基于混合Wiener-Hammerstein集成模型的工业泵预测性维护研究

《IEEE Access》：Predictive Maintenance of Industrial Pumps in Manufacturing Systems Using Hybrid Wiener–Hammerstein Ensemble Model

为解决工业离心泵故障检测滞后导致的非计划停机及能耗上升问题，研究人员开展了基于混合Wiener-Hammerstein集成模型（HWE-PM）的预测性维护研究。该研究通过融合物理系统动力学与数据驱动学习，结合随机森林（RF）、XGBoost和k近邻（kNN）分类器集成学习，在模拟Crompton Greaves CG-IPM-15离心泵的多模态数据集上实现97.6%的分类准确率，为工业设备智能运维提供新范式。

　　

在制造业、发电厂和供水系统等工业场景中，离心泵如同血液循环系统中的心脏，持续为生产流程提供动力支持。然而在中小型工业企业中，泵体故障往往在出现明显性能劣化后才被发现，导致非计划停机时间延长、能耗激增及运行风险加剧。传统故障预测策略主要依赖单传感器振动分析或独立统计指标，当水力与电气耦合作用产生非线性行为时，其可靠性显著下降。这种"事后补救"式的维护模式，已成为工业智能化转型的瓶颈。

为突破这一困境，发表于《IEEE Access》的研究提出了一种混合Wiener-Hammerstein集成预测性维护方法（HWE-PM）。该方法的核心创新在于将物理系统动力学与数据驱动学习相融合，通过非线性-线性-Wiener-Hammerstein表征整合时频域信息，利用随机森林（RF）、XGBoost和k近邻（kNN）三类异构分类器构建集成学习框架。研究团队特别强调：早期故障不仅体现在传统信号特征中，更隐藏于表征正常运行状态偏离的结构化残差模式内。

关键技术方法包括：1）构建模拟Crompton Greaves CG-IPM-15三相离心泵运行特性的多模态数据集（含26个传感通道）；2）采用Wiener-Hammerstein模型组织时频域信息；3）通过交叉验证堆叠法整合RF、XGBoost、kNN基学习器的概率输出，以逻辑回归元学习器优化预测稳定性。

模型性能验证结果显示：

HWE-PM模型以97.6%的整体分类准确率显著优于所有基分类器，同时将误报率控制在2.3%的低水平。具体而言，RF基学习器对机械密封故障的敏感度达96.8%，XGBoost在轴承磨损早期识别中表现出98.2%的特异性，而kNN算法则有效捕捉到叶轮气蚀特有的高频共振模式。通过逻辑回归元学习器对三类算法输出的概率加权融合，模型在变工况运行环境下仍保持94.7%以上的召回率。

讨论部分指出，该研究的突破性意义体现在三个维度：方法论层面首次将Wiener-Hammerstein系统辨识与集成学习结合，解决了非线性工况下的特征提取难题；工程应用层面通过多传感器信息融合，将故障预警窗口提前至性能劣化前72小时；产业价值层面为工业4.0时代的预测性维护提供了可复用的技术框架。值得注意的是，模型在模拟轴向推力异常等复合故障时仍存在12.3%的误判率，这为后续研究指明了改进方向——引入深度残差网络（ResNet）增强对耦合故障的表征能力或成为下一步研究重点。