【高影响力论文】基于ARIMA和XGBoost的滚动轴承故障预测模型研究针对滚动轴承现有故障预测模型精度和准确率较低的问题，提出一种基于ARIMA时间序列预测和XGBoost分类算法的滚动轴承故障预测模型。首先，采用LMD联合FPA解决盲源欠定的问题；其次，使用KPCA选取敏感特征作为预测模型的输入，以提高轴承故障的分类精度；第三，通过Arima自回归模型预测轴承振动信号未来短期内变化情况，将预测结果输入XGBoost模型进行故障分类预测，实现滚动轴承故障识别，提高预测准确率；最后，通过美国凯斯西储大学使用的轴承数据集，进行实例验证江南体育官方APP下载，实验结果表明，该方法可以更准确地预测出轴承短期内振动信号变化并诊断出可能发生的故障，证明了该方法在滚动轴承信号含噪情况下，有效提取特征、识别故障和故障预警中具有可行性与可靠性。

　　在实际生产中，滚动轴承是大多数机械设备中应用最为广泛的一类零部件，起着不可替代的重要作用。由于滚动轴承长期处在恶劣的工作环境下，使得其成为现代工业中最易受损的元器件之一。比如在滚动轴承的大型发电机的故障中，轴承的故障率达到40%。一旦滚动轴承发生损坏，轻则导致机器等大型设备损坏、影响正常生产，重则造成严重的人员伤亡和财产的损失。为了及时发现滚动轴承故障类型并采取相应对策，要求提前获取轴承振动信号及轴承的数据，一般通过传感器等设备感知其状态；故障诊断和预测就是要分析这些数据从而评估出轴承的工作状态。滚动轴承提取信号的影响因素分为内部和外部两类，两类因素的综合作用会对需要提取的振动信号造成影响。因此，针对轴承故障诊断相关方面的研究对于零件、设备和生产过程等各个方面都有重大而深远的意义。

　　随着故障诊断方面技术的迅速发展，人们对其进行了大量的研究和改进，对于滚动轴承的故障诊断方面的研究逐渐由新兴问题演变为复杂问题。

　　傅里叶变换和小波变换、希尔伯特-黄变换、经验模态分解(empirical mode decomposition，EMD)、补充集合经验模态分解(complete ensemble empirical mode decomposition，CEEMD)和变分模态分解(variational mode decomposition，VMD)等信号处理的传统方法一般从传感器提取的原始信号中提取时域、频域和多域等有效故障特征；传统机器学习的方法在故障诊断方面也得到明显的应用并发挥其优势；上述方法仅仅在一定程度上、单方面地满足轴承故障对其准确度等的要求。马怀祥等从模型分类方面，提出卷积神经网络（CNN）和极端梯度提升（XGBoost）的滚动轴承故障诊断方法，用以提升模型预测准确度。Hu X等为了提高频谱精度，提出了基于LMD和频谱校正的滚动轴承故障诊断方法。而龚立雄等从特征提取方面入手，提出基于核函数主元分析的轴承故障分类方法，非线性分类对准确度提升有很大帮助。本文结合了前人多篇关于滚动轴承故障诊断方面的文献，在工业大数据和深度学习的背景下，提出一种基于局部均值分解(local mean decomposition，LMD)和固定点算法(fixed points algorithm江南体育官方APP下载，FPA)联合降噪、核主成分分析(kernal pricipal component，KPCA)和极端提升决策树算法(extreme gradient boosting江南体育官方APP下载，XGBoost)思想结合自回归积分滑动平均(autoregressive integrated moving average model，ARIMA)时间序列模型的轴承故障诊断方法。基于滚动轴承故障诊断降噪-提取特征-分类(故障识别)所使用的不同方法，本文构建了滚动轴承的故障诊断模型，并使用美国凯斯西储大学轴承数据集进行仿真验证。