基于粒子群优化驱动的核化级联森林的船舶旋转机械故障诊断方法

《Journal of Marine Science and Engineering》：Fault Diagnosis Method for Marine Rotating Machinery Based on Particle Swarm Optimization-Driven Kernelized Cascade Forest

　　

针对噪声干扰与训练样本有限条件下船舶旋转机械故障模式判别精度不足的问题，研究人员提出了一种基于粒子群优化（Particle Swarm Optimization, PSO）驱动的核化级联森林（Kernelized Cascade Forest, KCForest）故障诊断方法。该方法在级联森林的分层结构中引入径向基函数（Radial Basis Function, RBF）核映射，并利用PSO对核函数关键参数进行全局优化。基于三相异步电机驱动的船舶风扇试验平台，提取频域特征作为模型输入，在分层训练过程中利用预测概率分布。实验结果表明，在无噪声环境及信噪比（Signal-to-Noise Ratio, SNR）20 dB高斯白噪声环境下，诊断测试准确率分别为98.05%与97.10%，性能下降仅0.95%；在小样本条件下仍保持稳定的识别精度，较基准方法表现出更优的小样本学习能力。与基于森林的基线方法相比，所提方法可降低噪声引起的性能退化，有效提升模型在噪声与小样本条件下的诊断性能，有望成为船舶旋转机械故障智能诊断的潜在解决方案。

研究背景方面，旋转机械作为动力与辅助系统的基础设备，其运行状态直接决定系统安全可靠运行。复杂工况下设备故障特征微弱且受噪声干扰，传统基于经验阈值与浅层统计特征的方法难以稳定识别故障；振动信号虽对机械故障敏感，但具有非线性、非平稳特性并叠加环境噪声，导致不同故障类别在特征空间高度重叠，给分类器带来非线性判别力不足、噪声鲁棒性与小样本学习能力欠缺两大挑战。随机森林（Random Forest, RF）缺乏多层次特征提取且在含错标数据时性能显著下降；级联森林（Cascade Forest, CForest）虽通过层间类别概率拼接增强表达，但在高噪声环境下层间误差概率不断放大，且本质上仍是在原始特征空间做决策树渐进划分，小样本时难以构建鲁棒决策边界。为此，研究人员开展核化级联森林改进研究，以船舶风扇为对象验证其在噪声与小样本下的诊断优势，论文发表于《Journal of Marine Science and Engineering》。

关键技术方法上，研究人员以三相异步电机驱动船舶风扇试验台采集正常、叶片不平衡、电机底座松动、风扇卡滞四类工况振动信号，磁吸传感器采样频率1652 Hz，每类50次试验每次2 s共4000组，按实验组层面划分训练集20%、验证集30%、测试集50%；对时域信号做快速傅里叶变换（Fast Fourier Transform, FFT）取正频率幅值谱并最小最大归一化；提出KCForest，在每层将原始FFT特征、上层森林输出的类别概率向量、以及样本至各类别中心RBF核相似度特征三者沿特征维拼接，RBF核宽度参数γ、核特征权重ω、类别中心加权系数α由PSO在SNR 20 dB下以验证集准确率为适应度全局寻优（粒子10个，惯性权重0.8线性降至0.4，认知与社会系数均1.5）；级联层含2个RF与2个完全随机树森林，层间采用验证集精度无提升则早停的自适应生长机制。

研究结果部分，第2节背景理论梳理了RF基于基尼指数（Gini index）的节点划分与CForest类别向量拼接机制及其噪声误差传播、原始空间线性划分受限两点缺陷。第3节KCForest模型理论中，3.1给出第l层输入x^(l)=[x⁽⁰⁾;p^(l-1)]的拼接形式与早停判据Δacc_val<ε；3.2将RBF核k(x,c_k)=ω·exp(-γ‖x-c_k‖²)嵌入层间，以训练集类别中心为锚点计算核特征再与原始特征及概率向量concat；3.3给出PSO优化核参、FFT特征提取、分层训练、早停终止、测试输出的完整流程。第4节故障仿真测试中，4.1介绍1.1 kW三相异步电机风扇台架与四类故障设置；4.2说明FFT幅值谱特征及组级数据划分避免数据泄漏；4.3详述PSO参数空间γ∈[0.5,8]、ω∈[0.5,4]、α∈[0.8,1.5]与SNR 20 dB噪声注入。第5节分类器性能比较中，5.1无噪声下KCForest测试准确率98.05%与RF持平且优于cForest的98.25%（验证集略低），SNR 20 dB时降至97.10%（仅降0.95%），而cForest降3.40%、RF降7.90%，GNB降超46%；5.2小样本下仅用10%训练样本（80例）时KCForest测试准确率90.25%，cForest仅76.15%，45%样本时达95.60%；5.3混淆矩阵与消融实验显示固定γ=1.0无PSO的Kernel CForest在噪声下准确率95.90%，证明RBF核映射与PSO参数自适应共同构成鲁棒性来源。

讨论与结论部分，研究人员指出KCForest通过PSO自适应优化RBF核参数，在级联结构中构造非线性特征映射，有效抑制高频噪声并保留局部结构，解决了CForest层间噪声累积与原始空间决策边界不稳问题；小样本下核化层间结构最大化类间间隔，突破深度模型数据稀缺过拟合瓶颈；时间开销（训练5.28 s、PSO 8.18 s、测试2.203 s无噪声，噪声测试3.813 s）满足工业实时监测需求。结论三条：其一，SNR 20 dB高斯白噪下准确率97.10%，较无噪仅降0.95%，克服CForest与RF噪声退化；其二，小样本加噪声下泛化优异，层间核化结构最大化类间裕度；其三，核矩阵与PSO引入的计算代价可接受，以较小成本换取精度与稳定性显著提升，为船舶旋转机械等复杂装备提供更具前景的智能诊断方案。研究局限在于仅单相固定工况、单点SNR 20 dB高斯白噪、四类状态实验室风扇台架，后续需纳入变转速变载荷多噪级实船数据验证。