CN108241873A - 一种面向泵站主设备的智能故障诊断方法 - Google Patents
一种面向泵站主设备的智能故障诊断方法 Download PDFInfo
- Publication number
- CN108241873A CN108241873A CN201810023720.8A CN201810023720A CN108241873A CN 108241873 A CN108241873 A CN 108241873A CN 201810023720 A CN201810023720 A CN 201810023720A CN 108241873 A CN108241873 A CN 108241873A
- Authority
- CN
- China
- Prior art keywords
- signal
- main equipment
- forest
- pumping plant
- sample
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种面向泵站主设备的智能故障诊断方法,涉及信号处理领域。所述方法包括:采集待测泵站主设备的待测关键部位在工作状态时的数据信号,将数据信号作为待测试样本;将所述待测试样本输入到VMD‑gcForest诊断模型中,依次进行模态函数频谱图的绘制和多粒度级联森林诊断,得到所述待测试样本对应的工作状态标签,根据所述工作状态标签得到所述待测关键部位的工作状态。本发明解决了现有技术中在原始振动信号提取过程中存在的小波基函数和滤波阈值无法确定的问题;EMD缺乏理论依据、端点效应、模态混叠的问题;现有基于原始振动信号的故障诊断方法调参极其复杂、计算耗时巨大且诊断效果准确率低的问题。
Description
技术领域
本发明涉及信号处理领域,尤其涉及一种面向泵站主设备的智能故障诊断方法。
背景技术
泵站机组不同于其他常规旋转机械,其振动除了受到自身机械***性能影响外,还同时受到水、机、电等多种因素的影响。泵站机组中各部件的性能在运行过程中逐渐退化,可能出现如轴承损伤、联轴器对中不良、转子叶轮不平衡、设备基础刚性下降(地脚松动)、电动机转子碰摩等各类机械磨损或故障,造成设备运行效能降低,严重时可能导致灾难性事故。能够诱发机组振动故障的振源类型繁多,且不同振源之间彼此联系、相互作用,因此,泵站机组的振动信号往往呈现强烈的非线性和非稳定性,导致故障征兆信息与故障成因之间的映射关系不够清晰。
由于泵站机组的振动信号大多为多分量的调幅-调频信号,且振动信号的非线性和非稳定性强烈,因此很难从原始的振动信号中提取特征。现有基于泵站机组的原始振动信号进行故障诊断的方法中常采用经典信号处理手段,如小波变换、经验模态分解(Empirical Mode Decomposition,简称EMD)从泵站机组原始振动信号中提取特征,然后将提取的特征带入分类器进行故障分类,虽然基于小波变换和EMD等诊断技术已经有了大量成功的应用,但仍存在一些缺陷:小波分析中小波基函数和滤波阈值的确定问题,EMD缺乏理论依据、端点效应、模态混叠等问题,需要进一步完善。
虽然随着深度学习的发展,基于深度神经网络的端到端的模式识别方法也成功地应用到了故障诊断领域,但直接利用深度神经网络对原始振动信号进行端到端的特征提取和故障分类,不仅理论分析困难,调参极其复杂,计算耗时巨大,并且有时并不能取得很好的诊断效果。
发明内容
本发明的目的在于提供一种面向泵站主设备的智能故障诊断方法,从而解决现有技术中在原始振动信号提取过程中存在的小波基函数和滤波阈值无法确定的问题;EMD缺乏理论依据、端点效应、模态混叠的问题;现有基于原始振动信号的故障诊断方法调参极其复杂、计算耗时巨大且诊断效果准确率低的问题。
为了实现上述目的,本发明所述面向泵站主设备的智能故障诊断方法,所述方法包括:
S1,采集待测泵站主设备的待测关键部位在工作状态时的数据信号,将数据信号作为待测试样本;
S2,将所述待测试样本输入到VMD-gcForest诊断模型中,依次进行模态函数频谱图的绘制和多粒度级联森林诊断,得到所述待测试样本对应的工作状态标签,根据所述工作状态标签得到所述待测关键部位的工作状态;
所述VMD-gcForest诊断模型包括变分模态分解模块和多粒度级联森林诊断模型;
变分模态分解模块中集成变分模态分解方法;
所述多粒度级联森林诊断模型的构建方法为:
S01,获取泵站主设备的多个关键部位处于正常工作工况和多种故障状态工况的数据信号,建立有工作状态标签的样本数据集;所述工作状态标签包括故障类型标签和正常工作状态标签;
S02,将所述样本数据集中的数据信号经过多粒度扫描阶段实现特征转换,再经过级联森林结构进行有监督的逐级训练,得到多粒度级联森林诊断模型。
优选地,所述VMD-gcForest诊断模型的建立具体为:
A1,在泵站主设备的多个关键部位处设置振动测点,用加速度传感器采集每个振动测点在多种工况下的振动数据信号,得到每种工况下的振动数据信号组;
所述关键部位包括水泵基础构件、轴承支架和电机基础构件;
所述多种工况包括泵站主设备开机的过渡过程、主设备开机停机的过渡过程、不同流量下的运行工况、不同水位下的运行工况和不同功率下的运行工况;
A2,采用变分模态分解方法对每种工况下的振动数据信号组中的任意一个振动数据信号进行迭代处理,得到该振动数据信号的K个模态函数,计算每个模态函数得到估计带宽,绘出K个模态函数的估计带宽之和最小时K个模态函数的频谱图;
A3,将A2中得到的K个模态函数频谱图作为输入,带入到多粒度级联森林诊断模型中,进行特征转换及逐级特征诊断,最终得到该振动数据信号对应的故障类型。
更优选地,A2具体为:
A21,设任意一个振动数据信号X(t)分解成K个窄带模态分量{uk}={u1,u2,…,uk,},每个模态分量对应的频率中心为{ωk}={ω1,ω2,…,ωk,};
A22,对每个模态函数uk(t)进行Hilbert变换,得到每个模态函数的解析信号,在各个解析信号的基础上混合预估中心频率,将每个模态函数的频谱移动到基频带上,使用解析信号的H高斯平滑,估计各模态函数的信号带宽,得到变分问题公式(1):
式中,表示对t求偏导,δ(t)为冲击函数;
A23,通过对式(1)引入拉格朗日乘子γ(t)和二次惩罚因子α,再利用交替方向乘子法及傅里叶变换求解得到公式(2)、公式(3)和公式(4):
其中,n为迭代次数,∧表示利用傅里叶等距变换的频域表示;
A24,初始化和n;
A25,根据公式(2)、公式(3)、公式(4)更新uk、ωk和γ;
A26,判断更新后uk是否符合收敛公式(5),如果是,则停止迭代;如果否,则返回A25继续下一次迭代,直至满足收敛条件为止;
式(5)中,ε为给定判别精度,ε=0.01。
优选地,所述待测试样本输入到VMD-gcForest诊断模型进行多粒度级联森林诊断为:待测试样本经过VMD得到的K个模态函数频谱图作为输入,输入到多粒度级联森林诊断模型进行多粒度级联森林诊断,具体为:
ⅰ,待测试样本经过VMD得到的K个模态函数频谱图进行二维多粒度扫描实现特征转换;
ⅱ,将步骤ⅰ中得到的转换后的特征向量输入到级联森林结构中,实现逐层特征学习和故障分类。
更优选地,步骤ⅰ,具体为:
ⅰ-1,获取每个经过VMD的模态函数的[Y1,Y2]维特征的振动信号,其中,Y1,Y2分别表示每个模态函数的频率和幅值;
ⅰ-2,采用m种不同大小的滑动特征窗口扫描K个[Y1,Y2]维特征的振动信号,生成相应维度的训练样本;
以大小为的二维滑动窗口为例,滑动步长记为则该窗口扫描任意一个[Y1,Y2]维特征的振动信号,生成该[Y1,Y2]维特征的振动信号的训练实例个数nw为:
ⅰ-3,构建两种随机森林模型
深度随机森林包含标准随机森林和完全随机森林,标准随机森林内部的决策树通过Gini准则和随机特征抽取的方式进行构建,完全随机森林采用所有特征并按Gini准则进行构建;
在多粒度扫描阶段,步骤i-2生成的训练实例通过两种随机森林得到的输出作为多粒度扫描阶段的特征提取结果,记为多粒度扫描特征提取向量;
在级联分类阶段,多粒度扫描特征提取向量作为输入代入各层深度随机森林的模型,每层模型的分类结果,与多粒度扫描特征提取向量融合,作为下一层深度随机森林模型的输入继续计算,直到收敛准则满足条件,即交叉验证率不再增长,进入ⅰ-4;
ⅰ-4,最终结果输出
输出最后一层级联森林中模型结果,采用投票法进行各个故障分类的概率值计算,取最大概率作为最终故障诊断的分类结果。
本发明的有益效果是:
1、本发明所述面向泵站主设备的智能故障诊断方法中,充分利用变分模态分解(VMD),VMD本质上是一组自适应维纳滤波器,有效减少无效分量和模态混叠,各模态携带着泵站主设备原始振动信号的的不同频率的故障特征信息,为后续故障特征提取和分类提供有效的多尺度分量。
2、本发明利用多粒度级联森林诊断模型,采用了基于随机森林的诊断模型,区别于传统的基于人工神经网络的深度模型,避免了深度神经网络应用于故障诊断领域中的复杂的理论分析、繁琐的调参过程,以及对小样本低分类准确度的缺陷,并且本发明能自适应决定训练层数,对参数变化不敏感,即使参数不变也能获得很高的诊断准确率。
3、与现有的面向泵站主设备的故障诊断技术相比,本发明的VMD-gcForest智能故障诊断方法能够提高泵站***内主设备关键部位故障诊断的准确性和有效性,为解决此类故障诊断问题提供一种新的有效途径,可用于泵站***的故障诊断中。
附图说明
图1为本发明基于变分模态分解和多粒度随机森林的面向泵站主设备的智能诊断方法的主要步骤图;
图2为本发明变分模态分解对原始信号进行自适应的分解的算法流程图;
图3为本发明多粒度随机森林的算法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施方式仅仅用以解释本发明,并不用于限定本发明。
变分模态分解(Variational Mode Decomposition,简称VMD)是一种自适应的信号处理方法,克服小波变换中小波基函数和滤波阈值的确定问题,克服EMD缺乏理论依据、端点效应、模态混叠等问题,变分模态分解具有很高的优越性。其通过迭代搜索变分模型的最优解,不断迭代更新每个模态函数分量的中心频率,得到一系列具有一定带宽的模态函数,将振动信号分解为若干窄带固有模态分量。
多粒度级联森林(Multi-grained cascade forest,简称gcForest)是一种基于随机森林的深度学习方法,解决了基于神经网络的深度学习方法的存在的理论分析困难、调参极其复杂、计算耗时巨大且诊断效果准确率低的问题。本申请通过多粒度扫描阶段和级联森林阶段实现故障特征转换及故障分类。
本申请提出基于变分模态分解(VMD)和多粒度级联森林(gcForest)的面向泵站主设备的智能故障诊断方法,结合VMD和gcForest各自的优点,从而更准确高效地实现泵站主设备的智能故障诊断。
实施例
本实施例所述面向泵站主设备的智能故障诊断方法,包括:
S1,采集待测泵站主设备的待测关键部位在工作状态时的数据信号,将数据信号作为待测试样本;
S2,将所述待测试样本输入到VMD-gcForest诊断模型中,依次进行模态函数频谱图的绘制和多粒度级联森林诊断,得到所述待测试样本对应的工作状态标签,根据所述工作状态标签得到所述待测关键部位的工作状态;
所述VMD-gcForest诊断模型包括变分模态分解模块和多粒度级联森林诊断模型;
变分模态分解模块中集成变分模态分解方法;
所述多粒度级联森林诊断模型的构建方法为:
S01,获取泵站主设备的多个关键部位处于正常工作工况和多种故障状态工况的数据信号,建立有工作状态标签的样本数据集;所述工作状态标签包括故障类型标签和正常工作状态标签;
S02,将所述样本数据集中的数据信号经过多粒度扫描阶段实现特征转换,再经过级联森林结构进行有监督的逐级训练,得到多粒度级联森林诊断模型。
更详细的解释说明为:
(一)所述VMD-gcForest诊断模型的建立具体为:
A1,在泵站主设备的多个关键部位处设置振动测点,用加速度传感器采集每个振动测点在多种工况下的振动数据信号,得到每种工况下的振动数据信号组;
所述关键部位包括水泵基础构件、轴承支架和电机基础构件;
所述多种工况包括泵站主设备开机的过渡过程、主设备开机停机的过渡过程、不同流量下的运行工况、不同水位下的运行工况和不同功率下的运行工况;
A2,采用变分模态分解方法对每种工况下的振动数据信号组中的任意一个振动数据信号进行迭代处理,得到该振动数据信号的K个模态函数,计算每个模态函数得到估计带宽,绘出K个模态函数的估计带宽之和最小时K个模态函数的频谱图;
A3,将A2中得到的K个模态函数频谱图作为输入,带入到多粒度级联森林诊断模型中,进行特征转换及逐级特征诊断,最终得到该振动数据信号对应的故障类型。
其中,A2具体为:
A21,设任意一个振动数据信号X(t)分解成K个窄带模态分量{uk}={u1,u2,…,uk,},每个模态分量对应的频率中心为{ωk}={ω1,ω2,…,ωk,};
A22,对每个模态函数uk(t)进行Hilbert变换,得到每个模态函数的解析信号,在各个解析信号的基础上混合预估中心频率,将每个模态函数的频谱移动到基频带上,使用解析信号的H高斯平滑,估计各模态函数的信号带宽,得到变分问题公式(1):
式中,表示对t求偏导,δ(t)为冲击函数;
A23,通过对式(1)引入拉格朗日乘子γ(t)和二次惩罚因子α,再利用交替方向乘子法及傅里叶变换求解得到公式(2)、公式(3)和公式(4):
其中,n为迭代次数,∧表示利用傅里叶等距变换的频域表示;
A24,初始化和n;
A25,根据公式(2)、公式(3)、公式(4)更新uk、ωk和γ;
A26,判断更新后uk是否符合收敛公式(5),如果是,则停止迭代;如果否,则返回A25继续下一次迭代,直至满足收敛条件为止;
式(5)中,ε为给定判别精度,ε=0.01。
(二)VMD-gcForest诊断模型主要分为两部分,将经过的VMD得到的K个模态函数频谱图,经过二维的多粒度扫描阶段实现特征转换,再经过级联森林结构进行有监督的逐级训练,得到故障诊断结果。具体步骤如下:
步骤1:对K个模态函数频谱图进行二维多粒度扫描实现特征转换,包括如下步骤:
步骤1.1:将每个振动信号经过VMD分解得到的K个模态函数频谱图,作为二维[Y1,Y2]的特征输入,Y1,Y2分别为K个模态函数的频率和幅值,采用m种不同大小的滑动特征窗口扫描上述K个[Y1,Y2]维特征的振动信号,生成相应维度的训练样本。以大小为的二维滑动窗口为例,滑动步长记为则该窗口扫描一个[Y1,Y2]维特征的振动信号所产生的训练实例个数nw为:
步骤1.2:用这些训练样本去训练一个随机森林和一个完全随机树森林,随机森林和完全随机树森林中均包含500个决策树,其中,决策树的数量是一个超参数,根据计算机的计算水平及具体案例自己设定,本发明中取500。对于任意一个实例α,分别经过随机森林和完全随机树森林均会生成该实例的一个类分布的估计值,即一个C维类向量(假设有C类故障)。则对于一个振动信号样本,经扫描之后生成nw个训练实例,再经过两种随机森林之后生成的类向量的维度Sc为:
Sc=2·C·nw (7)
式中,C为故障类型的个数,nw为步骤1所得的训练样本个数。
进一步地,随机森林通过随机选择个特征,选择最佳的基尼系数值的一个特征进行***,基尼系数表达式为:
式中,d为第k个故障类别的故障样本数量,nw为每个振动信号样本产生的子训练样本的数量。
而完全随机树森林则是通过随机选择一个特征在树的每个节点上进行***,直到每个叶节点只包含同一类实例。为了减少过拟合的风险,每个森林产生的类向量通过k折交叉验证来生成。
步骤1.3:将同一窗口经过两种森林分别生成的类向量连接起来,作为转换后的特征向量。
步骤2:将步骤1得到的转换后的特征向量输入到级联森林结构中,实现逐层特征学习和故障分类。包括如下步骤:
步骤2.1:将步骤1.3转变后的特征向量样本带入到两个随机森林和两个完全随机树森林,得到每个随机森林生成相应维度的类向量。
步骤2.2:生成的类向量与上一级的转换特征向量连接在一起,作为下一级级联森林的输入。重复上述逐级特征学习的过程,直至k折交叉验证的结果收敛。
步骤2.3:最后一级生成的四个C维的类向量即为四个随机森林预测的故障分类的概率值,取概率值中的最大值作为最终分类结果。
通过采用本发明公开的上述技术方案,得到了如下有益的效果:
1、本发明所述面向泵站主设备的智能故障诊断方法中,充分利用变分模态分解(VMD),VMD本质上是一组自适应维纳滤波器,有效减少无效分量和模态混叠,各模态携带着泵站主设备原始振动信号的的不同频率的故障特征信息,为后续故障特征提取和分类提供有效的多尺度分量。
2、本发明利用多粒度级联森林诊断模型,采用了基于随机森林的诊断模型,区别于传统的基于人工神经网络的深度模型,避免了深度神经网络应用于故障诊断领域中的复杂的理论分析、繁琐的调参过程,以及对小样本低分类准确度的缺陷,并且本发明能自适应决定训练层数,对参数变化不敏感,即使参数不变也能获得很高的诊断准确率。
3、与现有的面向泵站主设备的故障诊断技术相比,本发明的VMD-gcForest智能故障诊断方法能够提高泵站***内主设备关键部位故障诊断的准确性和有效性,为解决此类故障诊断问题提供一种新的有效途径,可用于泵站***的故障诊断中。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视本发明的保护范围。
Claims (5)
1.一种面向泵站主设备的智能故障诊断方法,其特征在于,所述方法包括:
S1,采集待测泵站主设备的待测关键部位在工作状态时的数据信号,将数据信号作为待测试样本;
S2,将所述待测试样本输入到VMD-gcForest诊断模型中,依次进行模态函数频谱图的绘制和多粒度级联森林诊断,得到所述待测试样本对应的工作状态标签,根据所述工作状态标签得到所述待测关键部位的工作状态;
所述VMD-gcForest诊断模型包括变分模态分解模块和多粒度级联森林诊断模型;
变分模态分解模块中集成变分模态分解方法;
所述多粒度级联森林诊断模型的构建方法为:
S01,获取泵站主设备的多个关键部位处于正常工作工况和多种故障状态工况的数据信号,建立有工作状态标签的样本数据集;所述工作状态标签包括故障类型标签和正常工作状态标签;
S02,将所述样本数据集中的数据信号经过多粒度扫描阶段实现特征转换,再经过级联森林结构进行有监督的逐级训练,得到多粒度级联森林诊断模型。
2.根据权利要求1所述面向泵站主设备的智能故障诊断方法,其特征在于,所述VMD-gcForest诊断模型的建立具体为:
A1,在泵站主设备的多个关键部位处设置振动测点,用加速度传感器采集每个振动测点在多种工况下的振动数据信号,得到每种工况下的振动数据信号组;
所述关键部位包括水泵基础构件、轴承支架和电机基础构件;
所述多种工况包括泵站主设备开机的过渡过程、主设备开机停机的过渡过程、不同流量下的运行工况、不同水位下的运行工况和不同功率下的运行工况;
A2,采用变分模态分解方法对每种工况下的振动数据信号组中的任意一个振动数据信号进行迭代处理,得到该振动数据信号的K个模态函数,计算每个模态函数得到估计带宽,绘出K个模态函数的估计带宽之和最小时K个模态函数的频谱图;
A3,将A2中得到的K个模态函数频谱图作为输入,带入到多粒度级联森林诊断模型中,进行特征转换及逐级特征诊断,最终得到该振动数据信号对应的故障类型。
3.根据权利要求2所述面向泵站主设备的智能故障诊断方法,其特征在于,A2具体为:
A21,设任意一个振动数据信号X(t)分解成K个窄带模态分量{uk}={u1,u2,…,uk,},每个模态分量对应的频率中心为{ωk}={ω1,ω2,…,ωk,};
A22,对每个模态函数uk(t)进行Hilbert变换,得到每个模态函数的解析信号,在各个解析信号的基础上混合预估中心频率,将每个模态函数的频谱移动到基频带上,使用解析信号的H高斯平滑,估计各模态函数的信号带宽,得到变分问题公式(1):
式中,表示对t求偏导,δ(t)为冲击函数;
A23,通过对式(1)引入拉格朗日乘子γ(t)和二次惩罚因子α,再利用交替方向乘子法及傅里叶变换求解得到公式(2)、公式(3)和公式(4):
其中,n为迭代次数,∧表示利用傅里叶等距变换的频域表示;
A24,初始化和n;
A25,根据公式(2)、公式(3)、公式(4)更新uk、ωk和γ;
A26,判断更新后uk是否符合收敛公式(5),如果是,则停止迭代;如果否,则返回A25继续下一次迭代,直至满足收敛条件为止;
式(5)中,ε为给定判别精度,ε=0.01。
4.根据权利要求1所述面向泵站主设备的智能故障诊断方法,其特征在于,所述待测试样本输入到VMD-gcForest诊断模型进行多粒度级联森林诊断为:待测试样本经过VMD得到的K个模态函数频谱图作为输入,输入到多粒度级联森林诊断模型进行多粒度级联森林诊断,具体为:
ⅰ,待测试样本经过VMD得到的K个模态函数频谱图进行二维多粒度扫描实现特征转换;
ⅱ,将步骤ⅰ中得到的转换后的特征向量输入到级联森林结构中,实现逐层特征学习和故障分类。
5.根据权利要求4所述面向泵站主设备的智能故障诊断方法,其特征在于,步骤ⅰ,具体为:
ⅰ-1,获取每个经过VMD的模态函数的[Y1,Y2]维特征的振动信号,其中,Y1,Y2分别表示每个模态函数的频率和幅值;
ⅰ-2,采用m种不同大小的滑动特征窗口扫描K个[Y1,Y2]维特征的振动信号,生成相应维度的训练样本;
以大小为的二维滑动窗口为例,滑动步长记为则该窗口扫描任意一个[Y1,Y2]维特征的振动信号,生成该[Y1,Y2]维特征的振动信号的训练实例个数nw为:
ⅰ-3,构建两种随机森林模型
深度随机森林包含标准随机森林和完全随机森林,标准随机森林内部的决策树通过Gini准则和随机特征抽取的方式进行构建,完全随机森林采用所有特征并按Gini准则进行构建;
在多粒度扫描阶段,步骤i-2生成的训练实例通过两种随机森林得到的输出作为多粒度扫描阶段的特征提取结果,记为多粒度扫描特征提取向量;
在级联分类阶段,多粒度扫描特征提取向量作为输入代入各层深度随机森林的模型,每层模型的分类结果,与多粒度扫描特征提取向量融合,作为下一层深度随机森林模型的输入继续计算,直到收敛准则满足条件,即交叉验证率不再增长,进入ⅰ-4;
ⅰ-4,最终结果输出
输出最后一层级联森林中模型结果,采用投票法进行各个故障分类的概率值计算,取最大概率作为最终故障诊断的分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810023720.8A CN108241873B (zh) | 2018-01-10 | 2018-01-10 | 一种面向泵站主设备的智能故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810023720.8A CN108241873B (zh) | 2018-01-10 | 2018-01-10 | 一种面向泵站主设备的智能故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108241873A true CN108241873A (zh) | 2018-07-03 |
CN108241873B CN108241873B (zh) | 2019-03-05 |
Family
ID=62699390
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810023720.8A Active CN108241873B (zh) | 2018-01-10 | 2018-01-10 | 一种面向泵站主设备的智能故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108241873B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109146194A (zh) * | 2018-09-05 | 2019-01-04 | 重庆工商大学 | 一种基于变模态卷积自编码关联向量机的径流量预测方法 |
CN109887122A (zh) * | 2019-02-19 | 2019-06-14 | 南京洛普股份有限公司 | 一种船闸机电故障远程智能诊断方法及*** |
CN110020637A (zh) * | 2019-04-16 | 2019-07-16 | 重庆大学 | 一种基于多粒度级联森林的模拟电路间歇故障诊断方法 |
CN110135293A (zh) * | 2019-04-29 | 2019-08-16 | 莆田学院 | 一种风力发电机电振动信号消噪方法及存储介质 |
CN110263949A (zh) * | 2019-06-21 | 2019-09-20 | 安徽智寰科技有限公司 | 融合机器机理与人工智能算法***的数据处理方法及*** |
CN110490114A (zh) * | 2019-08-13 | 2019-11-22 | 西北工业大学 | 一种基于深度随机森林和激光雷达的无人机实时空中目标检测避障方法 |
CN111220373A (zh) * | 2020-03-18 | 2020-06-02 | 北京工业大学 | 一种离心泵转子***故障诊断的方法 |
CN111238808A (zh) * | 2020-02-04 | 2020-06-05 | 沈阳理工大学 | 一种基于经验模态分解与改进变分模态分解的齿轮箱复合故障诊断方法 |
CN111476383A (zh) * | 2020-05-08 | 2020-07-31 | 中国水利水电科学研究院 | 一种泵站机组状态检修动态决策方法 |
CN111914490A (zh) * | 2020-08-31 | 2020-11-10 | 中国水利水电科学研究院 | 一种基于深度卷积随机森林自编码的泵站机组状态评价方法 |
CN112082639A (zh) * | 2019-06-14 | 2020-12-15 | 现代自动车株式会社 | 发动机状态的诊断方法及其诊断建模方法 |
CN112733692A (zh) * | 2021-01-04 | 2021-04-30 | 润联智慧科技(西安)有限公司 | 基于集成混合模型的故障预测方法、装置及相关设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030086593A1 (en) * | 2001-05-31 | 2003-05-08 | Chengjun Liu | Feature based classification |
CN105758644A (zh) * | 2016-05-16 | 2016-07-13 | 上海电力学院 | 基于变分模态分解和排列熵的滚动轴承故障诊断方法 |
CN105971901A (zh) * | 2016-05-03 | 2016-09-28 | 北京航空航天大学 | 一种基于完备总体经验模态分解与随机森林的离心泵故障诊断方法 |
-
2018
- 2018-01-10 CN CN201810023720.8A patent/CN108241873B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030086593A1 (en) * | 2001-05-31 | 2003-05-08 | Chengjun Liu | Feature based classification |
CN105971901A (zh) * | 2016-05-03 | 2016-09-28 | 北京航空航天大学 | 一种基于完备总体经验模态分解与随机森林的离心泵故障诊断方法 |
CN105758644A (zh) * | 2016-05-16 | 2016-07-13 | 上海电力学院 | 基于变分模态分解和排列熵的滚动轴承故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
ZHI-HUA ZHOU等: "Deep Forest: Towards An Alternative to Deep Neural Networks", 《HTTPS://ARXIV.ORG/ABS/1702.08835V2》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109146194A (zh) * | 2018-09-05 | 2019-01-04 | 重庆工商大学 | 一种基于变模态卷积自编码关联向量机的径流量预测方法 |
CN109887122A (zh) * | 2019-02-19 | 2019-06-14 | 南京洛普股份有限公司 | 一种船闸机电故障远程智能诊断方法及*** |
CN110020637A (zh) * | 2019-04-16 | 2019-07-16 | 重庆大学 | 一种基于多粒度级联森林的模拟电路间歇故障诊断方法 |
CN110020637B (zh) * | 2019-04-16 | 2023-04-07 | 重庆大学 | 一种基于多粒度级联森林的模拟电路间歇故障诊断方法 |
CN110135293A (zh) * | 2019-04-29 | 2019-08-16 | 莆田学院 | 一种风力发电机电振动信号消噪方法及存储介质 |
CN112082639A (zh) * | 2019-06-14 | 2020-12-15 | 现代自动车株式会社 | 发动机状态的诊断方法及其诊断建模方法 |
CN110263949A (zh) * | 2019-06-21 | 2019-09-20 | 安徽智寰科技有限公司 | 融合机器机理与人工智能算法***的数据处理方法及*** |
CN110490114A (zh) * | 2019-08-13 | 2019-11-22 | 西北工业大学 | 一种基于深度随机森林和激光雷达的无人机实时空中目标检测避障方法 |
CN111238808B (zh) * | 2020-02-04 | 2021-08-17 | 沈阳理工大学 | 一种基于经验模态分解与改进变分模态分解的齿轮箱复合故障诊断方法 |
CN111238808A (zh) * | 2020-02-04 | 2020-06-05 | 沈阳理工大学 | 一种基于经验模态分解与改进变分模态分解的齿轮箱复合故障诊断方法 |
CN111220373A (zh) * | 2020-03-18 | 2020-06-02 | 北京工业大学 | 一种离心泵转子***故障诊断的方法 |
CN111476383A (zh) * | 2020-05-08 | 2020-07-31 | 中国水利水电科学研究院 | 一种泵站机组状态检修动态决策方法 |
CN111476383B (zh) * | 2020-05-08 | 2023-06-02 | 中国水利水电科学研究院 | 一种泵站机组状态检修动态决策方法 |
CN111914490A (zh) * | 2020-08-31 | 2020-11-10 | 中国水利水电科学研究院 | 一种基于深度卷积随机森林自编码的泵站机组状态评价方法 |
CN111914490B (zh) * | 2020-08-31 | 2023-10-13 | 中国水利水电科学研究院 | 一种基于深度卷积随机森林自编码的泵站机组状态评价方法 |
CN112733692A (zh) * | 2021-01-04 | 2021-04-30 | 润联智慧科技(西安)有限公司 | 基于集成混合模型的故障预测方法、装置及相关设备 |
Also Published As
Publication number | Publication date |
---|---|
CN108241873B (zh) | 2019-03-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108241873B (zh) | 一种面向泵站主设备的智能故障诊断方法 | |
Han et al. | Intelligent fault diagnosis method for rotating machinery via dictionary learning and sparse representation-based classification | |
CN108343599B (zh) | 一种基于多粒度级联森林的水泵机组智能故障诊断方法 | |
CN109102032A (zh) | 一种基于深度森林和自编码的泵站机组诊断方法 | |
CN103728551B (zh) | 一种基于级联集成分类器的模拟电路故障诊断方法 | |
CN109829236A (zh) | 一种基于XGBoost特征提取的压缩机故障诊断方法 | |
CN106447039A (zh) | 基于自编码神经网络的无监督特征提取方法 | |
CN112417028B (zh) | 一种风速时序特征挖掘方法及短期风电功率预测方法 | |
CN101196905A (zh) | 一种智能图形检索方法 | |
CN110297479A (zh) | 一种基于卷积神经网络信息融合的水电机组故障诊断方法 | |
CN108052863A (zh) | 基于最大方差展开法的电能质量扰动识别方法 | |
CN109886464A (zh) | 基于优化奇异值分解生成特征集的低信息损失短期风速预测方法 | |
CN106874950A (zh) | 一种暂态电能质量录波数据的识别分类方法 | |
CN111985533A (zh) | 一种基于多尺度信息融合的增量式水声信号识别方法 | |
CN109784284A (zh) | 基于旋转机械的工作状态的自学习识别方法 | |
CN111275108A (zh) | 基于生成对抗网络对局部放电数据进行样本扩展的方法 | |
CN114819315A (zh) | 基于多参数融合健康因子和时间卷积神经网络的轴承退化趋势预测方法 | |
CN103440275A (zh) | 一种基于普利姆的k均值聚类方法 | |
CN115358337A (zh) | 一种小样本故障诊断方法、装置及存储介质 | |
CN107590604A (zh) | 一种结合s变换和2dpca的同调机组分群方法及*** | |
CN112200060A (zh) | 一种基于网络模型的旋转设备故障诊断方法、***及可读存储介质 | |
CN115936926A (zh) | 一种基于smote-gbdt的不平衡窃电数据分类方法、装置、计算机设备和存储介质 | |
CN115713032A (zh) | 一种电网预防控制方法、装置、设备及介质 | |
CN116070159A (zh) | 一种样本不平衡下实现飞机主电源***故障诊断的方法及装置 | |
CN112150285B (zh) | 基于邻域拓扑结构的异常金融组织层次划分***及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |