CN109297689A - 一种引入权重因子的大型水力机械智能诊断方法 - Google Patents

Abstract

本发明公开了一种引入权重因子的大型水力机械智能诊断方法，涉及水力机械故障诊断技术领域。该方法，首先利用深度森林的多粒度扫描对所述原始振动信号进行特征转换，然后将转换后的特征代入引入权重因子的深度森林的级联森林中进行有监督的逐级训练，最终以极端梯度提升法(XGBoost)融合结果，得到最终分类结果，完成泵站机组智能诊断。利用深度森林模型，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；利用权重因子对类向量进行修正，提高了故障诊断的准确性和有效性；以极端梯度提升法(XGBoost)融合结果，进一步提高了诊断的智能化和准确性，实现了从原始监测数据的端对端的智能故障诊断。

Description

一种引入权重因子的大型水力机械智能诊断方法

技术领域

本发明涉及水力机械故障诊断技术领域，尤其涉及一种引入权重因子的大型水力机械智能诊断方法。

背景技术

泵站在工业、农业、生产生活中都举足轻重，因此泵站的可靠运行至关重要。传统的检修措施是定期维修、事后维修，这种检修方法存在很大的弊端，很多情况下机械设备已经明显出现故障但是检修期限还没到，需要经过多层申请才能进行检修，经常检修是会出现机器已经出现严重磨损，达到了报废的程度，也有时会发现检修过程中机组的状况良好，根本不用检修，但是在检修过程中反而使机组的配合不如检修前，而引发一定的故障，这种维修政策下经常会遇到维修不足和过剩检修，这样不仅对机组产生损害，而且增加了机组的停机时间降低了机组的生产效率，增加了机组运行的成本。改变传统的检修方式，实现机组在线监测，在对泵机组故障诊断的基础上实现按需维修，及时发现机组的故障，快速找到机组故障的位置，从而减少机组的停机时间，提高机组的工作效率，降低运行成本，同时也能够减少泵站事故的发生，从而避免机毁人亡的恶性事故。在故障诊断的基础上逐渐向泵站运行的智能化转化，减少泵站运行人员从而实现少人值守或者无人值守。

由于大量的故障特征信息存在于振动信号之中，故振动信号分析是泵站机组状态监测中的常用方法。目前基于泵站机组的原始振动信号进行故障诊断常采用的方法可描述为利用信号处理技术提取故障特征，利用机器学习技术对各种故障进行分类。然而从原始振动信号手工提取和选择的敏感特征在很大程度上除了依赖于信号处理技术，往往还取决于对现场专业知识的了解。如果提取的手动特征不太好，那么得到的诊断结果就有很大的几率不准确。其次，传统的故障诊断往往利用支持向量机、决策树等浅层分类方法，这种浅层学习方法往往无法自动识别各个特征的权重，从而导致诊断精度不高。

近年来，随着深度学习在各个领域如语音识别，行为识别等的发展，基于深度学习理论的智能故障诊断技术有了很大突破，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。因此，深度森林的出现解决了上述问题，但针对为了进一步提高诊断的精度与效率，需对深度森林进行改进以更好地适用于基于原始振动信号的泵站端对端智能故障诊断。

发明内容

本发明的目的在于提供一种引入权重因子的大型水力机械智能诊断方法，从而解决现有技术中存在的前述问题。

为了实现上述目的，本发明采用的技术方案如下：

一种引入权重因子的大型水力机械智能诊断方法，包括如下步骤：

S1，在泵站机组工作时的每种工况下，获取机组每个监测部件上的原始监测信号；

S2，利用深度森林的多粒度扫描对所述原始振动信号进行特征转换，得到转换后特征；

S3，将S2得到的转化后的特征代入引入权重因子的深度森林的级联森林中进行有监督的逐级训练，根据收敛条件，得到各最终级别的估计类向量；

在训练过程中，对每一级级联森林输出的特征向量均引入权重因子，得到改进的特征向量，并将该改进的特征向量作为下一级级联森林的输入；

S4,将S3中得到的各最终级别的估计类向量，以极端梯度提升法融合结果，得到最终的分类结果，完成故障诊断。

优选地，S1具体为，在泵站机组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不同故障原始振动信号。

优选地，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。

优选地，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。

优选地，所述原始振动信号包括不平衡故障信号、不对中故障信号、碰磨故障信号和不对中、碰撞组合故障信号。

优选地，S2包括如下步骤：

S201，将每个所述原始振动信号均作为特征输入，采用m种不同大小的滑动特征窗口扫描一个K维特征的原始振动信号，生成相应维度的训练样本，所述训练样本的个数采用如下公式计算；

其中，w_i为滑动特征窗口的大小，s_i为滑动步长，n_i为滑动特征窗口扫描一个K维特征的振动信号所产生的训练样本的个数；

S202，利用n_i个训练样本分别去训练一个随机森林和一个完全随机树森林，生成n_i个与故障类别数相同的类向量；

S203,将n_i个与故障类别数相同的类向量连接起来，作为多粒度扫描转换后的特征向量。

优选地，S202中，所述随机森林的构建方法为：随机选择个特征，选择最佳的基尼系数值的一个特征进行分裂，其中，基尼系数表达式为：

式中，d为第j个故障类别的故障样本数量，n_i为每个振动信号样本产生的子训练样本的数量。

优选地，S202中，所述完全随机树森林的构建方法为：随机选择一个特征在决策树的节点进行分裂，直到每个叶节点只包含同一类实例或者少于设置的最少样本数。

优选地，S3包括如下步骤；

S301,将S2得到的转化后的特征带入到上一级的随机森林和完全随机森林中，得到该级别的每个随机森林对应生成的一个估计类向量；

S302,根据估计类向量与对应的样本标签，评估对应森林的分类准确率，基于对分类准确率高的森林对应的估计类向量赋予高的权重，分类准确率低的森林对应的估计类向量赋予低的权重的思想，对每个估计类向量引入权重因子，得到引入权重因子的估计类向量；

S303,将上一级得到的所述引入权重因子的估计类向量与该级别输入的特征向量连接在一起形成一个新的特征向量，所述新的特征向量作为下一级级联森林的输入，所述新的特征向量带入到该级别的随机森林和完全随机树森林中，得到该级别的级联森林对应生成的估计类向量；

S304,重复S303，进行逐级特征学习，直至k折交叉验证的结果收敛，得到各最终级别的估计类向量；其中，K折交叉验证是指初始采样分割成K个子样本，一个单独的子样本被保留作为验证模型的数据，其他K-1个样本用来训练。

本发明的有益效果是：本发明实施例提供了一种引入权重因子的大型水力机械智能诊断方法，首先利用深度森林的多粒度扫描对所述原始振动信号进行特征转换，然后将转换后的特征代入引入权重因子的深度森林的级联森林中进行有监督的逐级训练，最终以极端梯度提升法(XGBoost)融合结果，得到最终分类结果，完成泵站机组智能诊断。利用深度森林模型，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；利用权重因子对类向量进行修正，充分体现了对各层各种森林分类结果的反馈，进一步提高了故障诊断的准确性和有效性；以极端梯度提升法(XGBoost)融合结果，得到最终分类结果，其软投票的方式较以原算法采取多数服从少数的方式，可进一步提高了诊断的智能化和准确性；同时避免了人工特征提取的局限性以及浅层机器学习诊断精度低的问题，实现了从原始监测数据的端对端的智能故障诊断，同时能够提高泵站系统内机组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，可用于水力、电力、机械等泵站系统的故障智能诊断和实时诊断中。

附图说明

图1是本发明提供的智能诊断方法流程示意图；

图2是本发明提供的深度森林的多粒度扫描流程示意图；

图3是本发明提供的改进的深度森林中进行有监督逐级训练的级联森林流程示意图。

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。

如图1-3所示，本发明实施例提供了一种引入权重因子的大型水力机械智能诊断方法，包括如下步骤：

S1，在泵站机组工作时的每种工况下，获取机组每个监测部件上的原始监测信号；

S2，利用深度森林的多粒度扫描对所述原始振动信号进行特征转换，得到转换后特征；

S3，将S2得到的转化后的特征代入引入权重因子的深度森林的级联森林中进行有监督的逐级训练，根据收敛条件，得到各最终级别的估计类向量；

在训练过程中，对每一级级联森林输出的特征向量均引入权重因子，得到改进的特征向量，并将该改进的特征向量作为下一级级联森林的输入；

S4,将S3中得到的各最终级别的估计类向量，以极端梯度提升法融合结果，得到最终的分类结果，完成故障诊断。

上述诊断方法中，利用深度森林模型，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。

与传统泵站故障诊断技术相比，本发明避免了人工特征提取的局限性以及浅层机器学习诊断精度低的问题，实现了从原始监测数据的端对端的智能故障诊断，同时能够提高泵站系统内机组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，可用于水力、电力、机械等泵站系统的故障智能诊断和实时诊断中。

其中，S1具体可以为，在泵站机组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不同故障原始振动信号。

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。

所述原始振动信号包括不平衡故障信号、不对中故障信号、碰磨故障信号和不对中、碰撞组合故障信号。

本发明的一个优选实施例中，S2可以包括如下步骤：

S201，将每个所述原始振动信号均作为特征输入，采用m种不同大小的滑动特征窗口扫描一个K维特征的原始振动信号，生成相应维度的训练样本，所述训练样本的个数采用如下公式计算；

其中，w_i为滑动特征窗口的大小，s_i为滑动步长，n_i为滑动特征窗口扫描一个K维特征的振动信号所产生的训练样本的个数；

S202，利用n_i个训练样本分别去训练一个随机森林和一个完全随机树森林，生成n_i个与故障类别数相同的类向量；

S203,将n_i个与故障类别数相同的类向量连接起来，作为多粒度扫描转换后的特征向量。

其中，一个随机森林和一个完全随机树森林中均可以包含1000个决策树(其中，决策树的数量是一个超参数，可以根据计算机的计算水平及具体案例设定，本发明中取1000)。假设有C类故障，则分别经过随机森林和完全随机树森林后，每个训练样本均会生成一个类分布的估计值，即一个C维类向量。

本发明实施例中，S202中，所述随机森林的构建方法可以为：随机选择个特征，选择最佳的基尼系数值的一个特征进行分裂，其中，基尼系数表达式为：

式中，d为第j个故障类别的故障样本数量，n_i为每个振动信号样本产生的子训练样本的数量。

S202中，所述完全随机树森林的构建方法可以为：随机选择一个特征在决策树的节点进行分裂，直到每个叶节点只包含同一类实例或者少于设置的最少样本数。

在本发明的一个优选实施例中，S3可以包括如下步骤；

S301,将S2得到的转化后的特征带入到上一级的随机森林和完全随机森林中，得到该级别的每个随机森林对应生成的一个估计类向量；

S302,根据估计类向量与对应的样本标签，评估对应森林的分类准确率，基于对分类准确率高的森林对应的估计类向量赋予高的权重，分类准确率低的森林对应的估计类向量赋予低的权重的思想，对每个估计类向量引入权重因子，得到引入权重因子的估计类向量；

S303,将上一级得到的所述引入权重因子的估计类向量与该级别输入的特征向量连接在一起形成一个新的特征向量，所述新的特征向量作为下一级级联森林的输入，所述新的特征向量带入到该级别的随机森林和完全随机树森林中，得到该级别的级联森林对应生成的八个估计类向量；

S304,重复S303，进行逐级特征学习，直至k折交叉验证的结果收敛，得到各最终级别的估计类向量；其中，K折交叉验证是指初始采样分割成K个子样本，一个单独的子样本被保留作为验证模型的数据，其他K-1个样本用来训练。

其中，S301中，随机森林和完全随机森林的个数可以根据需要进行设置，默认为四个。

S302中，根据估计类向量与对应的样本标签，评估对应森林的分类准确率，具体可以为，将预测的标签与实际标签对比，正确的除以总数。

在实际实施过程中，具体连接的S2转化的特征向量取决于级联森林的具体级数和多粒度扫描的滑动窗口数；如假设多粒度扫描的滑动窗口数为3个，则一般级联森林第1，4，7级等连接经第一个多粒度扫描转换后和S3提取后的具有故障特征的特征向量，而第2，5，8级等连接经第二个多粒度扫描转换后和S3提取后的具有故障特征的特征向量，以此类推。

上述方法中，利用权重因子对类向量进行修正，充分体现了对各层各种森林分类结果的反馈，进一步提高了故障诊断的准确性和有效性。

本发明的一个实施例中，S4中，以极端梯度提升法(XGBoost)融合结果，得到最终分类结果，这种以软投票的方式较以取原取多数服从少数的结果，进一步提高了诊断的智能化和准确性。

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：本发明实施例提供了一种引入权重因子的大型水力机械智能诊断方法，首先利用深度森林的多粒度扫描对所述原始振动信号进行特征转换，然后将转换后的特征代入引入权重因子的深度森林的级联森林中进行有监督的逐级训练，最终以极端梯度提升法(XGBoost)融合结果，得到最终分类结果，完成泵站机组智能诊断。利用深度森林模型，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；利用权重因子对类向量进行修正，充分体现了对各层各种森林分类结果的反馈，进一步提高了故障诊断的准确性和有效性；以极端梯度提升法(XGBoost)融合结果，得到最终分类结果，其软投票的方式较以原算法采取多数服从少数的方式，可进一步提高了诊断的智能化和准确性。

同时避免了人工特征提取的局限性以及浅层机器学习诊断精度低的问题，实现了从原始监测数据的端对端的智能故障诊断，同时能够提高泵站系统内机组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，可用于水力、电力、机械等泵站系统的故障智能诊断和实时诊断中

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 (9)

1.一种引入权重因子的大型水力机械智能诊断方法，其特征在于，包括如下步骤：

S1，在泵站机组工作时的每种工况下，获取机组每个监测部件上的原始监测信号；

S2，利用深度森林的多粒度扫描对所述原始振动信号进行特征转换，得到转换后特征；

S3，将S2得到的转化后的特征代入引入权重因子的深度森林的级联森林中进行有监督的逐级训练，根据收敛条件，得到各最终级别的估计类向量；

在训练过程中，对每一级级联森林输出的特征向量均引入权重因子，得到改进的特征向量，并将该改进的特征向量作为下一级级联森林的输入；

S4,将S3中得到的各最终级别的估计类向量，以极端梯度提升法融合结果，得到最终的分类结果，完成故障诊断。

2.根据权利要求1所述的引入权重因子的大型水力机械智能诊断方法，其特征在于，S1具体为，在泵站机组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不同故障原始振动信号。

3.根据权利要求2所述的引入权重因子的大型水力机械智能诊断方法，其特征在于，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。

4.根据权利要求2所述的引入权重因子的大型水力机械智能诊断方法，其特征在于，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。

5.根据权利要求2所述的引入权重因子的大型水力机械智能诊断方法，其特征在于，所述原始振动信号包括不平衡故障信号、不对中故障信号、碰磨故障信号和不对中、碰撞组合故障信号。

6.根据权利要求1所述的引入权重因子的大型水力机械智能诊断方法，其特征在于，S2包括如下步骤：

S201，将每个所述原始振动信号均作为特征输入，采用m种不同大小的滑动特征窗口扫描一个K维特征的原始振动信号，生成相应维度的训练样本，所述训练样本的个数采用如下公式计算；

其中，w_i为滑动特征窗口的大小，s_i为滑动步长，n_i为滑动特征窗口扫描一个K维特征的振动信号所产生的训练样本的个数；

S202，利用n_i个训练样本分别去训练一个随机森林和一个完全随机树森林，生成n_i个与故障类别数相同的类向量；

S203,将n_i个与故障类别数相同的类向量连接起来，作为多粒度扫描转换后的特征向量。

7.根据权利要求6所述的引入权重因子的大型水力机械智能诊断方法，其特征在于，S202中，所述随机森林的构建方法为：随机选择个特征，选择最佳的基尼系数值的一个特征进行分裂，其中，基尼系数表达式为：

式中，d为第j个故障类别的故障样本数量，n_i为每个振动信号样本产生的子训练样本的数量。

8.根据权利要求7所述的引入权重因子的大型水力机械智能诊断方法，其特征在于，S202中，所述完全随机树森林的构建方法为：随机选择一个特征在决策树的节点进行分裂，直到每个叶节点只包含同一类实例或者少于设置的最少样本数。

9.根据权利要求1所述的引入权重因子的大型水力机械智能诊断方法，其特征在于，S3包括如下步骤；

S301,将S2得到的转化后的特征带入到上一级的随机森林和完全随机森林中，得到该级别的每个随机森林对应生成的一个估计类向量；

S302,根据估计类向量与对应的样本标签，评估对应森林的分类准确率，基于对分类准确率高的森林对应的估计类向量赋予高的权重，分类准确率低的森林对应的估计类向量赋予低的权重的思想，对每个估计类向量引入权重因子，得到引入权重因子的估计类向量；

S303,将上一级得到的所述引入权重因子的估计类向量与该级别输入的特征向量连接在一起形成一个新的特征向量，所述新的特征向量作为下一级级联森林的输入，所述新的特征向量带入到该级别的随机森林和完全随机树森林中，得到该级别的级联森林对应生成的估计类向量；

S304,重复S303，进行逐级特征学习，直至k折交叉验证的结果收敛，得到各最终级别的估计类向量；其中，K折交叉验证是指初始采样分割成K个子样本，一个单独的子样本被保留作为验证模型的数据，其他K-1个样本用来训练。