深入浅出掌握风电机组高速轴轴承故障预警方法

故障预警也可以称为先兆检测，是一种非常有价值的手段，如果做得好，可以帮助我们在早期发现问题，及时应对，降低风险和运维成本。

上面的示意图来自参考文献[1]，它表达了故障预测的基本思路：

第一步：获取运行的数据，这里是高速轴承的振动测量数据；

第二步：特征提取和选择

参考文献 [1] 提到了应用一种称为 spectral Kurtosis-derived (SK) 的方法，这是一种改进的频域分析方法，它能够更有效地提取频域特征。

从工程的角度看，特征提取是非常重要的一个环节，对于轴承这种经典的部件有很多经典的方法，这里提到的 SK 分析是近期文献提及较多的一种。

第三步：训练一个回归模型

回归模型是根据提取出来的特征数据，随着时间的变化做回归训练，从而得到一个预测模型。文献[1] 提到了一种称为支持向量回归 (SVR) 的模型，它已经被提出了十几年了，非常实用，因为不需要大量的数据作训练就可以得到良好的效果。

所以，并不是什么场景下都要搞什么深度神经网络，大数据，有很多有效而又经典的数学工具可以用。

第四步：预测和评估

用上这个模型去预测设备的未来变化，并和设备实测的数据进行对比，从而根据对比的差距和预测结果进行早期故障征兆的判断。

以上是一个经典的轴承故障预警的方法过程。它的要点在于：

有效的测量数据，要有振动传感器的数据；

特征提取和选择，要有有效的算法和工程化考量；

适用的回归预测模型

它的难点在于：

测量环节是否有效实施：测量点的选择，传感器的选择等；

特征提取；

模型训练和调参；

预测结果如何反馈到决策回路中去发挥作用？

希望对大家有用，本文虽短，但写作花了好几天的时间。欢迎交流，赐教！

参考文献：Wind turbine high-speed shaft bearings health prognosis through a spectral Kurtosis-derived indices and SVR [1]

- https://doi.org/10.1016/j.apacoust.2017.01.005

这是一篇发表于国际学术期刊「应用声学」上的文章。

版权声明：微信公众号请按平台规则转载。微信平台以外的媒体，未经授权不得转载，已委托「维权骑士」全网维权。当然，读者朋友完全有权利转发本文到自己的朋友圈！

windfd.com - 每小时都有更新的行业资讯网站