机床与液压

作者：周乐，孙文磊，栗鑫豪，黄也轩，李龙，陈国勇，张家亮，王晓峰

单位：新疆大学机械工程学院；新疆大学机械工程学院；新疆大学机械工程学院；新疆大学机械工程学院；新疆风能有限责任公司；新疆风能有限责任公司；新疆风能有限责任公司；新疆风能有限责任公司

关键词：风电主轴轴承;振动特征;SFOA算法;XGBoost模型;故障预警

基金：国家工信部重点项目（TC2120A02E）；自治区重点研发项目（2022B01049）；中央引导地方科技发展项目（ZYYD2025JD07）

针对风电主轴轴承早期故障识别困难、误报率较高的问题，提出一种融合振动特征与机器学习的故障预警方法。通过SCADA系统采集主轴轴承运行过程中的多通道振动信号，运用小波包变换及阈值去噪技术提取时域、频域及时频域多维特征。基于XGBoost构建分类模型，并引入海星优化算法(SFOA)对其超参数进行自适应调整，以提升模型的识别能力与收敛效率。以某风电场2 MW机组实测数据构建实验数据集，开展多类型故障分类识别验证。结果表明：该方法在多工况下准确率可达95%，AUC值为0.96，其性能全面优于WOA-XGBoost、PSO-SVM及CNN-LSTM等模型；消融实验证实SFOA有效提升了模型精度和收敛速度；在跨机组泛化性测试中，模型在非试验机组中仍保持良好分类性能，显示出较强的鲁棒性与工程适应性。融合SFOA优化的XGBoost方法能显著提升风电主轴轴承早期故障的识别精度与可靠性，误报率可控制在5.5%以下。

来源：2026年第6期

《机床与液压》期刊编辑部

查看机床与液压杂志2026年第6期