1. 項目背景
目前，企業所使用的機電裝置正朝着大型化、自動化、智能化和內建化的方向發展，機電裝置内部不同部分、不同元件之間互相關聯，不同的機電裝置之間的聯系也十分緊密，這些裝置在企業的生産與運作過程中構成一個有機整體。一旦機電裝置的某個部分或者某個元件在運轉過程中出現故障或者失效，将引發整個機電裝置一系列的連鎖反應，影響到整個機電系統的正常運作，對企業造成一定的經濟損失，甚至導緻重大人員傷亡事故，造成深遠的社會危害。
在當今資訊化與網絡化的大形勢下，此項目可以對工業化與資訊化的結合起到很好的示範作用，對于企業未來的發展有着重要的意義。鑽機故障診斷平台可以可以實時遠端線上監測裝置運作狀态并提供故障資料分析。此項目利用遠端通信技術從裝置現場采集的資料通過無線傳輸系統存儲于雲伺服器，通過對資料的運算、分析，将最優的運作參數再回報于裝置進而達到裝置的高效運作及裝置運作的安全可靠。是以鑽機故障診斷項目保證了企業裝置的安全可靠，實作可持續發展，已成為行業内十分緊迫的任務。
2. 資料現狀
本項目采用傳感器采集鑽機振動信号，振動資料顯示如圖所示。
用代碼提取出所有的振動特征通道，友善之後使用。特征通道清單如下：
["AI0","AI1", "AI2","AI3", "AI4","AI5", "AI6","AI7", "AI8","AI9", "AI10","AI11", "AI12","AI13", "AI14","AI15", "AI16", "AI17","AI18", "AI19"]
3資料分布
對于特征數較多的資料集，采用subplot方式繪制各類圖是更好的選擇，本項目因為主要分析AI6到AI8故障資料，故選取AI6到AI8進行可視化展現，生成了多變量資料分布圖，其中藍色的是某特征訓練集的資料分布情況，右上角是通道。根據分布圖，可以判斷各個通道的資料分布是否一緻。
4特征工程
4.1 名額分析
時域特征名額主要分為含量綱名額和無量綱名額。通常含量綱名額有均值、方差、峭度、偏斜度、均方根、峰峰值、最大值、最小值，無量綱名額有波形名額、峰值名額、脈沖名額、裕度名額、偏斜度名額、峭度名額，選取鑽機振動信号進行對比分析。
4.2特征提取
傳統的振動信号分析和處理方法一般都是采用傅立葉分析，它是一個視窗函數固定不變的分析方法，無法反映信号的非平穩、持時短、時域和頻域局部化等特性。而小波分析是一種視窗面積固定但其形狀可改變，即時間和頻率窗都可改變的時頻局部化分析方法，由于它在分解的過程中隻對低頻信号再分解，對高頻信号不再實施分解，使得它的頻率分辨率随頻率升高而降低。
在這種情況下，小波包分解應運而生，它不僅對低頻部分進行分解，對高頻部分也實施了分解，而且小波包分解能根據信号特性和分析要求自适應地選擇相應頻帶與信号頻譜相比對，是一種比小波分解更為精細的分解方法。
下面以鑽機振動信号為例對其進行小波包分解，鑽機振動原始信号如圖所示。
4.3 能量頻帶分析
對其采用db3小波進行3層小波包分解，提取小波包分解後頻帶能量，頻帶能量如圖所示。
5故障預測模組化
SVM的全稱是Support Vector Machine，即支援向量機，主要用于解決模式識别領域中的資料分類問題，屬于有監督學習算法的一種。SVM要解決的問題可以用一個經典的二分類問題加以描述，在模式識别領域稱為線性可分問題，經過演進，現在也可以支援多元分類，同時經過擴充，也能應用于回歸問題。
SVM學習的基本想法是求解能夠正确劃分訓練資料集并且幾何間隔最大的分離超平面。如下圖所示，W·X+b=0即為分離超平面，對于線性可分的資料集來說，這樣的超平面有無窮多個（即感覺機），但是幾何間隔最大的分離超平面卻是唯一的。
将訓練集資料導入SVM故障識别器進行訓練，然後将測試集導入訓練好的模型，經過多次測試及對比，獲得了較高的準确度參數。
小結
通過對鑽機故障演化機理的分析和研究，結合時域特征名額和小波包分解基本原理，提取鑽機振動信号特征。在分别用小波包分解和時域特征名額提取鑽機故障的特征矩陣之後，用支援向量機構造變轉速齒輪故障分類器，将特征矩陣導入分類器中訓練測試，獲得了較高的準确度參數。