基于关联及多阶拟合的螺杆泵故障诊断

螺杆泵在不同中心频率下的振动加速度偏离正常范围会导致螺杆泵产生异常振动，因此，螺杆泵在出厂前需要设置不同测点检测其振动加速度。为此，本文基于螺杆泵在正常工作下不同测点的振动加速度应用Apriori算法得到螺杆泵不同测点间振动加速度并无显著性差异且呈强正相关的结论；然后应用多阶拟合法建立螺杆泵中心频率和振动加速度的函数关系式，以正常运行参数所对应的系数向量作为模板，计算出待诊断设备的测点运行参数所构造的系数向量与模板之间的系数距离，并应用统计方法设计适当的阈值与之作比较，当且仅当系数距离大于阈值时，将待诊断样本判定为故障。经实际应用，本文方法能够及时发现螺杆泵的异常振动，从而达到故障诊断的目的。

螺杆泵作为一种排水及动力装置，因其具有平衡性好、启动时间短和振动噪声小等优点，常常作为辅机，装备在船舶、航母及潜艇等大型军事设备中。因此，螺杆泵能正常、安全、高效地运行不仅关系到泵器件本身，更关乎舰船的运行安全[1]。不仅如此，诸如潜艇此类军事设备，为了保证作战时的隐蔽性，必须要求舰艇内部设备及机械装置的噪声、振动、声波严格控制在安全范围中。螺杆泵的异常振动会极大地影响舰艇的隐蔽性，从而对整个舰艇和舰艇上的人员的安全造成威胁。因此，维持螺杆泵的正常运行，检测螺杆泵存在的异常振动具有实际意义，基于螺杆泵的振动指标对螺杆泵进行异常检测成为近些年的研究热点。

之前已经有许多学者提出了异常检测所存在的问题和解决方法。由于采集设备故障数据的成本较高且难度较大，因此大部分的实验数据都是在设备正常工作下检测得到的，Zaher 等人[2]将缺乏故障记录描述为早期故障检测的主要挑战，从而强调了正常行为建模的重要性。Shen Zhang 等人[3]提出了一种使用基于变分自动编码器(VAE)的深度生成模型进行轴承异常检测的半监督学习方法，当只有一小部分数据带有标签时， 该方法可以有效利用数据集。

Sreelekha Guggilam 等人[4]提供了一种流式聚类和异常检测算法，该算法在执行概率异常检测和聚类时不需要对异常分数或簇数有严格的阈值，这确保了群集的形成不会受到异常数据的存在的影响，从而能够更可靠地定义“正常与异常”行为。

针对上述背景， 本文基于螺杆泵在正常工作下的特征参数(不同中心频率下的振动加速度)， 深入研究螺杆泵的振动异常检测方法。首先根据企业方提供的螺杆泵运行数据应用K-Means 进行离散化处理，然后利用Apriori 算法深入挖掘正常工作下不同测点振动加速度间的潜在关系。并在此基础上，基于螺杆泵中心频率和振动加速度的函数关系应用多阶拟合法，求解多项式拟合系数，以正常运行参数所对应的系数向量作为模板，计算出待诊断设备的测点运行参数所构造的系数向量与模板之间的系数距离，根据最