數(shù)；假負類（FN） 表示模型錯誤預(yù)測為負類的正類樣本數(shù)。

1.4 基于軸承故障知識圖譜的根原因分析及運維決策技術(shù)

知識圖譜是一種機器認知智能的技術(shù)形式，通過本體模型構(gòu)建、知識抽取、知識存儲等步驟，從多源數(shù)據(jù)中自動抽取知識并有效整合，構(gòu)建出結(jié)構(gòu)化的知識圖譜。本文為了有效管理軸承故障信息，構(gòu)建了軸承故障知識圖譜的本體模型，采用基于規(guī)則的方法對FME（C）A表、故障記錄和維修記錄等軸承故障知識進行命名實體識別，提取故障實體和關(guān)系，并存儲到圖數(shù)據(jù)庫Neo4j中，從而構(gòu)建軸承故障知識圖譜，為快速識別故障原因并提供維修決策提供支撐。

1.4.1 軸承故障知識本體模型

采用自頂向下和自底而上相結(jié)合的知識建模技術(shù)對軸承故障知識進行統(tǒng)一定義，建立統(tǒng)一的數(shù)據(jù)模型，如“故障現(xiàn)象—原因—故障原因”“故障現(xiàn)象—影響—故障影響”“故障影響—控制措施—控制措施”等，如圖 4 所示。

1.4.2 知識抽取

FMEA 針對產(chǎn)品所有可能的故障，并根據(jù)對故障模式的分析，確定每種故障模式對產(chǎn)品工作的影響，并按故障模式的嚴重度及其發(fā)生概率確定其危害性。通過對 FMEA 表進行知識加工，生成結(jié)構(gòu)化數(shù)據(jù)并存儲在數(shù)據(jù)庫中，從而創(chuàng)建故障知識庫。表1為本文使用的FMEA的部分內(nèi)容示例。

針對 FMEA 等半結(jié)構(gòu)化知識，首先批次讀取不同結(jié)構(gòu)的 FMEA 表格，對表中存在的空格進行填充。然后按照定義的本體模型，將實體類型與 FMEA 表中的表頭進行正則匹配。最后對表格進行拆分和合并，獲取關(guān)聯(lián)設(shè)備、故障現(xiàn)象、故障原因、故障影響、控制措施等共 8 類實體類型，包括 81 個實體和 111 條關(guān)系。將抽取的實體和關(guān)系以三元組的形式存儲到 Neo4j 中，實現(xiàn)故障知識圖譜的抽取和存儲。

1.4.3 基于故障知識圖譜的軸承運維決策

運維人員在通過故障診斷模型獲取軸承故障信息后，可以基于構(gòu)建的軸承故障知識圖譜，準確定位軸承故障部位，分析導(dǎo)致故障發(fā)生的根本原因，并獲取設(shè)備運維的決策建議，從而更好地開展軸承設(shè)備的維修保障工作。具體方法為：通過“故障現(xiàn)象—關(guān)聯(lián)—設(shè)備結(jié)構(gòu)”三元組確定最小隔離單元；根據(jù)“故障現(xiàn)象—原因—故障原因”三元組確定導(dǎo)致故障發(fā)生的根本原因；根據(jù)“故障現(xiàn)象—相關(guān)記錄—故障記錄”三元組獲取歷史故障案例，為運維人員推送相對應(yīng)的故障處置策略。

2 基于軸承故障數(shù)據(jù)集的試驗驗證

2.1 數(shù)據(jù)來源

軸承數(shù)據(jù)集由 Christian Lessmeier 等人提供，用于研究和開發(fā)先進的軸承故障診斷技術(shù)，涵蓋了不同類型的軸承故障、轉(zhuǎn)速和負載條件。數(shù)據(jù)集包括振動信號數(shù)據(jù)和標簽信息，每個樣本包含多個傳感器的數(shù)據(jù)，對應(yīng)不同的軸承故障類型或工況。同時，每個樣本的標簽信息對應(yīng)了軸承的工作狀態(tài)（正常或故障） 以及故障的類型。這些故障類型通常與軸承的結(jié)構(gòu)性問題相關(guān)，包括外圈故障、內(nèi)圈故障、滾動體故障和保持架故障。

除了故障數(shù)據(jù)，數(shù)據(jù)集中還包括了軸承在正常運行狀態(tài)下的數(shù)據(jù)，以便進行對比和分析。本文使用的數(shù)據(jù)在轉(zhuǎn)速為 1 500 rpm、負載力矩為 0.7 nm，徑向力為 1 000 N 的工況下采集，采樣頻率為4 kHz，每組數(shù)據(jù)時長為4 s。使用軸承編碼為 K001、KI01、KA04 的部分數(shù)據(jù)樣本進行試驗，其中 K001 為健康軸承，KI01 的軸承損傷部位為內(nèi)圈損傷（電火花加工） ，KA04 的軸承損傷部位為外圈疲勞點蝕。樣本量大小為1 198×3，標簽狀態(tài)分為3 種，分別為內(nèi)圈故障、外圈故障和健康數(shù)據(jù)，使用 0、1、2 對其進行標注。

本文對德國帕德博恩大學(xué)軸承數(shù)據(jù)集進行數(shù)據(jù)預(yù)處理，采用 EMD 特征提取方法將軸承振動信號數(shù)據(jù)分解為多維度的特征，隨后利用網(wǎng)格搜索法對分類模型進行優(yōu)化，并利用優(yōu)化后的模型實現(xiàn)故障模式識別，得到準確的分類結(jié)果，最終實現(xiàn)故障根因分析和輔助決策。

2.2 數(shù)據(jù)預(yù)處理

首先對軸承數(shù)據(jù)進行數(shù)據(jù)預(yù)處理操作，包括數(shù)據(jù)清洗、刪除空缺值和去除噪聲操作，得到標準化的振動信號數(shù)據(jù)。然后通過可視化分析軸承信號分布特征，初步判斷軸承數(shù)據(jù)為時序非平穩(wěn)特征。因此，采用 EMD 方法從振動信號中提取均值、標準差、均方根值、峰值、偏度、峭度等指標，得到振動信號的時頻域特征。軸承原始振動信號分布如圖5所示。

由于軸承故障信號的頻率分布隨時間變化，具有典型的時變非平穩(wěn)特征，因此采用經(jīng)驗?zāi)B(tài)分解（Em?pirical Mode Decomposition，EMD） 方法對軸承故障信號進行處理。EMD 可將非平穩(wěn)信號分解為不同時頻域的數(shù)據(jù)，從而提取出數(shù)據(jù)中的隱含有效信息。

EMD 是一種基于數(shù)據(jù)本身時間尺度等性質(zhì)進行分解的數(shù)據(jù)分析方法，它將收集到的軸承信號分解為有限的本征模態(tài)函數(shù)（Intrinsic Mode Function，IMF） 和一個殘差，即：

式中：IMFi （t） 表示原軸承信號在不同頻段的頻率成分，包含了局部特征信息；rn （t） 表示偏離原軸承信號的趨勢。

2.3 模型訓(xùn)練及評估

將特征樣本數(shù)據(jù)的 80% 劃分為訓(xùn)練集，10% 作為測試集，10% 作為驗證集，用以進行模型訓(xùn)練及評估。進一步將訓(xùn)練集分為4份，作為交叉驗證節(jié)點的訓(xùn)練集，重復(fù)訓(xùn)練 5 個模型，并利用驗證集評估模型的準確率或 F1 指標。計算平均指標，當(dāng)準確率（ACC） 大于閾值 0.7 時，認為該算法適用于該樣本的狀態(tài)分類；若小于閾值，則重新選擇算法，重復(fù)交叉驗證操作。

在模型訓(xùn)練中，使用網(wǎng)格搜索法對KNN、SVM、RF 算法的模型參數(shù)進行尋優(yōu)，以得到最優(yōu)的模型。預(yù)選模型庫中各模型的參數(shù)尋優(yōu)范圍及最優(yōu)參數(shù)值見表 2。

按照表2中各模型的最優(yōu)參數(shù)值，對軸承測試集數(shù)據(jù)進行故障診斷，并通過準確率、精確率、召回率和 F1 指標對模型診斷效果進行評估，評估指標結(jié)果見表3。

如表3所示，SVM 的評估結(jié)果均優(yōu)于KNN和RF，準確率達到了93.1%，因此最終選擇使用預(yù)選模型庫中的 SVM算法。

SVM 在測試集上的診斷結(jié)果與真實結(jié)果的對比情況如圖 6 所示。橫坐標為樣本編號，縱坐標為樣本類別。圖6表明，經(jīng)過訓(xùn)練和評估分析的 SVM 模型對于軸承潛在故障模式具有良好的診斷分析能力。

2.4 根因分析及運維決策

根據(jù)故障診斷模型提供的診斷結(jié)果，基于構(gòu)建的軸承故障知識圖譜，獲取軸承故障的根本原因及處置措施建議。以診斷得到的內(nèi)圈故障表面裂紋為例，通過查詢知識圖譜中的“ 故障現(xiàn)象—影響—故障影響” 三元組，得知表面裂紋會引發(fā)劇烈的振動和噪聲，產(chǎn)生不利影響，因此應(yīng)采取有效的控制措施；通過查詢知識圖譜中的“ 故障現(xiàn)象—原因—故障原因” 三元組，可得知表面裂紋的可能故障原因包括“速度過快”“裝配不當(dāng)”“潤滑不良”；進一步根據(jù)“ 故障影響—控制措施—控制措施” 三元組，可以獲取到“降低負荷”“停機檢查、更換備件”“注入潤滑劑”等輔助維修決策信息。

3 結(jié)論

本文提出了一種融合數(shù)據(jù)與知識的軸承故障診斷模型框架，構(gòu)建了包括支持向量機、隨機森林、K 近鄰算法的預(yù)選模型庫，具備模型自動選擇和參數(shù)尋優(yōu)能力，并在公開數(shù)據(jù)集上進行了試驗驗證，診斷準確率達到了 93.1%。利用故障診斷結(jié)果，基于事先構(gòu)建的軸承故障知識圖譜進行根因分析和維修決策，實現(xiàn)了軸承故障的全面診斷和智能決策。結(jié)果表明，該方法能夠準確進行軸承故障診斷，并結(jié)合歷史信息提供有效的故障處置和控制措施建議。

未來將從以下兩個方面深入研究，以提升該方法在實際軸承故障診斷及維修決策中的應(yīng)用效果：

一是進一步豐富預(yù)選模型庫，引入卷積神經(jīng)網(wǎng)絡(luò)等深度學(xué)習(xí)算法，提升診斷模型對不同類型軸承故障數(shù)據(jù)的適應(yīng)能力及故障診斷結(jié)果的準確性。

二是結(jié)合該方法在實際軸承故障診斷過程中的應(yīng)用，不斷積累實際診斷數(shù)據(jù)和維修決策案例，持續(xù)豐富知識圖譜的知識內(nèi)容，提高運維決策的指導(dǎo)性和有效性。

參考文獻：

[1] 邱立軍，吳明輝.PHM技術(shù)框架及其關(guān)鍵技術(shù)綜述[J].國外電子測量技術(shù)，2018，37（2）：10-15.

[2] 呂琛，馬劍，王自力.PHM技術(shù)國內(nèi)外發(fā)展情況綜述[J].計算機測量與控制，2016，24（9）：1-4.

[3] FAKHARZADEH M，TAZLAUANU M.Rf system-in-packagewith microstrip-to-waveguide transition： US20140285389[P].2014- 09-25.

[4] 陸劍峰，徐煜昊，夏路遙，等.數(shù)字孿生支持下的設(shè)備故障預(yù)測與健康管理方法綜述[J].自動化儀表，2022，43（6）：1-7，12.

[5] 高瑞洋.基于機理—數(shù)據(jù)模型融合的高速列車軸箱軸承故障診斷研究[D].石家莊：石家莊鐵道大學(xué)，2024.

[6] 石雙平.滾動軸承故障診斷機理研究[J].機械設(shè)計與制造，2014（10）：236-239.

[7] 曹仕駿，鄭近德，潘海洋，等.基于改進自適應(yīng)經(jīng)驗傅里葉分解的滾動軸承故障診斷方法[J]. 振動與沖擊，2022，41（15）：287-299.

[8] ROHANI BASTAMI A，VAHID S.Estimating the size of natu?rally generated defects in the outer ring and roller of a taperedroller bearing based on autoregressive model combined with en?velope analysis and discrete wavelet transform[J].Measurement，2020（159）：107767.

[9] HUANG N E，SHEN Z，LONG S R，et al.The empirical mode de?composition and the Hilbert spectrum for nonlinear and nonstationarytime series analysis[J].Proceedings of the Royal Soci?ety of London Series A：Mathematical，Physical and EngineeringSciences，1998，454（1971）：903-995.

[10] 王瑞辰，趙京.基于EEMD的聲振信號特征融合軸承故障診斷[J].自動化應(yīng)用，2024（19）：13-17.

[11] WANG Y X，MARKERT R，XIANG J W，et al.Research onvariational mode decomposition and its application in detect?ing rub-impact fault of the rotor system[J].Mechanical Sys?tems and Signal Processing，2015（60）：243-251.

[12] 劉亞兵，杜宇.基于頻譜幅度調(diào)制的礦用刮板輸送機軸承故障診斷方法[J].工礦自動化，2024，50（S1）：126-129，186.

[13] YU J，DING B，HE Y J.Rolling bearing fault diagnosis basedon mean multigranulation decision-theoretic rough set andnon-naive Bayesian classifier[J]. Journal of Mechanical Sci?ence and Technology，2018，32（11）：5201-5211.

[14] SINGHAL A. Introducing the Knowledge Graph： things， notstrings[EB/OL]. （2012-05-16）[2023-10-20]. https：//blog.google/products/search/introducing-knowledge-graph-things-not.

[15] BOLLACKER K，EVANS C，PARITOSH P，et al.Freebase：a col?laboratively created graph database for structuring humanknowledge[C]//Proceedings of the 2008 ACM SIGMOD inter?national conference on Management of data. VancouverCanada.ACM，2008：1247-1250.

[16] LI Z B，LI Y Y，SUN Q C，et al.Bearing fault diagnosis methodbased on convolutional neural network and knowledge graph[J].Entropy，2022，24（11）：1589.

【通聯(lián)編輯：唐一東】