基于IF和SHAP的无监督机械故障检测和诊断方法

为实现标签数据不可用情况下对机械故障的早期准确检测和诊断,提出了基于孤立森林(Isolation forest,IF)模型和可解读人工智能工具Shapley加法解释(Shapley additive explanation,SHAP)的无监督旋转机械故障检测方法。提取出时域和频域中的振动特征。在故障检测阶段,以无监督方式基于IF模型检测到早期机械故障。在故障诊断中,使用SHAP对IF模型的预测结果进行解读,通过特征重要性排序得到故障成因,并根据特征与故障位置的对应关系执行故障分类或根因分析。在轴承故障数据集上的试验结果表明,所提方法能够准确及时地检测到早期机械故障的发生,并给出故障发生的原因和位置,所提方法可有效提高机械设备运行和维护的稳定性和自动化。