引言
旋转机械是现代工业体系的核心动力设备，广泛应用于能源电力、轨道交通、航空航天和高端制造等领域，其健康状态直接影响生产连续性、设备寿命及人员财产安全，早期精准故障识别与实时状态预测是设备健康管理的关键任务[1]。现有诊断方法多依赖振动信号或电机电流信号分析。振动信号虽能反映机械动力学状态，但采集需接触式传感器，被电磁噪声与负载波动掩盖。相比之下，音频信号具备非接触采集、部署灵活、成本低和信息丰富等优势，尤其适用于振动传感器难以安装或电流特征不明显的场景[2]。工业现场的音频诊断面临显著挑战，强背景噪声干扰、变速变负载导致信号非平稳与多源耦合、多类别故障并存增加特征可分性难度[3]。单一域特征提取方法难以全面、鲁棒地表征故障特征[4]。多域特征融合可综合利用时域、频域和时频域特征，将时域统计特征、频域特征与梅尔频率倒谱系数(Mel-Frequency Cepstral Coefficients, MFCC)融合，构建判别力更强的高维特征空间，提升复杂信号表征能力[5-7]。高维特征虽信息丰富，但易出现冗余和维度灾难，增加模型复杂度并降低泛化能力[8-10]。
为此，本文引入极端梯度提升（XGBoost）算法，利用其非线性建模和特征重要性评估能力，结合Shapley值分析与特征热力图，精确量化特征贡献度与相关性，从而筛选出高贡献、低冗余特征子集，提升效率与可解释性。为验证方法性能，选取BJTU-RAO Bogie轴承故障数据集和渥太华大学电机故障数据集进行实验，两者涵盖转速变化、负载波动、多故障并存及强噪声等复杂工况。该方法在多工况、变转速、多故障条件下均取得优异精度与鲁棒性，显著优于传统方法，为工业现场旋转机械声学故障在线监测提供了可行方案。
本文详细内容请下载：
http://www.chinaaet.com/resource/share/2000007237
作者信息：
赵俊垒，郑秀华，赵作魏，张荣，陈亮宴
（国家能源集团国源电力有限公司内蒙古分公司，内蒙古 呼和浩特 010000）
