贾歆莹

摘  要：针对汽车生产线电机设备中滚动轴承故障预测困难的问题，提出一种基于主成分分析法（PCA）降维和随机森林预测方法的故障预测模型。首先从原始数据中提取若干能够有效反应轴承退化趋势的数据特征量，利用PCA方法缩减特征量的维数，最后将降维后得到的主成分作为输入，输入到随机森林预测模型中进行预测分析。并且选取BP神经网络作为对比实验，通过多种评价指标将随机森林与BP神经网络进行对比，结果表明提出的故障预测模型具有更高的预测精度。

关键词：滚动轴承;故障预测;主成分分析;随机森林

中图分类号：TH133  文献标识码：A

引言

在汽车生产中，电机设备是汽车生产线运转的动力源泉。由于生产线复杂且恶劣的运行环境，电机常常处于高转速、高负荷的工作状态之下，极易引发各种故障。而一旦电机设备出现故障，生产线将被迫停止，这对于如今强竞争、高产量的汽车制造生产线来说，将导致巨大的经济损失。而导致电机发生故障的根本原因，往往是电机中的滚动轴承导致的。因此，对电机设备中的滚动轴承进行故障趋势预测[1-2]是非常有意义的，这样能够有效防止故障的发生。

1 特征提取与降维

在电机滚动轴承故障趋势预测中，由于工作条件通常都非常恶劣，轴承在运行过程中通常伴有强噪声等干扰因素。因此从轴承运行中提取的原始振动信号并不能有效的反映出轴承的健康状况，所以需要从原始信号中提取大量的时域、频域以及时频域的特征，这些特征往往能够反映轴承的运行状态。……