CN109597401B - 一种基于数据驱动的设备故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于数据驱动的设备故障诊断方法，首先，基于小波分解方法，对待诊断设备的振动信号数据进行多层小波分解，得到特征数据，构建原始输入样本集；然后，利用待诊断设备的原始输入样本集，使用训练好的随机森林模型，对待诊断设备进行故障诊断，得到诊断结果；最后，根据诊断结果是否有故障，以及故障类型，对待诊断设备故障产生的原因进行分析和解决。本发明采用粒子群算法，同时优化随机森林模型的2个关键参数，为随机森林参数的优化提供了一种可行、高效的方法，并提高了利用随机森林算法进行设备故障诊断的准确性。

Description

一种基于数据驱动的设备故障诊断方法

技术领域

本发明属于设备故障诊断领域，更具体地，涉及一种基于数据驱动的设备故障诊断方法。

背景技术

如今随着计算机控制和信息管理技术的快速发展，工业生产制造朝着大型化、智能化、自动化等方向升级，组成生产系统的各个生产设备或环节相互关联、相互影响，一旦其中任何一个设备或环节出现故障，轻则导致系统功能失效，影响正常的生产，造成企业重大经济损失，严重时会造成人员安全事故，给国家和人民带来损失。

从安全生产和企业经济效益的角度来说，通过对工业生产关键设备的运行数据进行故障诊断是十分必要的。故障诊断是对故障进行识别，通过构建的知识库给出具体故障信息以及处理方法。

现有的故障诊断方法可以分为基于机理模型的方法、基于知识的方法、基于信号处理的方法和基于机器学习的人工智能方法。基于机理模型的方法具有良好诊断效果的前提是建立精确的模型，随着生产制造系统集成化与复杂化，构建这些系统的精确机理模型是很困难的，基于机理模型的方法在实际应用中很难起到良好诊断效果。基于知识的方法是将故障诊断相关的专家经验知识进行处理，模拟人的决策方式，实现复杂系统的智能化诊断。这种方法构建的模型大部分不具有自我学习能力，不能满足需求。基于信号处理的方法是对信号进行处理和特征提取来进行故障诊断，但是没有固定的特征提取方案，不同类型数据的特征提取方式不近相同。随着技术的发展，基于机器学习的人工智能方法进行故障诊断，提高了诊断效率和准确性，但诊断效果和准确性依赖于机器学习算法的参数优化，不同的参数训练出来的模型会有差异，如果参数不进行优化或优化效果不好，则诊断不准确。同时，参数优化方法也存在效率低的问题。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于数据驱动的设备故障诊断方法，由此解决现有的故障诊断方法诊断结果偏差大，以及诊断算法的参数优化效率低的问题。

为实现上述目的，本发明提供了一种基于数据驱动的设备故障诊断方法，包括：

(1)基于小波分解方法，对待诊断设备的振动信号数据进行多层小波分解，得到特征数据，构建原始输入样本集；

(2)利用待诊断设备的原始输入样本集，使用训练好的随机森林模型，对待诊断设备进行故障诊断，得到诊断结果；

(3)根据诊断结果是否有故障，以及故障类型，对待诊断设备故障产生的原因进行分析和解决。

进一步地，步骤(1)包括：

对工业生产待诊断设备的振动信号数据在连续小波变换后，进行离散小波变换，将振动信号数据分别经过低通滤波器和高通滤波器，得到低频分量和高频分量，接着对低频分量继续进行低通滤波器和高通滤波器分解，得到次低频分量和次高频分量，对次低频分量继续进行低通滤波器和高通滤波器分解，重复执行以上分解操作，直至达到预设分解次数，计算各个分量的能量和总能量，将各个分量能量占总能量的比值作为特征数据，构建出原始输入样本集。

进一步地，所述预设分解次数为3～6次。

进一步地，步骤(2)是使用训练好的随机森林模型对设备进行故障诊断，训练过程包括：

(2.1)基于小波分解方法，对经过标记的设备振动信号数据进行多层小波分解，得到特征数据，构建原始输入样本集；

(2.2)采用粒子群算法优化所述随机森林模型的参数，将利用所述原始输入样本集得到的分类正确率最高的随机森林模型参数作为随机森林模型的最优参数组合，得到训练好的随机森林模型，以通过训练好的RF模型对待诊断设备进行故障诊断，其中，所述随机森林模型中的参数包括决策树棵数n和特征子集大小κ。

进一步地，所述标记的设备振动信号数据是指已知设备运行状态是正常状态的数据还是故障状态的数据，以及是属于哪一种故障状态。

进一步地，步骤(2.2)包括：

(2.2.1)初始化参数，设定最大迭代次数、粒子位置的限定范围、粒子速度的限定范围及粒子种群规模，随机为粒子种群中的每个粒子指定初始位置和速度参数，其中，以空间向量(n,κ)作为所述粒子种群中的粒子，空间向量(n,κ)是由RF的2个关键参数：决策树棵树n和特征集大小κ组成，粒子i的位置为(x_i,n,x_i,κ)，其中，x_i,n是代表随机森林决策树棵树，x_i,κ是代表随机森林特征子集大小，粒子i的速度为(v_i,n,v_i,κ)；

(2.2.2)利用Bootstrap抽样方法，对所述原始输入样本集进行m次有放回的抽取操作，得到与原始输入样本集具有相同样本数m的训练输入样本集，重复x_i,n次Bootstrap抽取操作，得到x_i,n个训练输入样本集，用得到的x_i,n个训练输入样本集依次训练x_i,n个决策树，并在决策树节点分裂时，随机从特征集M中选择大小为x_i,κ的特征子集，根据计算的x_i,κ种分裂情况下的信息增益、信息增益率或者Gini指标，选择最佳分裂特征对应的随机森林结构，得到当前粒子(x_i,n,x_i,κ)对应的临时随机森林模型，其中，特征集M表示原始输入样本集中的样本属性的集合，属性是指小波分解后的各个分量的名称；

(2.2.3)利用原始输入样本集，使用当前粒子(x_i,n,x_i,κ)对应的临时随机森林模型，进行设备故障分类，与经过标记的设备振动信号数据对应的故障类别对比，计算粒子对于经过标记的数据样本的分类正确率，以分类正确率作为当前粒子的适应度值；

(2.2.4)更新各粒子的速度和位置，若粒子位置及速度超出了各自的限定范围，则取边界值，限制粒子速度和位置，对于更新后的每个粒子，若该粒子当前位置对应的适应度高于其历史最佳位置对应的适应度，则将当前位置作为该粒子的最佳位置；

(2.2.5)更新种群位置，将每个粒子的当前最佳位置对应的适应度与种群历史最佳位置对应的适应度进行比较，若某个粒子当前最佳位置对应的适应度值更高，则将该粒子当前最佳位置作为种群最佳位置；

(2.2.6)若迭代次数小于预设最大迭代次数，且种群的最佳适应度值小于预设阈值，则返回步骤(2.2.2)继续迭代，否则结束迭代，将得到的种群最佳位置作为随机森林模型的决策树棵数和特征子集大小的最优组合。

进一步地，步骤(3)：

设备运行状态包括设备运行正常状态和设备处于故障状态，如果设备处于故障状态，根据诊断结果的故障类型，进行设备故障产生的原因分析，进行有针对性地解决。当某类故障发生次数较多时，及时反映给设备维护部门或设备生产厂家，杜绝或减少设备这类故障的发生，从而减少因设备故障停机，造成的生产经营损失。

总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：

(1)本发明方法可以实现基于数据驱动的工业生产关键设备故障诊断，采用粒子群算法优化随机森林(Random Forest，RF)模型关键参数，利用随机森林模型，根据设备故障的振动信号数据，进行设备故障诊断，提高了检测准确率。

(2)影响随机森林算法性能的关键参数有决策树棵树n和特征子集大小κ，这两个参数具体的影响随着数据的不同而有差异，为了让随机森林算法进行故障诊断时对不同的数据能自动调节参数，本发明采用了基于粒子群优化随机森林模型参数的方法，达到了在不同数据情况下，随机森林模型能自动匹配出最佳的训练参数的目的，提高了随机森林诊断算法的适应性。

(3)本发明方法使用PSO(Particle Swarm Optimization，粒子群优化)算法对随机森林模型的2个关键参数：决策树棵树n和特征集大小κ进行优化，同时得到最优的2个关键参数，而不是逐个参数进行优化，提高了优化效率。

附图说明

图1是本发明实施例提供的一种基于数据驱动的设备故障诊断方法的流程示意图；

图2是本发明的第一实施例提供的一种离散小波变换分解结构示意图图；

图3是本发明的第一实施例提供的一种电机轴承振动数据的6层DWT分解图；

图4是本发明实施例提供的一种基于粒子群算法进行随机森林模型参数的优化流程示意图；

图5是本发明实施例提供的一种基于数据驱动的设备故障诊断方法结构图。

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，以下结合附图及实施例，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例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

如图1所示，一种基于数据驱动的设备故障诊断方法，包括：

(1)基于小波分解方法，对待诊断设备的振动信号数据进行多层小波分解，得到特征数据，构建原始输入样本集；

(2)利用待诊断设备的原始输入样本集，使用训练好的随机森林模型，对待诊断设备进行故障诊断，得到诊断结果；

(3)根据诊断结果是否有故障，以及故障类型，对待诊断设备故障产生的原因进行分析和解决。

实施例1

本发明实施例1的数据集来自采矿行业的提升机电机轴承振动数据，每隔10分钟获取一次振动数据，振动数据的时间窗口为1秒，采样率为20kHz。经过以下步骤，进行电机的故障诊断：

步骤(1)：使用基于小波分解方法，对工业生产中的待诊断设备的振动信号数据进行特征提取。

连续小波变换(continuous wavelet transform，CWT)公式为：

其中，a是尺度参数,代表频率的倒数；b是平移参数；f(t)代表原始信号；ψ(t)代表小母波函数。

由于采集到的振动信号是离散信号，因此进行离散小波变换(discrete wavelettransform，DWT)，具体方法是：

在连续小波变换的基础上，用2^j和2^k分别替换掉公式(1)中的a和b，得到公式(2)：

原始信号f(t)，分别经过低通滤波器L和高通滤波器H，得到低频分量cA和高频分量cD，接着对低频分量继续进行滤波器L和H分解，得到次低频分量和次高频分量，依此进行迭代分解，最终进行k次分解得到k+1组分量。

进一步地，在本发明实施例中的迭代分解次数可以选取3～6次。

图2给出了3层DWT分解结构示意图，迭代次数为3次。f(t)第一次小波分解得到低频分量cA₁和高频分量cD₁，对cA₁进行第二次分解得到次低频分量cA₂和次高频分量cD₂，再对cA₂进行第三次分解得到低频分量cA₃和高频分量cD₃，最终得到(cA₃,cD₃,cD₂,cD₁)四组分量。

如图3所示，对电机轴承振动数据采用6层DWT分解，迭代次数为6次。截取1200个连续数据进行分解，得到(cA₆,cD₆,cD₅,cD₄,cD₃,cD₂,cD₁)七组分量的信息。

然后计算各个分量的能量E₁,E₂,...,E_q，计算公式为：

其中，E_j代表原信号分解后的第j个小波谱能量，x_j(i)代表DWT分解后的第j个分量，q表示总体小波谱能量分解后的分量能量的个数，w表示第j个分量的离散量的个数。

原信号的总体小波谱能量S等于各个分量能量之和，即S＝E₁+E₂+...+E_q，各个分量能量占总能量的比值为：

将各个分量能量占总能量的比值作为特征数据，获得7维特征量，构建出原始输入样本集。

在本发明实例中，优选取q＝7。

步骤(2)是使用训练好的随机森林模型对设备进行故障诊断，训练过程包括：

(2.1)基于小波分解方法，对经过标记的设备振动信号数据进行多层小波分解，得到特征数据，构建原始输入样本集；

(2.2)采用粒子群算法优化随机森林模型的参数，将利用原始输入样本集得到的分类正确率最高的随机森林模型参数作为随机森林模型的最优参数组合，得到训练好的随机森林模型，以通过训练好的RF模型对待诊断设备进行故障诊断，其中，随机森林模型中的参数包括决策树棵数n和特征子集大小κ。

具体地，标记的设备振动信号数据是指已知设备运行状态是正常状态的数据还是故障状态的数据，以及是属于哪一种故障状态。

进一步地，用粒子群算法对随机森林RF模型参数进行优化的流程如图4所示，具体步骤如下：

(a)初始化参数，设定最大迭代次数G_max，粒子位置、速度的限定范围分别为[X_min,n,X_max,n][X_min,κ,X_max,κ]和[-V_max,n,V_max,n][-V_max,κ,V_max,κ]，粒子种群规模N，随机为粒子种群中的每个粒子指定初始位置和速度参数，其中，以空间向量(n,κ)作为所述粒子种群中的粒子，空间向量(n,κ)是由RF的2个关键参数：决策树棵树n和特征集大小κ组成，粒子i的位置为(x_i,n,x_i,κ)，其中x_i,n是代表随机森林决策树棵树，x_i,κ是代表随机森林特征子集大小，粒子i的速度为(v_i,n,v_i,κ)，v_i,n表示粒子i的决策树棵树n分量的飞行速度矢量，v_i,κ表示粒子i的特征子集大小κ分量的飞行速度矢量；

(b)利用Bootstrap抽样方法，对步骤(2.1)中的原始输入样本集进行m次有放回的抽取操作，得到与原始输入样本集具有相同样本数m的训练输入样本集，重复x_i,n次Bootstrap抽取操作，得到x_i,n个训练输入样本集，用得到的x_i,n个训练输入样本集依次训练x_i,n个决策树，并在决策树节点分裂时，随机从特征集M中选择大小为x_i,κ的特征子集，根据计算的x_i,κ种分裂情况下的信息增益、信息增益率或者Gini指标，选择最佳分裂特征对应的随机森林结构，得到当前粒子(x_i,n,x_i,κ)对应的临时随机森林模型，其中，特征集M表示原始输入样本集中的样本属性的集合，属性是指小波分解后的各个分量的名称；

本发明实施例中，采用Gini指标。

本发明实施例中，属性是指设备振动信号数据分解后的E_j小波谱能量的名称，j＝1,2,...,q；

(c)利用原始输入样本集，使用当前粒子(x_i,n,x_i,κ)对应的临时随机森林模型，进行设备故障分类，与经过标记的设备振动信号数据对应的故障类别对比，计算粒子对于经过标记的数据样本的分类正确率，以分类正确率作为当前粒子的适应度值；

(d)更新各粒子的速度和位置，对于更新后的每个粒子，若该粒子当前位置对应的适应度高于其历史最佳位置对应的适应度，则将当前位置作为该粒子的最佳位置；

具体地，粒子i个体经过的最佳位置pbest_i＝(p_i,n,p_i,κ)，pbest_i用于记录粒子i的适应度值最高的位置信息；

依据下面两个公式更新各粒子的速度和位置：v_i与x_i，假如粒子位置、速度超出了设定区间，则取边界值，限制粒子速度和位置；

其中，

表示第k次迭代中，粒子i的决策树棵树n分量的飞行速度矢量；w表示惯性权重(本实施例中，取值为0.5)；

表示第k-1次迭代中，粒子i的决策树棵树n分量的飞行速度矢量；c₁和c₂表示加速度常数(本实施例中，取值为1.5)，用于调整更新步长；r₁和r₂是范围在0到1的随机数，用以增强搜索随机性；p_i,n表示粒子i个体经过的最佳位置pbest_i＝(p_i,n,p_i,κ)中的决策树棵树n分量的最佳位置；

表示第k-1次迭代中，粒子i的决策树棵树n分量的位置矢量；g_n表示种群经过的最佳位置gbest＝(g_n,g_κ)中的决策树棵树n分量的最佳位置；

表示第k次迭代中，粒子i的特征子集大小κ分量的飞行速度矢量；

表示第k-1次迭代中，粒子i的特征子集大小κ分量的飞行速度矢量；p_i,κ表示粒子i个体经过的最佳位置pbest_i＝(p_i,n,p_i,κ)中的特征子集大小κ分量的最佳位置；

表示第k-1次迭代中，粒子i的特征子集大小κ分量的位置矢量；g_κ表示种群经过的最佳位置gbest＝(g_n,g_κ)中的特征子集大小κ分量的最佳位置；

表示第k次迭代中，粒子i的决策树棵树n分量的位置矢量；

表示第k次迭代中，粒子i的特征子集大小κ分量的位置矢量。

(e)更新种群位置，将每个粒子的当前最佳位置对应的适应度与种群历史最佳位置对应的适应度进行比较，若某个粒子当前最佳位置对应的适应度值更高，则将该粒子当前最佳位置作为种群最佳位置；

具体地，种群经过的最佳位置gbest＝(g_n,g_κ)，gbest用于记录群体所有粒子在迭代过程中的最高适应度值的位置信息；

(f)若迭代次数k小于预设最大迭代次数G_max，即k＜G_max，且种群的最佳适应度值小于预设阈值，则返回步骤(b)继续迭代，否则结束迭代，将得到的种群最佳位置作为随机森林模型的决策树棵数和特征子集大小的最优组合。

训练完成后，数据集分类准确率最高的种群最佳位置即是所述RF模型的最优参数解，包含决策树棵树n和特征子集大小κ最优组合。本实施例中，训练完成后的最优参数：决策树棵树n＝169，特征子集大小κ＝1。

进一步地，Bootstrap抽样方法是以原始数据为基础，分析数据的统计分布特征，适用于难以用常规方法导出对参数的区间估计、假设检验等问题。基本思想是：在原始数据的范围内作有放回的再抽样，样本容量与原始数据容量相同，原始数据中每个观察单位每次被抽到的概率相等，所得样本称为Bootstrap样本。

步骤(3)：设备运行状态包括设备运行正常状态和设备处于故障状态，如果设备处于故障状态，根据诊断结果的故障类型，进行设备故障产生的原因分析，进行有针对性地解决。当某类故障发生次数较多时，及时反映给设备维护部门或设备生产厂家，杜绝或减少设备这类故障的发生，从而减少因设备故障停机，造成的生产经营损失。

图5是本发明的一种基于数据驱动的设备故障诊断方法的结构图，实现基于数据驱动的工业生产关键设备故障诊断。首先对电机轴承振动数据，进行多层小波分解得到特征数据，构建成原始输入样本集，然后，利用原始输入样本集，使用训练好的随机森林模型进行设备故障诊断。

利用PSO算法，同时优化随机森林模型的2个关键参数，得到训练好的随机森林模型，为随机森林参数的优化提供了一种可行、高效的方法，并提高了利用随机森林算法进行设备故障诊断的准确性。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种基于数据驱动的设备故障诊断方法，其特征在于，包括以下步骤：

(1)基于小波分解方法，对待诊断设备的振动信号数据进行多层小波分解，得到特征数据，构建原始输入样本集；

(2)利用待诊断设备的原始输入样本集，使用训练好的随机森林模型，对待诊断设备进行故障诊断，得到诊断结果；

(3)根据诊断结果是否有故障，以及故障类型，对待诊断设备故障产生的原因进行分析和解决；

所述步骤(1)包括：

对工业生产待诊断设备的振动信号数据在连续小波变换后，进行离散小波变换，将振动信号数据分别经过低通滤波器和高通滤波器，得到低频分量cA₁和高频分量cD₁，接着对低频分量cA₁继续进行低通滤波器和高通滤波器分解，得到次低频分量cA₂和次高频分量cD₂，对次低频分量cA₂继续进行低通滤波器和高通滤波器分解，重复执行以上分解操作，直至达到预设分解次数n，最终得到(cA_n,cD_n,cD_n-1,…,cD₂,cD₁)n+1组分量，计算各个分量的能量和总能量，将各个分量能量占总能量的比值作为特征数据，构建出原始输入样本集；

所述步骤(2)的训练好的随机森林RF模型，训练过程包括：

(2.1)基于小波分解方法，对经过标记的设备振动信号数据进行多层小波分解，得到特征数据，构建原始输入样本集；

(2.2)采用粒子群算法优化所述随机森林模型的参数，将利用所述原始输入样本集得到的分类正确率最高的随机森林模型参数作为所述随机森林模型的最优参数组合，得到训练好的随机森林模型，以通过训练好的RF模型对待诊断设备进行故障诊断，其中，所述随机森林模型中的参数包括决策树棵数n和特征子集大小κ；以空间向量(n,κ)作为粒子种群中的粒子，以同时得到最优的2个关键参数。

2.根据权利要求1所述的方法，其特征在于，所述预设分解次数为3～6次。

3.根据权利要求1所述的方法，其特征在于，所述标记的设备振动信号数据是指已知设备运行状态是正常状态的数据还是故障状态的数据，以及是属于哪一种故障状态。

4.根据权利要求1所述的方法，其特征在于，步骤(2.2)包括：

(2.2.1)初始化参数，设定最大迭代次数、粒子位置的限定范围、粒子速度的限定范围及粒子种群规模，随机为粒子种群中的每个粒子指定初始位置和速度参数，其中，空间向量(n,κ)是由RF的2个关键参数：决策树棵树n和特征集大小κ组成，粒子i的位置为(x_i,n,x_i,κ)，其中，x_i,n是代表随机森林决策树棵树，x_i,κ是代表随机森林特征子集大小，粒子i的速度为(v_i,n,v_i,κ)；

(2.2.2)利用Bootstrap抽样方法，对所述原始输入样本集进行m次有放回的抽取操作，得到与原始输入样本集具有相同样本数m的训练输入样本集，重复x_i,n次Bootstrap抽取操作，得到x_i,n个训练输入样本集，用得到的x_i,n个训练输入样本集依次训练x_i,n个决策树，并在决策树节点分裂时，随机从特征集M中选择大小为x_i,κ的特征子集，根据计算的x_i,κ种分裂情况下的信息增益、信息增益率或者Gini指标，选择最佳分裂特征对应的随机森林结构，得到当前粒子(x_i,n,x_i,κ)对应的临时随机森林模型，其中，特征集M表示原始输入样本集中的样本属性的集合，属性是指小波分解后的各个分量的名称；

(2.2.3)利用原始输入样本集，使用当前粒子(x_i,n,x_i,κ)对应的临时随机森林模型，进行设备故障分类，与经过标记的设备振动信号数据对应的故障类别对比，计算粒子对于经过标记的数据样本的分类正确率，以分类正确率作为当前粒子的适应度值；

(2.2.4)更新各粒子的速度和位置，若粒子位置及速度超出了各自的限定范围，则取边界值，限制粒子速度和位置，对于更新后的每个粒子，若该粒子当前位置对应的适应度高于其历史最佳位置对应的适应度，则将当前位置作为该粒子的最佳位置；

(2.2.5)更新种群位置，将每个粒子的当前最佳位置对应的适应度与种群历史最佳位置对应的适应度进行比较，若某个粒子当前最佳位置对应的适应度值更高，则将该粒子当前最佳位置作为种群最佳位置；

(2.2.6)若迭代次数小于预设最大迭代次数，且种群的最佳适应度值小于预设阈值，则返回步骤(2.2.2)继续迭代，否则结束迭代，将得到的种群最佳位置作为随机森林模型的决策树棵数和特征子集大小的最优组合。

Images