1. 项目背景
当前，企业所使用的机电设备正朝着大型化、自动化、智能化和集成化的方向发展，机电设备内部不同部分、不同组件之间相互关联，不同的机电设备之间的联系也十分紧密，这些设备在企业的生产与运行过程中构成一个有机整体。一旦机电设备的某个部分或者某个元件在运转过程中出现故障或者失效，将引发整个机电设备一系列的连锁反应，影响到整个机电系统的正常运行，对企业造成一定的经济损失，甚至导致重大人员伤亡事故，造成深远的社会危害。
在当今信息化与网络化的大形势下，此项目可以对工业化与信息化的结合起到很好的示范作用，对于企业未来的发展有着重要的意义。钻机故障诊断平台可以可以实时远程在线监测设备运行状态并提供故障数据分析。此项目利用远程通信技术从设备现场采集的数据通过无线传输系统存储于云服务器，通过对数据的运算、分析，将最优的运行参数再反馈于设备从而达到设备的高效运行及设备运行的安全可靠。因此钻机故障诊断项目保证了企业设备的安全可靠，实现可持续发展，已成为行业内十分紧迫的任务。
2. 数据现状
本项目采用传感器采集钻机振动信号，振动数据显示如图所示。
用代码提取出所有的振动特征通道，方便之后使用。特征通道列表如下：
["AI0","AI1", "AI2","AI3", "AI4","AI5", "AI6","AI7", "AI8","AI9", "AI10","AI11", "AI12","AI13", "AI14","AI15", "AI16", "AI17","AI18", "AI19"]
3数据分布
对于特征数较多的数据集，采用subplot方式绘制各类图是更好的选择，本项目因为主要分析AI6到AI8故障数据，故选取AI6到AI8进行可视化展现，生成了多变量数据分布图，其中蓝色的是某特征训练集的数据分布情况，右上角是通道。根据分布图，可以判断各个通道的数据分布是否一致。
4特征工程
4.1 指标分析
时域特征指标主要分为含量纲指标和无量纲指标。通常含量纲指标有均值、方差、峭度、偏斜度、均方根、峰峰值、最大值、最小值，无量纲指标有波形指标、峰值指标、脉冲指标、裕度指标、偏斜度指标、峭度指标，选取钻机振动信号进行对比分析。
4.2特征提取
传统的振动信号分析和处理方法一般都是采用傅立叶分析，它是一个窗口函数固定不变的分析方法，无法反映信号的非平稳、持时短、时域和频域局部化等特性。而小波分析是一种窗口面积固定但其形状可改变，即时间和频率窗都可改变的时频局部化分析方法，由于它在分解的过程中只对低频信号再分解，对高频信号不再实施分解，使得它的频率分辨率随频率升高而降低。
在这种情况下，小波包分解应运而生，它不仅对低频部分进行分解，对高频部分也实施了分解，而且小波包分解能根据信号特性和分析要求自适应地选择相应频带与信号频谱相匹配，是一种比小波分解更为精细的分解方法。
下面以钻机振动信号为例对其进行小波包分解，钻机振动原始信号如图所示。
4.3 能量频带分析
对其采用db3小波进行3层小波包分解，提取小波包分解后频带能量，频带能量如图所示。
5故障预测建模
SVM的全称是Support Vector Machine，即支持向量机，主要用于解决模式识别领域中的数据分类问题，属于有监督学习算法的一种。SVM要解决的问题可以用一个经典的二分类问题加以描述，在模式识别领域称为线性可分问题，经过演进，现在也可以支持多元分类，同时经过扩展，也能应用于回归问题。
SVM学习的基本想法是求解能够正确划分训练数据集并且几何间隔最大的分离超平面。如下图所示，W·X+b=0即为分离超平面，对于线性可分的数据集来说，这样的超平面有无穷多个（即感知机），但是几何间隔最大的分离超平面却是唯一的。
将训练集数据导入SVM故障识别器进行训练，然后将测试集导入训练好的模型，经过多次测试及对比，获得了较高的准确度参数。
小结
通过对钻机故障演化机理的分析和研究，结合时域特征指标和小波包分解基本原理，提取钻机振动信号特征。在分别用小波包分解和时域特征指标提取钻机故障的特征矩阵之后，用支持向量机构造变转速齿轮故障分类器，将特征矩阵导入分类器中训练测试，获得了较高的准确度参数。
