李聪波 王 睿 张 友 蒋立君 孙 皓

1.重庆大学机械传动国家重点实验室，重庆，4000442.重庆通用工业(集团)有限责任公司，重庆，401336

0 引言

离心鼓风机作为典型的旋转流体机械，是能源、环境等领域不可或缺的关键设备[1]。离心鼓风机结构复杂、子系统繁多，加之运行在高温、高粉尘等恶劣环境下，极易出现设备劣化现象，导致设备故障停机，造成严重损失。使用多种传感器对设备运行过程进行监控，从监测数据中挖掘隐藏的设备健康信息，实现离心鼓风机故障的准确预警，从而及时安排维修以避免设备故障发生，具有重要的学术价值和现实意义。由于故障样本不够丰富、故障数据缺乏等原因，设备故障预警模型通常使用设备正常运行时的监测数据建立，使用多项式回归[2]、状态估计[3]、高斯混合模型[4]、证据K最邻近[5](evidential K-nearest neighbor，EKNN)、主成分分析[6]等方法建立正常运行状态监测数据的估计模型，然后基于模型估计值和实际观测值提出故障预警指标计算方法，最后通过数理统计方法或人工经验等为预警指标设定阈值。在实际预警中，将实时监测数据输入模型得到估计值，然后计算出预警指标并判断是否超过预警阈值，当超过时，表示设备偏离正常状态，需要及时发出预警信息。

以上预警方法难以处理海量高维数据，而自编码(autoencoder，AE)模型擅长从海量数据中挖掘有效信息，越来越多的学者将其用于故障预警中。CHEN等[7]用风力发电机正常运行数据训练多层级加噪自编码网络，将网络输入向量和输出向量之间的马氏距离作为故障预警指标并确定预警阈值，实现风力发电机故障预警。……