旋转机械故障诊断中基于分布特征建模的机器学习方法研究——从传感器数据分布到故障分类的工业特征工程实践

以旋转机械故障诊断为例进行说明

分布特征类别	具体操作与示例	物理意义（旋转机械场景）	应用场景与作用
1. 统计特征	计算分布的均值、方差、偏度、峰度	- 均值：振动信号的平均能量水平 - 峰度：判断振动信号中是否存在异常冲击（如轴承损伤）	区分平稳运行与突发故障
2. 分位数特征	提取分布的25%、50%（中位数）、75%分位数	- 中位数：振动幅度的典型值 - 75%分位数：高频异常振动的强度阈值	识别设备亚健康状态（如间歇性振动异常）
3. 分布形状特征	将数据分布与标准分布（如正态分布）对比，计算KL散度或拟合优度	- 若振动幅度的KL散度高，说明分布偏离正常状态，可能隐含故障模式	检测未知故障类型（如新型齿轮磨损模式）
4. 直方图分桶特征	将数据范围划分为若干区间（如每0.5m/s²为一档），统计各区间频率	- 高频振动集中在高能量区间 → 可能轴承外圈损伤 - 低能量区频率突增 → 传感器噪声或松动	定位故障的物理来源（如损伤部件）
5. 时间窗口分布	对滑动时间窗口内的数据计算分布特征（如每10秒窗口的方差）	- 窗口方差持续上升 → 预示设备渐进性磨损 - 窗口峰度突增 → 突发性冲击（如齿轮断齿）	动态监测设备状态变化趋势
6. 多传感器联合分布	分析不同传感器数据分布的联合特征（如振动与温度的协方差）	- 振动方差与温度呈正相关 → 可能润滑失效 - 振动峰度高但温度稳定 → 局部机械结构损伤	提高多故障并发场景的诊断准确性
7. 残差分布	对原始信号拟合基线模型（如移动平均），分析残差分布特征	- 残差分布的偏度左偏 → 存在未被基线模型捕捉的低频异常 - 残差峰度高 → 高频噪声干扰	分离背景噪声与真实故障信号

轴承故障诊断中的分布特征

故障类型	振动信号分布特征	可提取的机器学习特征
正常轴承	振动幅度接近正态分布，峰度低（无异常冲击）	均值=0.5m/s²，峰度=2.1，75%分位数=0.8m/s²
外圈损伤	分布右偏（高频冲击增多），峰度高	偏度=1.8，峰度=6.5，90%分位数=2.3m/s²
润滑不良	分布扁平化（方差增大），与温度分布协方差升高	方差=0.4，振动-温度协方差=0.7，KL散度（vs正常）=0.9

知乎学术咨询（哥廷根数学学派）：

担任《Mechanical System and Signal Processing》《中国电机工程学报》等期刊审稿专家，擅长领域：信号滤波/降噪，机器学习/深度学习，时间序列预分析/预测，设备故障诊断/缺陷检测/异常检测。