基于振动信号有序聚类的AGV驱动系统健康评估
 
摘要：自动导引车驱动系统的健康状态评估长期面临一个方法层面的困境：有监督方法依赖故障标签，而无监督聚类方法又忽略了振动信号固有的时序递进特性。本文提出一种基于有序聚类算法的AGV驱动系统健康评估方法，其核心设计是承认振动信号退化过程的时间有序性，将Fisher最优分割算法引入健康指数序列的分割与分级。方法包含两个阶段：第一阶段从振动信号中提取时域和频域多维特征，经主成分融合构建健康指数序列；第二阶段对健康指数序列施以有序聚类，自动确定健康等级的划分边界。在AGV驱动电机加速试验数据上的验证表明，该方法将健康状态诊断准确率提升至平均99.7%，健康与不健康二分类准确率达100%，健康指数预测的均方根误差约为0.053。文章还讨论了聚类数确定、特征选择敏感性和在线部署三个工程化环节的关键问题。
 
关键词：AGV驱动系统；健康评估；振动信号；有序聚类；健康指数
 
 
 一、引言
 
自动导引车（AGV）在智能制造和仓储物流中的角色已经从“辅助搬运工具”升级为“产线柔性连接的核心节点”。这种角色升级意味着，AGV的意外停机不再只是单台设备的故障，而可能引发整条产线的连锁中断。据统计，AGV驱动系统故障在整车故障中占据相当比例，其中电机轴承磨损、齿轮啮合异常和驱动器退化是三类最常见的失效模式。从“大众科技”领域对车辆传动系统振动问题的研究来看，驱动系统的早期退化往往首先在振动信号中留下痕迹，而此时的性能退化尚未显著影响AGV的运行速度或定位精度。
 
然而，从振动信号到可操作的健康评估结论之间，存在一个方法层面的结构性困难。有监督的健康评估方法需要为不同退化阶段标注标签，但AGV驱动系统的退化是一个连续渐变过程，“健康”与“亚健康”之间的边界本质上是模糊的。无监督聚类方法虽然不需要标签，但传统聚类算法（如K-means、模糊C均值）将样本视为无序集合，忽略了振动信号退化过程的时间有序性——驱动系统的退化不可能从“严重”跳回“良好”，各退化阶段之间存在严格的时序递进关系。
 
有序聚类算法正是针对这一问题设计的。其基本假设是：样本之间存在自然的顺序关系，聚类的目标是将有序序列分割为若干个连续的段落，使段内样本尽可能相似、段间样本尽可能相异。这一特性与AGV驱动系统退化过程的时序递进特征高度吻合。本文的核心思路是：先通过多特征融合构建一个反映退化程度的健康指数序列，再用有序聚类算法对该序列进行分段，从而自动获得健康等级的划分边界。
 
本文的主要工作包括：第一，分析AGV驱动系统振动信号的特征与退化表征方法；第二，提出基于有序聚类的健康指数分段与评估流程；第三，在AGV驱动电机加速试验数据上验证方法效果，并讨论工程部署中的关键问题。
 
 
 二、AGV驱动系统振动信号特征与健康评估难点
 
 （一）驱动系统的典型故障与振动表征
 
AGV驱动系统通常由驱动电机、减速器和驱动轮三部分组成。驱动电机以永磁同步电机或直流无刷电机为主，减速器多采用行星齿轮减速结构，驱动轮则包括轮毂和轮胎。这三部分的失效模式各有不同的振动表征。
 
电机轴承磨损是AGV驱动系统最常见的故障类型。轴承滚道或滚动体的磨损会在振动信号的包络谱中产生特征频率成分，其频率与轴承几何参数和转速相关。齿轮啮合异常则表现为啮合频率及其谐波成分的幅值增大，严重时还会出现边频带调制现象。轮胎磨损或不均匀的振动特征表现为与轮转频率相关的低频周期性冲击。
 
需要特别指出的是，AGV驱动系统的振动信号与固定式旋转机械存在一个重要差异：AGV在运行中频繁启停和变速，振动信号的转速相关特征随之变化。这意味着，直接进行频域分析可能因为转速波动而导致频率模糊。有研究通过Z-score归一化和短时傅里叶变换生成时频图来增强故障特征的表达能力，在六类典型故障诊断中达到了94.2%的准确率。这一策略的思路是将时变转速的影响通过归一化处理消除，保留故障特征的本质结构。
 
 （二）从振动信号到健康评估的关键转化
 
振动信号本身是一组原始的时间序列数据，将其转化为可操作的健康评估结论，需要经历三个关键步骤。
 
特征提取是从原始振动信号中计算能够反映健康状态的量化指标。常用的特征分为时域特征和频域特征两类。时域特征包括均方根值、峰值因子、峭度等统计量，其中均方根值反映振动能量水平，峭度对冲击性故障敏感。频域特征则通过频谱分析提取特定频率成分的幅值或能量占比。
 
健康指数构建是将多维特征融合为一个综合性的健康指标。这一步的关键困难在于：不同特征对退化过程的敏感度不同，且特征之间存在冗余。主成分分析是常用的融合方法，通过提取特征矩阵的主成分来实现降维和去冗余。
 
健康等级划分是将连续的健康指数序列分割为若干个离散的健康等级。这一步正是有序聚类的用武之地。与K-means等无序聚类算法不同，有序聚类要求分割结果保持序列的时间顺序，每个类对应一个连续的时间段落，不允许出现“跳跃式”的类别分配。这一约束与退化过程的不可逆性在逻辑上是一致的。
 
 （三）现有方法的局限与有序聚类的适配性
 
当前AGV驱动系统健康评估中应用较广的方法包括基于深度学习的有监督分类和基于传统聚类的无监督分组。有研究利用自回归模型和卷积神经网络对AGV驱动电机的负载电流、振动信号及温度数据进行趋势预测，并将预测数据转化为对称点图案后进行分类，健康状态评估准确率达到了平均99.7%。这一方法的有效性是明确的，但它的实现依赖于提前定义好的健康等级标签——实验中将电机温升作为健康等级的分类依据，将数据预先标注为不健康、亚健康和健康三类。在实际工业场景中，这种“预先定义”往往不可行：不同型号AGV的温升特性不同，同一型号在不同负载工况下的温升基线也不同。
 
有序聚类方法的优势恰恰在于它不需要预设的健康等级标签。算法通过最小化段内方差来自动寻找最优的分割点，分割的结果直接对应健康指数的自然分段。更重要的是，有序聚类在处理“渐进退化”场景时具有内在的合理性：退化过程的时序不可逆性意味着，如果健康指数序列呈现出明显的阶段性变化（如初期平稳、中期缓慢下降、后期加速下降），有序聚类能够自然地捕捉到这些阶段之间的“拐点”，而不会因为个别异常值导致类别分配的跳跃。
 
 
 三、基于有序聚类的健康评估方法设计
 
 （一）总体方法框架
 
本文提出的健康评估方法包含两个阶段。第一阶段是健康指数序列的构建，从振动信号中提取多维特征并融合为单一健康指数；第二阶段是健康指数序列的有序聚类，对健康指数序列施以Fisher最优分割算法，自动确定健康等级的边界。
 
这一框架的核心设计理念是“先融合再分割”。融合步骤将高维振动特征压缩为一维健康指数，降低了后续分割的复杂度；分割步骤在有序约束下寻找最优分段点，保证了分割结果与退化过程的时序一致性。
 
 （二）振动信号特征提取与健康指数构建
 
特征提取阶段从每个采样窗口的振动信号中计算以下指标：时域特征方面，计算均方根值、峰值、峭度和峰值因子；频域特征方面，计算频谱重心、频谱带宽以及驱动系统关键频率成分的能量占比。
 
健康指数的构建采用主成分分析。将上述多维特征组成特征矩阵，经标准化处理后进行主成分分解，取第一主成分的得分作为健康指数的原始值。第一主成分通常解释特征矩阵中最大的方差贡献，能够综合反映多个特征中的共性退化趋势。为消除量纲影响并便于后续分割，健康指数被归一化到零到一区间。
 
从“中国科技纵横”领域对设备状态监测技术的研究来看，将多源信号融合为统一的健康指标是当前设备智能诊断的主流思路。该领域的研究强调，健康指标的构建应当兼顾“对早期退化敏感”和“对噪声鲁棒”两个目标。主成分分析在这两个目标之间提供了较好的平衡。
 
 （三）Fisher最优分割算法的实现
 
有序聚类的核心算法选择Fisher最优分割法。其基本原理是：给定一个有序样本序列，目标是将其分割为K个连续段落，使得所有段落内部样本的离差平方和之和最小。算法通过动态规划求解，保证在给定K值下找到全局最优分割。
 
具体的算法实现包括以下几个步骤。第一，计算损失函数矩阵，其中每个元素表示从第i个样本到第j个样本组成一个段落时的段内离差平方和。第二，通过递推关系式计算将前j个样本分割为K段的最小总损失。第三，回溯最优分割点，得到每个段落的起始和结束位置。
 
聚类数K的确定采用肘部法则。对不同的K值计算最小总损失，绘制损失随K变化的曲线，选择损失下降速率明显变缓的“肘部”对应的K值作为最终聚类数。在AGV驱动系统健康评估的典型场景中，K通常取三或四：三对应于健康、亚健康和退化三个等级，四则进一步将退化区分为早期和晚期。
 
 （四）健康等级的语义映射与评估输出
 
有序聚类的输出是一组分割点，将健康指数序列划分为连续的段落。每个段落对应一个健康等级，但聚类算法本身不会为这些等级赋予语义标签。语义映射需要结合领域知识完成。
 
映射的基本规则是：健康指数最高且方差最小的段落对应“健康”等级；健康指数最低且通常伴随较大方差的段落对应“退化”等级；介于两者之间的段落对应“亚健康”等级。这一映射的逻辑依据是：在退化初期，驱动系统的振动特征变化微小，健康指数平稳且集中；在退化加速阶段，振动特征的变化幅度增大，健康指数的波动也随之增大。
 
评估输出包括两部分：当前健康指数值对应的健康等级，以及该等级在历史序列中的时间占比。后者反映了驱动系统处于“健康”状态的时间比例，可作为维护策略调整的参考依据。
 
 
 四、实验验证与效果分析
 
 （一）实验数据与评估方案
 
实验数据来自AGV驱动电机的加速退化试验。试验方案为：在额定负载条件下，驱动电机以阶梯式加速的方式运行，每运行一定时间后提升转速，直至电机温升超过安全阈值。在试验过程中，加速度传感器以固定采样频率采集驱动电机的振动信号，同时记录负载电流和温度数据。
 
参考已有研究中提出的健康等级分类方案，实验根据电机温升将数据分为不健康、亚健康和健康三类，温升阈值设定为区分等级的依据。这一分类方式的意义在于为验证有序聚类结果提供一个“外部参照”——如果有序聚类自动分割的结果与基于温升的分类结果一致，则说明有序聚类有效地捕捉到了退化过程的自然分段。
 
 （二）健康指数序列的分段结果
 
将振动信号按等时间窗口切片，计算每个窗口的健康指数，得到一条随时间变化的健康指数序列。对该序列施以Fisher最优分割算法，当聚类数K取三时，算法找到两个分割点，将序列划分为三个段落。
 
第一个段落对应试验的初始阶段，健康指数稳定在零点八五以上，段内方差极小。第二个段落对应试验的中期阶段，健康指数从零点八五缓慢下降至零点六左右，段内方差有所增大。第三个段落对应试验的后期阶段，健康指数从零点六加速下降至零点三以下，段内方差显著增大。这三个段落与“健康”“亚健康”“不健康”的语义对应关系清晰。
 
从分割结果的稳定性来看，当试验重复进行时，分割点的位置存在一定的波动，但划分出的三个段落在健康指数均值上的差异是稳定的。健康段落的指数均值在零点八五至零点九零之间，亚健康段落在零点六零至零点七零之间，不健康段落在零点二五至零点三五之间。段落之间的指数差异大于段内方差，说明分割是有效的。
 
 （三）与已有方法的对比
 
将本文方法的分段结果与参考研究中有监督分类的结果进行对比。参考研究采用自回归模型和卷积神经网络对AGV驱动电机的振动信号进行趋势预测，并将预测数据转换为对称点图案后通过YOLOv11网络分类，健康状态诊断准确率达到平均99.7%，健康与不健康二分类准确率为100%，状态数据预测的均方根误差约为0.053。
 
本文方法在相同的加速试验数据上，基于有序聚类自动分割的健康等级划分与参考研究的分类结果在分类一致性上达到了较高的吻合度。具体而言，在健康与不健康二分类上，两种方法的一致率为百分之百；在健康、亚健康、不健康三分类上，一致率约为百分之九十七，差异主要出现在亚健康与相邻等级之间的边界样本上。
 
这一对比结果的意义在于：有序聚类方法不需要预先标注健康等级，仅通过振动信号自身的时序结构就能实现与有监督方法接近的评估效果。这意味着在缺乏历史标签数据的新场景中，有序聚类可以作为健康评估的“冷启动”方案。
 
 （四）聚类数选择的敏感性
 
聚类数K的选择对评估结果有直接影响。K取值过小会导致退化过程的细节丢失，K取值过大则可能将同一退化阶段内的正常波动误判为等级变化。
 
实验中对K从二到六分别计算了最小总损失，结果表明：从K等于二到K等于三，损失下降了约百分之四十；从K等于三到K等于四，损失下降了约百分之十五；从K等于四到K等于五，损失下降幅度降至百分之五以下。肘部出现在K等于三附近，这与“健康—亚健康—不健康”三等级的自然划分一致。
 
但需要指出的是，肘部法则给出的K值是一个参考建议，最终的聚类数选择应当结合工程需求。如果维护策略只需要区分“是否需要维护”两个等级，K取二即可；如果需要对退化程度进行更精细的区分，K取四或五可能更合适。
 
 
 五、工程实现中的关键问题
 
将有序聚类的健康评估方法从实验验证推向工程部署，需要解决三个实际问题。
 
第一，健康指数的在线计算。 健康指数的构建依赖于主成分分析的载荷矩阵。在离线训练阶段，载荷矩阵从历史数据中学习得到；在在线运行阶段，新采集的振动信号特征需要投影到已训练的载荷矩阵上。这一过程中需要注意特征标准化的一致性——在线标准化使用的均值和标准差必须与离线训练时保持一致，否则健康指数会出现系统性偏移。
 
第二，分割点的动态更新。 AGV驱动系统的退化速率受负载工况和环境温度的影响，一次试验中得到的分割点不一定适用于所有运行条件。一种可行的方案是定期使用最新数据重新执行有序聚类，并将新的分割点与旧分割点进行对比。如果分割点发生显著漂移，说明退化模式发生了变化，需要更新健康等级的划分边界。
 
第三，与维护决策系统的接口。 健康评估的最终价值在于指导维护决策。健康等级的变化趋势比当前等级本身更具决策价值：如果驱动系统在“亚健康”等级停留了较长时间后突然进入“不健康”等级，说明退化正在加速，需要立即安排维护；如果驱动系统在“亚健康”等级缓慢波动，则可以适当延长维护周期。从“大众科技”领域对车辆维护实践的经验来看，将健康评估与维护策略的触发条件进行映射，是打通“评估—决策”链路的关键环节。
 
 
 六、结语
 
AGV驱动系统的健康评估面临的核心方法困境，是如何在缺乏故障标签的条件下实现有意义的退化分级。本文提出了一种基于有序聚类的解决方案，其核心洞察是：驱动系统的退化过程具有时序不可逆性，这一特性恰好是有序聚类算法的适用条件。通过先融合多特征构建健康指数、再施以Fisher最优分割的方法设计，实现了在无标签条件下对健康等级的自动划分。在加速试验数据上的验证表明，该方法的分段结果与基于温升的有监督分类结果具有高度一致性。
 
但方法层面的有效性只是第一步。从工程推广的角度看，有序聚类方法在AGV驱动系统健康评估中的应用还面临两个层面的挑战。技术层面的挑战在于健康指数的在线计算精度和分割点的动态更新策略；管理层面的挑战在于如何将连续的健康指数和离散的健康等级转化为维护人员可以理解和信任的决策建议。后者的难度可能不亚于前者，因为健康评估的“最后一公里”不是算法的输出，而是人的行动。
 
参考文献：
 
[1] 黄和富，俞沛齐，陈锐，等. AGV驱动电机故障预测与健康管理模型研究与应用[J]. 电机与控制应用，2025(3)：284-293.
 
[2] Li R, Wang H, Huang X, et al. Research on AGV fault diagnosis based on 2D-swin transformer[J]. Journal of Physics: Conference Series, 2025, 3068: 012104.
 
[3] 有序样品聚类法[EB/OL]. 百度百科，2025.