高金吉院士团队新突破：LW-CNN算法让旋转机械同频振动故障诊断更高效、更精准！CJME论文推荐以旋转振动成分为主的同频振动是旋转机械中最常见的振动缺陷形式。据统计数据显示，共频振动约占旋转设备振动故障的70%。当出现严重的振动缺陷，并且测得振动信号以同频成分为主时，通常会在现场进行平衡，或将转子送至工厂进行多次动平衡。如果不确定振动缺陷的根本来源，则在重新组装后无法根除振动故障，这不仅浪费了生产时间，而且效率也很低。此外，不正确的装配可能会引入新的缺陷，这进一步加剧了问题。随着智能设备的发展，设备的自我诊断已经成为一种必然。自我恢复的调节系统，如主动平衡和自动平衡算法以及抑制和定位过度振动的轴心对齐算法，需要实时的故障诊断。

　　因此，本文提出了轻量级卷积神经网络（LW-CNN）算法来实现实时故障诊断的目的。对于滑动窗口数据增强方法，讨论了重要的参数并通过模拟和实验信号进行了验证。在LW-CNN和数据增强的基础上，实现了同频的实时智能诊断。此外，针对从数据采集到故障诊断的过程，提出了一种故障诊断算法的实时检测方法。通过实验验证了LW-CNN和滑动窗口法的使用具有较高的精度和实时性能。

　　同频振动故障是旋转设备运行中的常见故障之一，实现同频振动故障的实时诊断，对于监测设备的健康状态，进行设备的振动抑制具有重要意义。在工程场景中，同频振动故障旋转频率突出，难以识别，现有智能方法对硬件条件要求较高，耗时长等问题。

　　本实验验证主要通过转子实验台验证。实验台由电机驱动，电机转速由电机驱动器调节，转速范围为0~5000rpm，实际实验台转子的一阶临界转速为2700rpm左右。转子两端用滑动轴承做支撑，各种故障在实验台上模拟。传感器布置在轴承位置，并且电涡流传感器在轴承位置上互相垂直安装。实验数据通过数采器（BH7000）记录。其中不对中故障模拟方式采用和千分尺相同的思路即手柄旋进的方式来调整不对中量；不平衡故障是将固定质量的配重块加在配重盘的0相位点；松动故障是将后端轴承支座一侧的螺丝松动。

　　实际故障往往不会单一出现，且相同的故障类型也有不同的故障原因，更多的现场是某种故障占主导与其他故障并存。考虑至此，各实验应做如下安排：在实验开始前，做完实验台的动平衡实验、对中实验后，实验台在实验转速下的振动值在可接受范围内，采集此时数据做为对照组实验数据；做完每种故障模拟试验后，不再重复做实验台的动平衡和对中实验，而是将去除该故障后继续做下一个故障。在这样的操作下每种主要故障下都有含有不止一种次要故障。

　　实验中对同频故障的模拟，首先可以综合时域图和频谱图可知，实验中的四种故障实际中区别并不大，在频谱图中高幅值频率基本都集中在工频和2倍频，相同故障下不同测点以及不同故障下的同一测点下的振动幅值变化基本属于无规律变化。因为实际转子的振动特性为非线性，因此将采集到的不同故障类型的振动信号使用t-sne方法降维到2维空间，可以明显看出原始的振动信号在不同测点下各种故障都有一定区分度，但是互相融合、嵌套，并不容易做出诊断。

　　对采用数据滑窗方法中不同移动步幅产生的数据，随机采集多组不同故障数据增强后的样本自相关计算和互相关曲线。发现不同步幅产生的样本自相关系数稳定，基本在0.6及以上，而互相关系数基本在0.5及以下，这表明数据滑窗方法产生的样本既保持了相同故障数据的一致性，又保留了不同故障数据之间的差异性。

　　本文提出的LW-CNN，经过实验验证在CPU和GPU上均能达到实时诊断要求，并且在模拟转子上的实验诊断精度在90%以上。

　　为解决同频振动信号特征不明显、诊断困难的问题，本文提出了一种基于LW-CNN的实时故障提取方法。通过实验验证的结论如下：

　　(1）针对转子故障中最常见的三种共频故障：不平衡、不对中和松动，提出了完整的故障诊断流程，并对其中的数据增强部分提出了相关系数，定量评估数据增强前后的相关性；

　　(2）利用CNN和SVM做不同数据量的故障诊断，发现CNN的分类性能优于SVM，其中LW-CNN的平均分类精度在95%以上，使用LW-CNN还可以减少训练参数，加快训练速度；

　　(3）采用实测故障诊断时间法对基于LW-CNN的实时故障诊断方法的诊断时间进行了测试，结果显示在高性能GPU上为0.01s，在CPU上为0.05s，均能满足实时性要求。

　　这是首次尝试提出故障诊断实时性测算方法，利用数据驱动的方法来做转子同频故障的实时诊断，并对诊断实时性条件做了说明。

　　本文提出轻量型卷积神经网络（LW-CNN）以探索典型同频故障实时诊断方法。随着计算机算力的发展和大模型的训练方法的成熟，以ChatGPT系列为代表的具有强大的多模态处理能力、泛化能力、模型效率和自适应学习能力已经在AI应用领域带来巨大变革。对于智能故障诊断领域的影响可以预见的是在多工况间甚至多设备间的模型设计方法、多类型数据的模型训练方法、大数据的预处理方法等方面。因此，本文方法为故障诊断领域中更智能算法的设计和应用做了良好的技术储备。

　　高金吉，教授、博士生导师，中国工程院院士。设备诊断与自愈工程专家、科技部973和国家973项目首席科学家、中国工业互联网研究院技术专家委员会主任、高端压缩机及系统技术全国重点实验室学术委员会主任委员、亚太人工智能学会会士。主持承担国家重点基础研究发展计划（973计划）、国家重点研发计划项目、国家自然科学基金重点项目、国家“十一五”科技支撑项目、国家863项目、中国工程院咨询项目等多项国家级重点科研项目。带领团队自主研发基于工业互联网的数据采集系统和故障诊断专家系统，对100多家企业五千余台关键机组实时监测诊断，避免上百起重大事故。近年来带领团队在动力机械健康监控和装备自愈等领域取得若干科技成果，发表论文百余篇，出版《Artificial Self-recovery and Autonomous Health of Machine》、《机器故障诊治与自愈化》等中英文著作3部。2003年在国际学术界首次提出“装备故障自愈工程”的学术理念，被世界工程资产管理大会(WCEAM)聘为国际筹划指导委员会委员。2016年国际监测诊断与维修管理（COMADEM）学术会主席，2016年7月国际工程资产管理协会（ISEAM）授予年度唯一的“世界工程资产管理先进领域终身成就奖”荣誉称号。

　　潘鑫（本文第一作者），教授，工学博士，北京市优秀人才，现任北京化工大学高端压缩机及系统技术全国重点实验室故障自愈调控中心主任、化工安全教育部工程研究中心副主任。多次获评北京化工大学校级实验教学名师、优秀青年主讲教师、十佳教师、优秀班主任等荣誉称号，兼任中国振动工程学会故障诊断专委会理事、转子动力学专委会理事、机械工程学报客座编辑等职务。主要研究方向为智能机床主轴、航空发动机、汽轮发电机等高端机械装备的故障诊断及振动仿生自愈调控技术。主持国家自然科学基金面上项目、国家基础研究类项目、北京市自然基金面上项目、北京市优秀人才项目等纵向课题7项，参研国家自然科学基金项目、973项目、教育部预研项目等项目10余项，发表中英文高质量论文20余篇，授权国际发明专利3项、国内发明专利8项。作为第一完先后获评上银优秀机械博士论文奖、国际发明展金奖、中国发明协会发明创新一等奖、中国技术市场协会金桥奖等行业奖励。

　　团队长期从事机械故障机理、状态监测诊断与振动自愈调控技术的研究开发应用,自主研发了基于大数据分析的振动故障诊断系统，建立了远程监测诊断中心，能对动力机械故障进行有效预警和健康管理，应用成效显著，该成果已对100多家企业5000余台关键机组实时监测诊断爱游戏，有效排除1000余起振动故障，避免数十起重大事故。主要试验装备有申克动平衡机、往复压缩机、离心压缩机、柴油机、航空发动机轴承故障模拟试验台、高端装备自动平衡试验台及远程监测诊断中心等。

　　[2] 潘鑫,谢震,吴海琦,冯坤,江志农,高金吉.高速不平衡振动压液式轴内装自愈调控系统[J]. 机械工程学报, 2021, 57(24):184-191.

　　JME学院是由《机械工程学报》编辑部2018年创建，以关注、陪伴青年学者成长为宗旨，努力探索学术传播服务新模式。首任院长是中国机械工程学会监事会监事长、《机械工程学报》中英文两刊主编宋天虎。