CN109635008B - 一种基于机器学习的设备故障检测方法 - Google Patents

Abstract

本发明属于工业设备数据采集与分析技术领域，公开了一种基于机器学***均结果及初始结果集，判断该初始数据代表的设备故障是否属于已知故障；S7.通过人机界面输出故障信息或将该初始数据加入故障数据库。本发明能够实现机器的自我学习功能，同时建立了设备的故障数据库，能够准确及时的确定设备故障以及解决方法，能够降低机械设备维修次数，显著地提高检修效率，适于推广使用。

Description

一种基于机器学习的设备故障检测方法

技术领域

本发明属于工业设备数据采集与分析技术领域，具体涉及一种基于机器学习的设备故障检测方法。

背景技术

工业生产过程中，设备维护是必不可少的工作。然而目前在对设备进行维护的过程中，通常是等到设备报出故障或者发现不正常工作时再通过人工对工业设备进行实时检查和验证，这种人工检测的方法不能对工业设备的故障进行自动检测，自动化程度低。

现有技术中有基于机器学习的滚动轴承故障检测，但是该技术主要针对于滚动轴承在生产过程中出现的各种具有特征性的数据及其所代表的信息进行分析，因此不能广泛适用于各种加工机床等设备的数据类型，进而保证设备的安全生产。

发明内容

为了解决现有技术存在的上述问题，本发明目的在于提供一种基于机器学习的设备故障检测方法，本发明能够实现机器的自我学习功能，同时建立了设备的故障数据库，能够准确及时的确定设备故障以及解决方法，设备的检测工作能杜绝机械故障的发生，能够降低机械设备维修次数，显著地提高检修效率，从而提升企业的生产效率极大，使升企业经济效益得到提升，因此对于企业的生产实践具有极其重要的意义。

本发明所采用的技术方案为：

一种基于机器学习的设备故障检测方法，包括以下步骤：

S1.获取采集的出现故障的设备的初始数据；

S2.对初始数据进行清洗操作，并对完成清洗操作后的初始数据进行二次筛选，得到预数据；

S3.通过遗传算法对预数据进行优化操作，经过分析操作的预数据随机产生多个起始点，然后在同一时刻对起始点进行检索，并输出检索结果；

S4.通过AdaBoost元算法加权检索结果，并对数据进行分类，得到初始结果集；

S5.根据每个分类器中样例的设置权重，对初始结果集逐次进行分类，从而得到加权平均结果；

S6.通过对比加权平均结果及初始结果集，判断该初始数据代表的设备故障是否属于已知故障；

S7.如步骤S6中的判断结果为是，则从故障数据库调取改初始数据对应的故障信息，并通过人机界面输出故障信息，如步骤S6中的判断结果为否，则将该初始数据加入故障数据库，并通过人机界面输出紧急故障提示。

作为优选，所述的步骤S1中，初始数据来自当前设备的已有数据接口和/或当前设备的外部传感器。

作为优选，所述的步骤S2中，清洗操作包括列数据编辑、单元格编辑及分组项编辑，还包括分别检查数据储存格式、长度、编码格式及引用字段。

作为优选，所述的步骤S3中，优化操作的具体步骤如下：

S301.初始时间t＝0，随机选择初始种群P_0；

S302.计算个体适应度函数值F(P_t)；

S303.若种群中最优个体所对应的适应度函数值足够大或者算法已连续运行多代且个体的最佳适应度无明显改进则转到步骤S306；

S304.当前时间t’＝t+1，应用选择算子法从P_(t-1)中选择P_t；

S305.对P_t进行交叉、变异操作，之后转到步骤S302；

S306.给出最佳的核函数参数和惩罚因子C，并用其训练数据集以获得多个起始点。

作为优选，所述的步骤S3中，采用支持向量机(SVM)分类器，根据结构风险最小化原则构造最优分类面，使得对初始数据的分类误差最小。

作为优选，所述的步骤S5中，每经过一个分类器之后，加权分类计算结果会进行相应的权重值更新。

作为优选，所述的步骤S5中，根据每个分类器中输出的加权结果在圆形进行求和，得到最终的输出结果。

作为优选，权重值的计算公式如下：

H_final＝sign＝(∑a_i·H_i)，

其中，H_i为根据误差率最低的阈值得到的基本分类器，a_i表示H_i在最终分类器中的重要程度。

本发明的有益效果为：

1)随着机械设备越来越精密复杂，设备故障检测工作显得尤为艰难，本发明能够实现机器的自我学习功能，同时建立了设备的故障数据库，能够准确及时的确定设备故障以及解决方法，机械设备的检测工作能杜绝机械故障的发生，能够降低机械设备维修次数，显著地提高检修效率，从而提升企业的生产效率极大，使得企业经济效益得到提升，因此对于企业的生产实践具有极其重要的意义；

2)在模型构建过程中，本发明取代传统的单一模型故障检验方法及人工故障检测方法，利用遗传算法与AdaBoost元算法的组合，用遗传算法调参代替了传统的调参方法，可以提高算法的准确率，提高效率，利用AdaBoost元算法可支持多种分类器(支持向量机、随机森林、BP神经网络)的自定义添加，进行故障的检测，训练并使本发明具有自主诊断故障发生的能力，而不需要借助人工进行情况判断；

3)在机器学习的过程中，将采集到的故障信息存储在当前设备对应的故障数据库中，从而对过往发生故障进行相关的情况记录，实现机器学习的过程，当第二次发生类似的同种故障，会在第一时间于人机界面提示故障产生原因及解决方法，管理人员可以通过人机界面对故障数据库内的信息进行整理更新；

4)经过训练后，本发明可以对各类机床加工设备、生产设备有相当程度的普遍适用性，能够广泛适用于各种可能出现的种种机械生产故障的工业生产应用场景中，适于推广使用。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明的流程框图。

具体实施方式

以下将参照附图，通过实施例方式详细地描述本发明提供的一种基于深度学习和多目标跟踪的行人流量统计方法。在此需要说明的是，对于这些实施例方式的说明用于帮助理解本发明，但并不构成对本发明的限定。

本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，单独存在B，同时存在A和B三种情况，本文中术语“/和”是描述另一种关联对象关系，表示可以存在两种关系，例如，A/和B，可以表示：单独存在A，单独存在A和B两种情况，另外，本文中字符“/”，一般表示前后关联对象是一种“或”关系。

实施例1：

如图1所示，本实施例提供一种基于机器学习的设备故障检测方法，包括以下步骤：

S1.获取采集的出现故障的设备的初始数据；

S2.对初始数据进行清洗操作，并对完成清洗操作后的初始数据进行二次筛选，得到预数据；

S3.通过遗传算法对预数据进行优化操作，经过分析操作的预数据随机产生多个起始点，然后在同一时刻对起始点进行检索，并输出检索结果；

S4.通过AdaBoost元算法加权检索结果，并对数据进行分类，得到初始结果集；

S5.根据每个分类器中样例的设置权重，对初始结果集逐次进行分类，从而得到加权平均结果；

S6.通过对比加权平均结果及初始结果集，判断该初始数据代表的设备故障是否属于已知故障；

S7.如步骤S6中的判断结果为是，则从故障数据库调取改初始数据对应的故障信息，并通过人机界面输出故障信息，如步骤S6中的判断结果为否，则将该初始数据加入故障数据库，并通过人机界面输出紧急故障提示。

本实施例中，步骤S1中，初始数据来自当前设备的已有数据接口和/或当前设备的外部传感器。

实施例2

在实施例1的基础上，如图1所示，本实施例提供一种基于机器学习的设备故障检测方法，包括以下步骤：

S1.获取采集的出现故障的设备的初始数据；

S2.对初始数据进行清洗操作，并对完成清洗操作后的初始数据进行二次筛选，得到预数据；

S3.通过遗传算法对预数据进行优化操作，经过分析操作的预数据随机产生多个起始点，然后在同一时刻对起始点进行检索，并输出检索结果；

S4.通过AdaBoost元算法加权检索结果，并对数据进行分类，得到初始结果集；

S5.根据每个分类器中样例的设置权重，对初始结果集逐次进行分类，从而得到加权平均结果；

S6.通过对比加权平均结果及初始结果集，判断该初始数据代表的设备故障是否属于已知故障；

S7.如步骤S6中的判断结果为是，则从故障数据库调取改初始数据对应的故障信息，并通过人机界面输出故障信息，如步骤S6中的判断结果为否，则将该初始数据加入故障数据库，并通过人机界面输出紧急故障提示。

本实施例中，步骤S2中，清洗操作包括列数据编辑、单元格编辑及分组项编辑，还包括分别检查数据储存格式、长度、编码格式及引用字段。

本实施例中，步骤S3中，采用随机森林获取初始数据的分类结果。具体操作如下：首先对出现的各项数据作出定义，即N：训练初始数据个数，M：特征数目m：指定的特征数目，用于确定决策树上一个节点的决策结果(m≤M)；对于每个分类项而言，随机有放回的从训练集中抽取N个训练初始数据，作为该分类项的训练集，未抽到的初始数据做预测，评估其误差。对于每一个分支出现的节点，随机选择m个特征，决策分支项上的每一个节点由这些特征决定。选择每个分支项中违背抽取到的初始数据，将其定义并分类为oob初始数据。对每个初始数据，计算并分析它作为oob初始数据时，分类项的分类情况。以简单多数投票作为该初始数据的分类结果，用误分个数占初始数据总数的比率作为随机森林的oob误分率。根据其中的m个特征，计算最佳分支出现方式。对每个初始数据，计算它作为oob初始数据的分支项。针对初始数据的分类情况，以简单多数投票作为该初始数据的分类结果。

实施例3

在实施例1的基础上，如图1所示，本实施例提供一种基于机器学习的设备故障检测方法，包括以下步骤：

S1.获取采集的出现故障的设备的初始数据；

S2.对初始数据进行清洗操作，并对完成清洗操作后的初始数据进行二次筛选，得到预数据；

S3.通过遗传算法对预数据进行优化操作，经过分析操作的预数据随机产生多个起始点，然后在同一时刻对起始点进行检索，并输出检索结果；

S4.通过AdaBoost元算法加权检索结果，并对数据进行分类，得到初始结果集；

S5.根据每个分类器中样例的设置权重，对初始结果集逐次进行分类，从而得到加权平均结果；

S6.通过对比加权平均结果及初始结果集，判断该初始数据代表的设备故障是否属于已知故障；

S7.如步骤S6中的判断结果为是，则从故障数据库调取改初始数据对应的故障信息，并通过人机界面输出故障信息，如步骤S6中的判断结果为否，则将该初始数据加入故障数据库，并通过人机界面输出紧急故障提示。

本实施例中，优化操作的具体步骤如下：

S301.初始时间t＝0，随机选择初始种群P_0；

S302.计算个体适应度函数值F(P_t)；

S303.若种群中最优个体所对应的适应度函数值足够大或者算法已连续运行多代且个体的最佳适应度无明显改进则转到步骤S306；

S304.当前时间t’＝t+1，应用选择算子法从P_(t-1)中选择P_t；

S305.对P_t进行交叉、变异操作，之后转到步骤S302；

S306.给出最佳的核函数参数和惩罚因子C，并用其训练数据集以获得多个起始点。

实施例4

在实施例1的基础上，如图1所示，本实施例提供一种基于机器学习的设备故障检测方法，包括以下步骤：

S1.获取采集的出现故障的设备的初始数据；

S2.对初始数据进行清洗操作，并对完成清洗操作后的初始数据进行二次筛选，得到预数据；

S3.通过遗传算法对预数据进行优化操作，经过分析操作的预数据随机产生多个起始点，然后在同一时刻对起始点进行检索，并输出检索结果；

S4.通过AdaBoost元算法加权检索结果，并对数据进行分类，得到初始结果集；

S5.根据每个分类器中样例的设置权重，对初始结果集逐次进行分类，从而得到加权平均结果；

S6.通过对比加权平均结果及初始结果集，判断该初始数据代表的设备故障是否属于已知故障；

S7.如步骤S6中的判断结果为是，则从故障数据库调取改初始数据对应的故障信息，并通过人机界面输出故障信息，如步骤S6中的判断结果为否，则将该初始数据加入故障数据库，并通过人机界面输出紧急故障提示。

本实施例中，步骤S3中，采用支持向量机(SVM)分类器，根据结构风险最小化原则构造最优分类面，使得对初始数据的分类误差最小。如：通过一个非线性映射，将非线性可分的数据转化为在特征空间中的线性可分的数据，假设一组初始数据线性可分，则通过找出一个线性分类器对其进行分类。此时，输入初始数据的特征向量是一个低维的向量，并在低维空间线性不可分，则可以利用核函数将其转化为高维的向量，这个映射可以把低维空间中线性不可分的两类点转化成线性可分的。

在模型构建过程中，本发明取代传统的单一模型故障检验方法及人工故障检测方法，利用遗传算法与AdaBoost元算法的组合，用遗传算法调参代替了传统的调参方法，可以提高算法的准确率，提高效率，利用AdaBoost元算法可支持多种分类器(支持向量机、随机森林、BP神经网络)的自定义添加，进行故障的检测，训练并使本发明具有自主诊断故障发生的能力，而不需要借助人工进行情况判断。

实施例5

在实施例1的基础上，如图1所示，本实施例提供一种基于机器学习的设备故障检测方法，包括以下步骤：

S1.获取采集的出现故障的设备的初始数据；

S2.对初始数据进行清洗操作，并对完成清洗操作后的初始数据进行二次筛选，得到预数据；

S3.通过遗传算法对预数据进行优化操作，经过分析操作的预数据随机产生多个起始点，然后在同一时刻对起始点进行检索，并输出检索结果；

S4.通过AdaBoost元算法加权检索结果，并对数据进行分类，得到初始结果集；

S5.根据每个分类器中样例的设置权重，对初始结果集逐次进行分类，从而得到加权平均结果；

S6.通过对比加权平均结果及初始结果集，判断该初始数据代表的设备故障是否属于已知故障；

S7.如步骤S6中的判断结果为是，则从故障数据库调取改初始数据对应的故障信息，并通过人机界面输出故障信息，如步骤S6中的判断结果为否，则将该初始数据加入故障数据库，并通过人机界面输出紧急故障提示。

本实施例中，步骤S5中，每经过一个分类器之后，加权分类计算结果会进行相应的权重值更新。

本实施例中，步骤S5中，根据每个分类器中输出的加权结果在圆形进行求和，得到最终的输出结果。

本实施例中，权重值的计算公式如下：

H_final＝sign＝(∑a_i·H_i)，

其中，H_i为根据误差率最低的阈值得到的基本分类器，a_i表示H_i在最终分类器中的重要程度。

随着机械设备越来越精密复杂，设备故障检测工作显得尤为艰难，本发明能够实现机器的自我学习功能，同时建立了设备的故障数据库，能够准确及时的确定设备故障以及解决方法，机械设备的检测工作能杜绝机械故障的发生，能够降低机械设备维修次数，显著地提高检修效率，从而提升企业的生产效率极大，使得企业经济效益得到提升，因此对于企业的生产实践具有极其重要的意义；经过训练后，本发明可以对各类机床加工设备、生产设备有相当程度的普遍适用性，能够广泛适用于各种可能出现的种种机械生产故障的工业生产应用场景中，适于推广使用。

需要说明的是，在本文中，诸如第一和第二之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同因素。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储在计算机可读取的存储介质中，该程序在执行时，执行包括上述方法实施例的步骤。

最后需要说明的是：以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (7)

1.一种基于机器学习的设备故障检测方法，其特征在于：包括以下步骤：

S1.获取采集的出现故障的设备的初始数据；

S2.对初始数据进行清洗操作，并对完成清洗操作后的初始数据进行二次筛选，得到预数据；

S3.通过遗传算法对预数据进行优化操作，经过分析操作的预数据随机产生多个起始点，然后在同一时刻对起始点进行检索，并输出检索结果；

S4.通过AdaBoost元算法加权检索结果，并对数据进行分类，得到初始结果集；

S5.根据每个分类器中样例的设置权重，对初始结果集逐次进行分类，从而得到加权平均结果；

S6.通过对比加权平均结果及初始结果集，判断该初始数据代表的设备故障是否属于已知故障；

S7.如步骤S6中的判断结果为是，则从故障数据库调取该 初始数据对应的故障信息，并通过人机界面输出故障信息，如步骤S6中的判断结果为否，则将该初始数据加入故障数据库，并通过人机界面输出紧急故障提示；

所述的步骤S3中，优化操作的具体步骤如下：

S301.初始时间t＝0，随机选择初始种群P_0；

S302.计算个体适应度函数值F(P_t)；

S303.若种群中最优个体所对应的适应度函数值足够大或者算法已连续运行多代且个体的最佳适应度无明显改进则转到步骤S306；

S304.当前时间t’＝t+1，应用选择算子法从P_(t-1)中选择P_t；

S305.对P_t进行交叉、变异操作，之后转到步骤S302；

S306.给出最佳的核函数参数和惩罚因子C，并用其训练数据集以获得多个起始点。

2.根据权利要求1所述的基于机器学习的设备故障检测方法，其特征在于：所述的步骤S1中，初始数据来自当前设备的已有数据接口和/或当前设备的外部传感器。

3.根据权利要求1所述的基于机器学习的设备故障检测方法，其特征在于：所述的步骤S2中，清洗操作包括列数据编辑、单元格编辑及分组项编辑，还包括分别检查数据储存格式、长度、编码格式及引用字段；二次筛选时，使对完成清洗后的初始数据引用制度保持一致，且保证编码的唯一性。

4.根据权利要求1所述的基于机器学习的设备故障检测方法，其特征在于：所述的步骤S3中，采用支持向量机(SVM)分类器，根据结构风险最小化原则构造最优分类面，使得对初始数据的分类误差最小。

5.根据权利要求1所述的基于机器学习的设备故障检测方法，其特征在于：所述的步骤S5中，每经过一个分类器之后，加权分类计算结果会进行相应的权重值更新。

6.根据权利要求5所述的基于机器学习的设备故障检测方法，其特征在于：所述的步骤S5中，根据每个分类器中输出的加权结果在圆形进行求和，得到最终的输出结果。

7.根据权利要求5所述的基于机器学习的设备故障检测方法，其特征在于：权重值的计算公式如下：

H_final＝sign(∑a_i·H_i)

其中，H_i为根据误差率最低的阈值得到的基本分类器，a_i表示H_i在最终分类器中的重要程度。

Images