基于聲發(fā)射數(shù)據(jù)融合與特征提取的起重機(jī)故障診斷

陳洪良 李 楊 張一輝 許飛云

1江蘇省特種設(shè)備監(jiān)督檢驗(yàn)研究院南通分院 南通 226011 2東南大學(xué)機(jī)械工程學(xué)院 南京 211189

0 引言

起重機(jī)作為現(xiàn)代工程建筑中常見(jiàn)的機(jī)械設(shè)備，常工作于惡劣和復(fù)雜的運(yùn)行環(huán)境，其安全性和穩(wěn)定性受到嚴(yán)峻的考驗(yàn)[1]。起重機(jī)故障的產(chǎn)生不僅會(huì)增加停機(jī)時(shí)間導(dǎo)致生產(chǎn)損失，還會(huì)對(duì)操作人員的安全帶來(lái)極高的威脅。因此，為避免災(zāi)難性故障并減少生產(chǎn)力損失和停機(jī)時(shí)間，同時(shí)保證人身安全，構(gòu)建有效的起重機(jī)故障診斷和壽命預(yù)測(cè)模型是必不可少的。

故障診斷能夠確定早期故障的發(fā)生、故障的位置和故障的嚴(yán)重程度，通過(guò)這些方法可以防止機(jī)器的故障。故障診斷模型主要依賴于從狀態(tài)監(jiān)測(cè)數(shù)據(jù)中提取的故障特征，且預(yù)測(cè)模型預(yù)測(cè)機(jī)器的退化趨勢(shì)和機(jī)器的剩余使用壽命。數(shù)據(jù)驅(qū)動(dòng)模型需要狀態(tài)監(jiān)測(cè)數(shù)據(jù)來(lái)建立預(yù)測(cè)模型，從而描述缺陷進(jìn)展和實(shí)現(xiàn)剩余使用壽命預(yù)測(cè)[2]。這些模型獨(dú)立于物理退化過(guò)程，在精度和復(fù)雜性方面都有較好的表現(xiàn)。因此，從狀態(tài)監(jiān)測(cè)數(shù)據(jù)中提取最大可用信息作為故障特征，構(gòu)建高效的健康指標(biāo)是構(gòu)建故障診斷和數(shù)據(jù)驅(qū)動(dòng)預(yù)測(cè)模型的必要條件。近年來(lái)，隨著計(jì)算效率和樣本數(shù)據(jù)存儲(chǔ)的不斷提高，機(jī)器學(xué)習(xí)技術(shù)在故障診斷和預(yù)測(cè)中的應(yīng)用越來(lái)越廣泛。Choudhary等[3]使用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷，并與人工神經(jīng)網(wǎng)絡(luò)進(jìn)行了比較證明了其優(yōu)越性，其中支持向量機(jī)由于其泛化能力強(qiáng)而被用于故障的分類。長(zhǎng)短期記憶是分析時(shí)間序列數(shù)據(jù)的一種優(yōu)勢(shì)技術(shù)，其能夠處理時(shí)間序列數(shù)據(jù)中的長(zhǎng)期依賴關(guān)系。Ding等[4]應(yīng)用了基于長(zhǎng)短期記憶的故障預(yù)測(cè)方法，并利用模糊C均值技術(shù)尋找不同的退化階段，通過(guò)粒子群優(yōu)化算法調(diào)整長(zhǎng)短期記憶的超參數(shù)來(lái)預(yù)測(cè)設(shè)備的剩余使用壽命。

聲發(fā)射作為一種動(dòng)態(tài)的無(wú)損檢測(cè)技術(shù)，由于其明顯的優(yōu)勢(shì)而被廣泛應(yīng)用于機(jī)械系統(tǒng)的故障診斷中，通過(guò)提取聲發(fā)射信號(hào)特征能夠進(jìn)行故障的診斷和預(yù)測(cè)[5]。將從原始聲發(fā)射信號(hào)中提取的多種傳統(tǒng)特征融合為單一特征，可以提高故障診斷和預(yù)測(cè)的準(zhǔn)確性。從聲發(fā)射信號(hào)中提取的大量特征可能覆蓋了大量的信息，但特征中也可能隱藏了冗余信息，從而降低了算法的準(zhǔn)確性并增加了復(fù)雜性和計(jì)算時(shí)間。因此，通過(guò)消除冗余信息，從高維特征集中提取有用信息是至關(guān)重要的。降維技術(shù)通過(guò)消除冗余信息和噪聲，將高維特征集融合為顯著的低維特征，在機(jī)械故障診斷和預(yù)測(cè)中得到了廣泛的應(yīng)用。然而，利用數(shù)據(jù)融合技術(shù)直接融合高維特征集需要較多的時(shí)間，容易導(dǎo)致過(guò)擬合和維數(shù)問(wèn)題。因此，融合前對(duì)相關(guān)特征子集的選擇是降低融合復(fù)雜性和過(guò)擬合的關(guān)鍵。

研究人員使用不同的線性和非線性降維技術(shù)作為數(shù)據(jù)融合方法，通過(guò)融合高維特征集來(lái)提取重要特征。數(shù)據(jù)融合有利于初始故障檢測(cè)、不同故障類型的分類以及構(gòu)建壽命預(yù)測(cè)的健康指標(biāo)。主成分分析是一種常用的傳統(tǒng)線性降維技術(shù)，它表示數(shù)據(jù)中的最大方差。Zvokelj等[6]通過(guò)集成經(jīng)驗(yàn)?zāi)B(tài)分解和主成分分析來(lái)進(jìn)行故障診斷，開(kāi)發(fā)了故障診斷框架。Wang等[7]通過(guò)融合各種統(tǒng)計(jì)特征，使用主成分分析方法計(jì)算了一個(gè)健康指標(biāo)來(lái)建立一種新的壽命預(yù)測(cè)模型。此外，獨(dú)立分量分析可以有效地對(duì)數(shù)據(jù)進(jìn)行故障診斷和噪聲濾波。Li等[8]將壓縮感知和獨(dú)立分量分析相結(jié)合，從多源混合數(shù)據(jù)中提取故障特征來(lái)實(shí)現(xiàn)故障診斷。線性降維技術(shù)可以有效地分析線性數(shù)據(jù)集，但無(wú)法從非線性數(shù)據(jù)中提取非線性信息。目前，非線性降維技術(shù)已被用于分析實(shí)際工程中機(jī)械的健康狀態(tài)。局部線性嵌入是一種經(jīng)典的非線性降維技術(shù)，利用線性變換提取非線性信息。Shao等[9]使用局部線性嵌入方法推導(dǎo)出特征指數(shù)來(lái)量化設(shè)備退化趨勢(shì)。并以制定的指標(biāo)為輸入，構(gòu)建了一種基于深度信念網(wǎng)絡(luò)的優(yōu)化方法，用于設(shè)備的故障檢測(cè)和剩余使用壽命預(yù)測(cè)。

本文首先采集實(shí)際工程中起重機(jī)重要部件的故障聲發(fā)射信號(hào)，采用8種降維技術(shù)提取所采集的故障聲發(fā)射信號(hào)特征，并計(jì)算用于起重機(jī)剩余使用壽命預(yù)測(cè)的8個(gè)健康指標(biāo)。隨后，利用隨機(jī)森林方法從原始特征集中選取特征子集，并將選擇的特征子集通過(guò)降維技術(shù)進(jìn)行融合，提取二維故障特征來(lái)進(jìn)行單故障和復(fù)合故障分類。同時(shí)，采用多類支持向量機(jī)計(jì)算起重機(jī)故障的分類精度，通過(guò)8個(gè)健康指標(biāo)的單調(diào)性、預(yù)后性、趨勢(shì)性和信噪比4個(gè)屬性的加權(quán)來(lái)計(jì)算適應(yīng)度值，從而選擇最佳健康指標(biāo)。最后，利用選取的健康指標(biāo)構(gòu)建基于長(zhǎng)短期記憶的預(yù)測(cè)模型，對(duì)起重機(jī)進(jìn)行剩余使用壽命預(yù)測(cè)，所提方法流程如圖1所示。

圖1 故障診斷流程

1 聲發(fā)射特征提取基礎(chǔ)理論

1.1 信號(hào)處理

基于聲發(fā)射的狀態(tài)監(jiān)測(cè)方法主要用于故障診斷和預(yù)測(cè)。從聲發(fā)射信號(hào)中提取的特征包含機(jī)器部件的健康狀態(tài)信息，這對(duì)故障診斷和預(yù)測(cè)具有重要作用。特別的，將時(shí)域、頻域、時(shí)頻域的信號(hào)處理技術(shù)應(yīng)用于采集的聲發(fā)射數(shù)據(jù)中，提取出各種原始聲發(fā)射特征。時(shí)域分析是機(jī)械故障診斷早期最簡(jiǎn)單的方法，它提供了與時(shí)間有關(guān)的信號(hào)幅值信息，然而它忽略了信號(hào)中與頻率相關(guān)的信息。在頻域分析中，可以提取與頻率相關(guān)的部件缺陷信息，從而有利于起重機(jī)故障類別的識(shí)別，但頻域分析忽略了時(shí)間信息。因此，利用時(shí)頻域分析提取特征，在提取特征的同時(shí)獲取時(shí)間和頻率信息，在機(jī)械故障診斷和預(yù)測(cè)中更加有效。本文通過(guò)采集起重機(jī)重要部件的聲發(fā)射數(shù)據(jù)來(lái)實(shí)現(xiàn)狀態(tài)監(jiān)測(cè)，首先利用經(jīng)驗(yàn)?zāi)B(tài)分解（Empirical Mode Decomposition, EMD）對(duì)原始聲發(fā)射信號(hào)進(jìn)行濾波來(lái)消除噪聲，隨后通過(guò)連續(xù)小波變換和離散小波變換提取時(shí)頻域中的聲發(fā)射特征。

1.2 隨機(jī)森林

上文所述提取的高維特征集可能包含冗余特征，導(dǎo)致過(guò)擬合、復(fù)雜及計(jì)算時(shí)間長(zhǎng)。從初始特征集中選擇低維特征的最佳子集是消除這些問(wèn)題的關(guān)鍵。在此情況下，使用隨機(jī)森林方法來(lái)確定低維特征的最佳子集。隨機(jī)森林結(jié)合了多棵決策樹(shù)，每棵決策樹(shù)都作為分類器從輸入特征集中采樣，構(gòu)建一個(gè)特征子集[10]，其中每棵樹(shù)由3個(gè)節(jié)點(diǎn)組成，如根節(jié)點(diǎn)、葉節(jié)點(diǎn)和決策節(jié)點(diǎn)。在決策樹(shù)中，將根節(jié)點(diǎn)分解為決策節(jié)點(diǎn)，并將決策節(jié)點(diǎn)分支為葉節(jié)點(diǎn)。

隨機(jī)森林方法根據(jù)基尼指數(shù)或信息增益進(jìn)行分類，并根據(jù)回歸問(wèn)題的方差減少特征進(jìn)行排序?；嶂笖?shù)的計(jì)算公式為

式中：Pi為特定節(jié)點(diǎn)屬于類i的數(shù)據(jù)點(diǎn)的比例，C為類的總數(shù)。

首先對(duì)隨機(jī)森林進(jìn)行排序，選擇排名靠前的特征作為子集。然后確定子集的隨機(jī)森林模型精度，并與具有總特征的模型精度進(jìn)行比較。重復(fù)這個(gè)過(guò)程以選擇特征的最佳子集，使其成為具有最大精度的最小子集。

2 故障診斷和預(yù)測(cè)方法的設(shè)計(jì)

2.1 巴氏距離

巴氏距離（Bhattacharyya Distance, BD）是一個(gè)無(wú)量綱數(shù)，用于在分類問(wèn)題[11]中尋找2個(gè)概率分布之間的相似性和度量類之間的可分性。當(dāng)數(shù)據(jù)簇分離良好時(shí)，BD值較高，其可以應(yīng)用于具有不同標(biāo)準(zhǔn)差的樣本。BD值隨樣本標(biāo)準(zhǔn)差的增大而增大，還被用于特征提取、特征選擇和分類誤差計(jì)算。

式中：μi和Ci為第i類樣本的均值和協(xié)方差矩陣。

2.2 支持向量機(jī)

支持向量機(jī)（Support vector machine，SVM）是由Cores和Vapnik[12]開(kāi)發(fā)的一種監(jiān)督學(xué)習(xí)技術(shù)，它使用統(tǒng)計(jì)學(xué)習(xí)理論來(lái)分析數(shù)據(jù)進(jìn)行分類。SVM方法主要用于機(jī)械部件的故障檢測(cè)和分類，由于其泛化能力強(qiáng)，已經(jīng)取得了許多成功的結(jié)果。在SVM中，邊界線可以用線性函數(shù)ωTx+b表示，式中x為帶有分類標(biāo)簽-1和1的特征向量，ω為權(quán)重向量，b為分離超平面的位移。SVM的主要目標(biāo)是通過(guò)分離超直線，使類與類之間的距離最大化。其優(yōu)化問(wèn)題定義為

利用拉格朗日乘子法求解約束二次問(wèn)題，其對(duì)偶問(wèn)題表述為

式中：λi為拉格朗日乘子，K(xi，xj)為核函數(shù)。對(duì)于未知數(shù)據(jù)，SVM的解為

2.3 最佳運(yùn)行狀況指示器選擇

選擇適當(dāng)?shù)慕】抵笜?biāo)是建立有效的預(yù)測(cè)模型，實(shí)現(xiàn)準(zhǔn)確的起重機(jī)剩余壽命預(yù)測(cè)的關(guān)鍵。顯著的健康指標(biāo)應(yīng)具有4個(gè)特性，即單調(diào)性、預(yù)測(cè)性、趨勢(shì)性和信噪比。這4個(gè)屬性的加權(quán)和可以用來(lái)確定預(yù)測(cè)較好的健康指標(biāo)，從而進(jìn)行剩余壽命預(yù)測(cè)。這些參數(shù)的范圍為從0到1，0表示某一參數(shù)得分較低，即該參數(shù)不適合用于剩余壽命預(yù)測(cè)，而取值1表示該參數(shù)得分最高，更適合用于剩余壽命預(yù)測(cè)。

2.4 長(zhǎng)短期記憶

長(zhǎng)短期記憶（Long Short Term Memory，LSTM）是由Hochreiter和Schmidhuber[14]提出的，用來(lái)解決遞歸神經(jīng)網(wǎng)絡(luò)中無(wú)法處理時(shí)間序列數(shù)據(jù)中的長(zhǎng)期依賴的消失梯度問(wèn)題。LSTM技術(shù)利用了長(zhǎng)期依賴優(yōu)勢(shì)，是時(shí)間序列預(yù)測(cè)的有效工具。LSTM網(wǎng)絡(luò)主要包括3個(gè)門，即遺忘門、輸入門和輸出門。這3個(gè)門連接在一起決定哪些信息需要存儲(chǔ)或忘記。LSTM的關(guān)鍵部分是細(xì)胞狀態(tài)C，采用了sigmoid和tach函數(shù)來(lái)選擇信息。

一個(gè)輸入xt和先前的隱藏層輸出ht-1在時(shí)刻t被給予網(wǎng)絡(luò)。遺忘門首先決定哪些信息可以丟棄或保留，即過(guò)濾重要的歷史信息，且遺忘門的輸出計(jì)算為

式中：Uf和Vf為輸入權(quán)值，bf為遺忘門的偏置。

此外，輸入xt和ht-1通過(guò)輸入門來(lái)選擇將存儲(chǔ)在單元格狀態(tài)中的信息。輸入門將決定狀態(tài)的更新，中間細(xì)胞狀態(tài)使用tanh函數(shù)創(chuàng)建一個(gè)添加到細(xì)胞的新向量。輸入門和中間狀態(tài)單元給出的方程為

式中：(Ui，Vi)和bi分別為輸入門的權(quán)值和偏置，(Ug，Vg)和bg分別為輸入權(quán)值和中間細(xì)胞狀態(tài)的偏置。

新的細(xì)胞狀態(tài)Ct可以由遺忘門、輸入門和中間細(xì)胞狀態(tài)的輸出來(lái)更新。

其中“·”為點(diǎn)積。

LSTM網(wǎng)絡(luò)ht的輸出可以由輸出門Ot和tanh函數(shù)計(jì)算

式中：(Uo，Vo)和bo分別為輸出門的權(quán)值和偏置。

3 起重機(jī)故障聲發(fā)射數(shù)據(jù)采集

利用SAMOS聲發(fā)射采集系統(tǒng)實(shí)現(xiàn)實(shí)際工程中MQ1260-45型桁架式門座起重機(jī)的聲發(fā)射信號(hào)采集，此起重機(jī)已被投入使用超過(guò)30 a，使用過(guò)程中長(zhǎng)期承受疲勞載荷及環(huán)境腐蝕作用，其鋼結(jié)構(gòu)自身出現(xiàn)了多處的開(kāi)裂現(xiàn)象，如人字架兩側(cè)拉桿、臂架根部弦桿、轉(zhuǎn)臺(tái)大梁局部狹窄區(qū)域等。為了驗(yàn)證這些宏觀缺陷及潛在埋藏缺陷對(duì)整個(gè)起重機(jī)械結(jié)構(gòu)的穩(wěn)定性影響，采用聲發(fā)射檢測(cè)技術(shù)對(duì)其進(jìn)行1.25倍靜載荷下的鋼結(jié)構(gòu)安全性能檢驗(yàn)。因此，選用7個(gè)聲發(fā)射傳感器來(lái)采集起重機(jī)7個(gè)重要部件的故障聲發(fā)射信號(hào)，分別位于MQ1260—45門式起重機(jī)的旋轉(zhuǎn)柱、A —框架、吊貨臂、龍門腿、塔身、旋轉(zhuǎn)平臺(tái)梁以及配重。在實(shí)驗(yàn)中所有的聲發(fā)射采樣頻率為1 MHz；閾值為40 dB；采用長(zhǎng)度為1 k；前放增益為26 dB；預(yù)置觸發(fā)時(shí)間為128 μs；峰值定義時(shí)間為200 μs；撞擊定義時(shí)間為800 μs；撞擊鎖閉時(shí)間為1 000 μs；帶通濾波器范圍為20 ～400 kHz。起重機(jī)不同重要部件采集的原始聲發(fā)射時(shí)域波形如圖2所示。

圖2 起重機(jī)不同重要部件的原始聲發(fā)射信號(hào)

4 故障診斷結(jié)果分析

從7個(gè)重要部件采集的聲發(fā)射信號(hào)中每一種使用50個(gè)樣本點(diǎn)進(jìn)行驗(yàn)證。首先，用基于EMD的濾波器對(duì)原始聲發(fā)射信號(hào)進(jìn)行濾波[15]，去除數(shù)據(jù)中的隨機(jī)噪聲。然后采用基于隨機(jī)森林的特征選擇方法消除冗余特征。以二維特征為輸入，計(jì)算故障類間的雙相空間分布。其中BD值在2個(gè)故障集群之間計(jì)算，并將得到的BD值取平均值，來(lái)計(jì)算分離能力指標(biāo)。BD值越高，表示起重機(jī)故障分離越好。本文計(jì)算了8種方法的BD指數(shù)，其結(jié)果如表2所示。從表2可知，LDA法得到的BD值最高，t-SNE所得BD值次之。此外，將從降維技術(shù)中提取的二維特征輸入到多類SVM中，計(jì)算分類精度。支持向量機(jī)模型采用了3種類型的核，即線性核、多項(xiàng)式核和徑向基函數(shù)核。通過(guò)對(duì)多類SVM進(jìn)行訓(xùn)練和測(cè)試，以發(fā)現(xiàn)降維技術(shù)的故障分類準(zhǔn)確率，其結(jié)果如表3所示。從表3中可以看出，LDA方法對(duì)故障分類效果最好，3個(gè)核的SVM分類準(zhǔn)確率均為100%，BD值最高為52.2。PCA、CCA、ISOMAP、LE、DM、LTSA和t-SNE 7種方法的分類準(zhǔn)確率均為100%。因此，在選擇次優(yōu)方法時(shí)考慮BD值，t-SNE的BD值為45.9。為了比較該方法的有效性，分別使用KNN和樸素貝葉斯分類器對(duì)軸承故障進(jìn)行分類。將8種數(shù)據(jù)融合技術(shù)的二維故障特征輸入到KNN和樸素貝葉斯分類器中，結(jié)果如表3所示。LDA方法在2種分類器中準(zhǔn)確率最高為99.8%。與KNN和樸素貝葉斯方法相比，SVM具有更好的分類精度。

表2 所提方法和其他方法對(duì)單一缺陷的分離能力和分類精度

表3 所提方法與其他方法對(duì)復(fù)合缺陷的分離能力和分類精度

此外，利用數(shù)據(jù)融合技術(shù)對(duì)7個(gè)通道采集的聲發(fā)射信號(hào)特征進(jìn)行融合，提取二維故障特征。利用8種數(shù)據(jù)融合技術(shù)所得的二維故障如圖3所示。圖3所示的2D圖顯示了對(duì)8種故障的比較判別能力。隨后根據(jù)二維特征來(lái)計(jì)算8中數(shù)據(jù)融合技術(shù)的BD值，并將所得到的所有BD值取均值，來(lái)計(jì)算分離能力指標(biāo)，其結(jié)果如表4所示。在這種情況下，LDA技術(shù)的BD值最高為94.9，t-SNE方法的結(jié)果次之為92.2。將二維特征作為多類支持向量機(jī)的輸入來(lái)計(jì)算分類精度。對(duì)多類SVM進(jìn)行訓(xùn)練和測(cè)試，以發(fā)現(xiàn)降維技術(shù)的故障分類準(zhǔn)確率，結(jié)果如表4所示。從表中可以看出，LDA方法對(duì)故障分類效果最好，基于SVM的分類精度為100%，2個(gè)核（即：線性核和RBF核）的分類精度最高，其BD值為94.9。與KNN和樸素貝葉斯方法相比，SVM具有更好的分類精度。圖4a為融合72個(gè)聲發(fā)射特征得到的健康指標(biāo)，圖4b為融合15個(gè)聲發(fā)射特征得到的健康指標(biāo)。在圖4a中，健康狀態(tài)和失效階段由于過(guò)擬合而出現(xiàn)嚴(yán)重波動(dòng)。而圖4b中的健康指標(biāo)在健康狀態(tài)下是平滑的，在故障后期可以觀察到明顯的趨勢(shì)。

圖3 不同非線性降維方法的二維故障特征：PCA, CCA, LDA, ISOMAP, LE, DM, LTSA, t-SNE

圖4 基于融合的健康指標(biāo)

表4 采用不同數(shù)據(jù)融合方法所得到的屬性和適應(yīng)度值

采用8種數(shù)據(jù)融合技術(shù)所得的4個(gè)屬性值及其適應(yīng)度值如表4所示。從表中可以看出，PCA、ICA和LTSA具有相同的適應(yīng)度值，由此表明所計(jì)算的4個(gè)健康指標(biāo)對(duì)剩余壽命預(yù)測(cè)的有效性。隨后，通過(guò)計(jì)算均方根誤差（Root Mean Square Error，RMSE）和平均絕對(duì)誤差（Mean Absolute Error，MAE）來(lái)評(píng)估基于數(shù)據(jù)融合的LSTM方法的壽命預(yù)測(cè)性能，其結(jié)果如表5所示。由表5可知，基于LTSA的壽命預(yù)測(cè)結(jié)果最好，且RMSE和MAE值最小分別為4.05和3.49。為了進(jìn)一步驗(yàn)證本文所提出的基于LSTM預(yù)測(cè)方法的有效性，將結(jié)果與基于一維CNN方法進(jìn)行了比較。一維CNN算法中設(shè)置的超參數(shù)為：隱藏單元個(gè)數(shù)為100，初始學(xué)習(xí)率為0.01，最大神經(jīng)元個(gè)數(shù)設(shè)為100。同時(shí)，分別用原始數(shù)據(jù)的70%和30%來(lái)訓(xùn)練和測(cè)試數(shù)據(jù)，并選擇RMSE和MAE來(lái)比較2種預(yù)測(cè)方法，比較結(jié)果如圖5所示。

圖5 基于LSTM的起重機(jī)剩余壽命預(yù)測(cè)結(jié)果

表5 采用所提方法和其他對(duì)比方法所得到的剩余壽命預(yù)測(cè)結(jié)果

5 結(jié)論

本文提出了一種基于數(shù)據(jù)融合的起重機(jī)故障診斷與預(yù)測(cè)的整體框架。采用8種數(shù)據(jù)融合方法對(duì)起重機(jī)重要部件的故障進(jìn)行了有效的特征提取，實(shí)現(xiàn)了起重機(jī)故障的分類和剩余使用壽命預(yù)測(cè)。通過(guò)與8種降維方法的比較，確定了最佳健康指標(biāo)和二維故障特征。此外，采用8種降維方法對(duì)所選特征進(jìn)行融合，提取出明顯的低維特征，并將每種方法的高方差第一維特征作為預(yù)測(cè)健康指標(biāo)，且將前二維特征用于故障分類。同時(shí)，計(jì)算了故障聚類之間的BD值，利用SVM方法對(duì)不同故障類型進(jìn)行分類。最后，通過(guò)計(jì)算8種降維方法的適應(yīng)度值，篩選出最優(yōu)的降維方法。從適應(yīng)度值結(jié)果可以看出，LTSA和LLE是構(gòu)建起重機(jī)預(yù)測(cè)模型的重要健康指標(biāo)的最佳技術(shù)。結(jié)果表明基于LSTM的起重機(jī)壽命預(yù)測(cè)結(jié)果與基于LLE的健康指標(biāo)相結(jié)合，能夠提供準(zhǔn)確的剩余壽命預(yù)測(cè)結(jié)果，從與CNN方法的對(duì)比中可以看出，LSTM方法給出了精確的結(jié)果。本文所提方法提供了基于數(shù)據(jù)融合的特征提取方法，提高了起重機(jī)故障診斷和預(yù)測(cè)的準(zhǔn)確性。為選擇最佳的數(shù)據(jù)融合技術(shù)提取二維故障特征和健康指標(biāo)提供了一個(gè)框架。在現(xiàn)實(shí)工業(yè)應(yīng)用中，本文所提的基于數(shù)據(jù)融合的特征提取可以提高起重機(jī)機(jī)械部件的故障診斷和預(yù)測(cè)精度。