旋转机器不平衡故障诊断

### 关于旋转机械不平衡故障诊断的方法

#### 基于物理模型的方法
利用力学原理建立机械设备的动力学方程，通过分析转子系统的运动特性来识别是否存在质量偏心等问题所引起的不平衡状况。这种方法依赖于精确的建模以及对系统参数的理解，能够提供较为直观的结果解释。

#### 基于信号处理的技术
采用频谱分析、倒谱变换等手段处理由传感器采集到的时间序列数据，从中提取特征频率及其谐波成分，进而判断是否有明显的不平衡现象存在。例如，在正常运转条件下，如果检测到了显著高于其他位置振幅水平的工频分量，则可能是由于转轴上的某个部位出现了额外的质量分布不均所致[^2]。

#### 数据驱动型策略
借助机器学习算法构建预测模型，通过对大量历史案例的学习训练得到可以区分健康状态与各种典型缺陷模式之间差异的能力。当新样本输入时便能快速给出评估结论并指出最有可能对应的类别标签；同时还可以进一步挖掘潜在规律用于指导预防性维修计划制定等工作实践当中去。对于不平衡问题而言，可以从CWRU轴承数据库中获取有关不同类型损伤情况下的振动响应记录作为训练集的一部分来进行针对性研究[^1]。

import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier

# 假设X为特征矩阵,Y为目标向量,这里仅做示意
X = np.random.rand(1000, 5)  
Y = np.random.randint(0, 2, size=(1000))  

# 划分训练集测试集
X_train, X_test, y_train, y_test = train_test_split(X, Y)

clf = RandomForestClassifier()
clf.fit(X_train,y_train)
print("Model accuracy:", clf.score(X_test, y_test))