CN109635881A - 基于集成学习的强鲁棒采煤机故障诊断系统 - Google Patents

Abstract

本发明公开了一种基于集成学习的强鲁棒采煤机故障诊断系统，用于对采煤机故障进行诊断，包括输入数据预处理模块、采煤机故障诊断模型建模模块、采煤机故障诊断预测模块以及模型在线校正模块。本发明对采煤机的故障进行诊断，克服目前已有的故障诊断系统诊断精确度低、鲁棒性差，普适性差的不足。不仅无需安装额外的传感器或修改采煤机的机械部件，而且可用于恶劣的工作条件与未发生故障的采煤机。本发明适用范围广，诊断精度高，鲁棒性强，并保障井下安全作业。

Description

基于集成学习的强鲁棒采煤机故障诊断系统

技术领域

本发明涉及故障诊断领域，尤其涉及基于集成学习的强鲁棒采煤机故障诊断系统。

背景技术

在现代煤矿开采中，采煤机是综采工作面不可或缺的设备。由于工作环境复杂恶劣，载荷波动大，一些关键部件在生产中由于过载容易出现异常、故障。从而影响采煤机工作性能，造成人力、财力浪费。因此快速诊断采煤机是否发生故障以及对故障类型进行快速、准确地判断，对发挥采煤机的效能，提高经济效益有着重大意义。

目前，国内外学者针对采煤机故障诊断问题运用了以下技术：神经网络、粗糙集、专家系统、模糊数学等。上述方法都存在一些共同的缺点：一方面，在恶劣环境下，因干扰因素大，受外界扰动大导致诊断准确率低；另一方面，对于尚未发生故障的采煤机，难以判断是否出现故障。以上问题导致传统的故障诊断方法诊断准确度低，鲁棒性差，普适性差，无法满足实际生产需要。

发明内容

为了克服目前已有的采煤机故障诊断系统诊断精确度低、鲁棒性差，普适性差的不足，本发明的目的在于提供一种基于集成学习的强鲁棒采煤机故障诊断系统。基于集成学习根据采煤机工作信号数据与运行模式之间关系建立模型并引入在线矫正技术来诊断采煤机运行模型并判断是否发生故障。不仅无需安装额外的传感器或修改采煤机的机械部件，而且可用于恶劣的工作条件与未发生故障的采煤机。适用范围广，诊断精度高，鲁棒性强，并保障井下安全作业。

本发明的目的是通过以下技术方案来实现的：基于集成学习的强鲁棒采煤机故障诊断系统，包括输入数据预处理模块、采煤机故障诊断模型建模模块、采煤机故障诊断预测模块以及模型在线矫正模块。现场数据采集传感器、数据库、基于集成学习的强鲁棒采煤机故障诊断系统、输出显示模块依次相连，所述现场数据采集传感器对采煤机轴承温度、传动箱油温及油位、辅助系统压力、冷却水压力、液压系统进液流量及出液流量、冷却水流量、摇臂升起时间、电机电流及温度信息共11种工作信号数据进行采集，并将采煤机信息储存到所述的数据库中，数据库中包含历史采煤机数据及其对应的故障类型标签，故障类型标签主要包含以下几种：轴承故障、主泵故障、补油泵故障、滤油器故障、辅助泵故障、液压马达故障、电机过载、冷却系统故障，数据库为基于集成学习的强鲁棒采煤机故障诊断系统提供数据支持。

进一步地，所述输入数据预处理模块的输入为现场数据采集传感器采集到的11种工作信号数据X＝(x_i1,x_i2,…,x_i11),由于每个变量都有不同的取值与量纲，先对所有数据进行归一化处理，归一化的公式为：

其中min x为x_i的最小值，max x为x_i的最大值。

进一步地，所述采煤机故障诊断模型建模模块，根据采煤机采集到的工作信号数据与运行模式之间关系建立基于Xgboost的模型，来诊断采煤机运行模型并判断是否发生故障，采用如下过程完成：

(1)从数据库中采集N_s个采煤机工作信号X_s及其所对应的采煤机运行模型标签Y_s(包括正常与不同类型的故障)作为训练集,采集N_v个采煤机工作信号X_v及其所对应的采煤机运行模型标签Y_v(包括正常与不同类型的故障)作为测试集；

(2)采用上面得到的训练集进行监督训练，并得到采煤机故障诊断模型：

Y＝f(X) (2)

其中Y为采煤机运行模型标签，X为输入的采煤机工作信号。

进一步地，所述采煤机故障诊断预测模块，利用训练好的采煤机故障诊断模型，结合历史采煤机工作信号数据对现场数据采集传感器新采集的采煤机数据进行实时故障预测诊断。

采用如下过程完成：

(1)对新采集到的采煤机工作信号X_t进行归一化处理得到

其中min X_t为X_t的最小值，max X_t为X_t的最大值。

(2)利用训练好的采煤机故障诊断模型对采煤机当前新加入的工作信号进行故障诊断：

其中f_opt为训练好的模型，为预测的未知采煤机运行模型。

进一步地，所述在线校正模块采用在线校正策略对预报模型模块的参数进行实时校正，通过将预报误差较大的预报数据作为新的训练数据加入训练数据集，来实时修正模型误差。由于目标环境的不确定性(恶劣工作环境、采煤机承载不同载荷、不同采煤机型号等所带来的外部影响)所导致的采煤机故障诊断模型失配，从而引起诊断效果变差甚至崩溃的弊端，更进一步提出模型在线矫正策略，以期突破不同工作环境不同采煤机等影响所导致的模型失配问题，进一步提升采煤机故障诊断模型的鲁棒性(即普适效果)和置信度，并大幅度提高不同环境下的模型适应性，从而得到基于集成学习的强鲁棒采煤机故障诊断模型。采用如下过程完成：

(1)时刻t采集得到的采煤机故障诊断的标签可能在未来的t+n时刻得到，由此可以判断模型预报值的准确性。将预报错误的采煤机工作信号数据作为“难”样本点加入训练集；

(2)采煤机故障诊断模型建模模块在新的训练集上建模进行模型参数更新得到更新过的采煤机故障诊断模型，以解决恶劣工作环境下的模型失配问题，提高模型的普适性和鲁棒性。

本发明的技术构思为：本发明对现场数据采集传感器得到的采煤机工作信号数据进行预处理，基于集成学习算法建立采煤机故障诊断模型，对实时采集的采煤机数据进行故障诊断；引入模型在线矫正技术在线运行过程中不断矫正模型失配问题，从而建立基于集成学习的强鲁棒采煤机故障诊断系统。

本发明的有益效果主要表现在：1、使用集成学习算法建立了采煤机故障诊断模型，可实时根据采集的信息对采煤机进行在线故障诊断，受环境干扰因素小，适用范围广；2、通过不断的模型在线矫正，充分利用现场数据采集传感器得到的数据，解决恶劣环境与未知信号下的模型失配问题，从而能够提高故障诊断的抗干扰能力，并提高故障诊断精确度。

附图说明

图1基于集成学习的强鲁棒采煤机故障诊断系统的整体架构图；

图2基于集成学习的强鲁棒采煤机故障诊断系统的功能模块图；

图3基于集成学习的强鲁棒采煤机故障诊断系统的模型在线矫正模块策略流程图。

具体实施方式

下面根据附图具体说明本发明。

参考图1、图2，基于集成学习的强鲁棒采煤机故障诊断系统的整体架构，涉及现场数据采集传感器1、数据库2、基于集成学习的强鲁棒采煤机故障诊断系统3、输出显示模块4、输入数据预处理模块5、采煤机故障诊断模型建模模块6、采煤机故障诊断预测模块7、模型在线矫正模块8。所述现场数据采集传感器1、数据库2、基于集成学习的强鲁棒采煤机故障诊断系统3、输出显示模块4依次相连，所述现场数据采集传感器1对采煤机轴承温度、传动箱油温及油位、辅助系统压力、冷却水压力、液压系统进液流量及出液流量、冷却水流量、摇臂升起时间、电机电流及温度信息共11种工作信号数据进行采集，并将采煤机信息储存到所述的数据库2中，数据库2中包含历史采煤机工作信号数据及其对应的故障类型标签，故障类型标签包含以下几种：轴承故障、主泵故障、补油泵故障、滤油器故障、辅助泵故障、液压马达故障、电机过载、冷却系统故障，具体采集的信息及对应的故障类型可以根据实际情况由工程师决定，数据库2为基于集成学习的强鲁棒采煤机故障诊断系统3提供数据支持。

进一步地，所述输入数据预处理模块5的输入为现场数据采集传感器1采集到的11种工作信号数据X＝(x_i1,x_i2,…,x_i11),由于每个变量都有不同的取值与量纲，先对所有数据进行归一化处理，归一化的公式为：

其中min x为x_i的最小值，max x为x_i的最大值。

进一步地，所述采煤机故障诊断模型建模模块6，根据采煤机采集到的工作信号数据与运行模式之间关系建立基于Xgboost的模型，来诊断采煤机运行模型并判断是否发生故障，采用如下过程完成：

(1)从数据库2中采集N_s个采煤机工作信号X_s及其所对应的采煤机运行模型标签Y_s(包括正常与不同类型的故障)作为训练集,采集N_v个采煤机工作信号X_v及其所对应的采煤机运行模型标签Y_v(包括正常与不同类型的故障)作为测试集；

(2)采用上面得到的训练集进行监督训练，并得到采煤机故障诊断模型：

Y＝f(X) (2)

其中Y为采煤机运行模型标签，X为输入的采煤机工作信号。

进一步地，所述采煤机故障诊断预测模块7，利用训练好的采煤机故障诊断模型，结合历史采煤机工作信号数据对现场数据采集传感器1新采集的数据进行实时故障预测诊断。采用如下过程完成：

(1)对新采集到的采煤机工作信号X_t进行归一化处理得到

其中min X_t为X_t的最小值，max X_t为X_t的最大值。

(2)利用训练好的采煤机故障诊断模型对采煤机当前新加入的工作信号进行故障诊断：

其中f_opt为训练好的模型，为预测的未知采煤机运行模型。

进一步地，所述在线校正模块8采用在线校正策略对预报模型模块的参数进行实时校正，通过将预报误差较大的预报数据作为新的训练数据加入训练数据集，来实时修正模型误差。由于目标环境的不确定性(恶劣工作环境、采煤机承载不同载荷、不同采煤机型号等所带来的外部影响)所导致的采煤机故障诊断模型失配，从而引起诊断效果变差甚至崩溃的弊端，更进一步提出模型在线矫正策略，以期突破不同工作环境不同采煤机等影响所导致的模型失配问题，进一步提升采煤机故障诊断模型的鲁棒性(即普适效果)和置信度，并大幅度提高不同环境下的模型适应性，从而得到强鲁棒采煤机故障诊断更新模型。采用如下过程完成：

(1)时刻t采集得到的采煤机故障诊断的标签可能在未来的t+n时刻得到，由此可以判断模型预报值的准确性。将预报错误的采煤机工作信号数据作为“难”样本点加入训练集；

(2)采煤机故障诊断模型建模模块在新的训练集上建模进行模型参数更新得到更新过的采煤机故障诊断模型，以解决恶劣工作环境下的模型失配问题，提高模型的普适性和鲁棒性。

进一步，输出显示模块4将诊断模块获得的运行模型通过显示屏进行输出和展示。

上述实施例用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明作出的任何修改和改变，都落入本发明的保护范围。

Claims (5)

1.一种基于集成学习的强鲁棒采煤机故障诊断系统，其特征在于：包括输入数据预处理模块、采煤机故障诊断模型建模模块、采煤机故障诊断预测模块以及模型在线矫正模块。

2.根据权利要求1所述基于集成学习的强鲁棒采煤机故障诊断系统，其特征在于：所述输入数据预处理模块的输入为现场数据采集传感器采集到的采煤机轴承温度、传动箱油温及油位、辅助系统压力、冷却水压力、液压系统进液流量及出液流量、冷却水流量、摇臂升起时间、电机电流及温度信息这11种工作信号数据X＝(x_i1，x_i2，...，x_i11)，由于每个变量都有不同的取值与量纲，先对所有数据进行归一化处理，归一化的公式为：

其中，min x为x_i的最小值，max x为x_i的最大值。

3.根据权利要求1所述基于集成学习的强鲁棒采煤机故障诊断系统，其特征在于：所述采煤机故障诊断模型建模模块，根据采煤机采集到的工作信号数据与运行模式之间关系建立基于Xgboost的模型，来诊断采煤机运行模型并判断是否发生故障，采用如下过程完成：

(1)从数据库中采集N_s个采煤机工作信号X_s及其所对应的采煤机运行模型标签Y_s作为训练集，采集N_v个采煤机工作信号X_v及其所对应的采煤机运行模型标签Y_v作为测试集。

(2)采用上面得到的训练集进行监督训练，并得到采煤机故障诊断模型：

Y＝f(X) (2)

其中，Y为采煤机运行模型标签，X为输入的采煤机工作信号。

4.根据权利要求1所述基于集成学习的强鲁棒采煤机故障诊断系统，其特征在于：所述采煤机故障诊断预测模块，利用训练好的采煤机故障诊断模型，结合历史采煤机工作信号数据对现场数据采集传感器新采集的采煤机数据进行实时故障预测诊断。采用如下过程完成：

(1)对新采集到的采煤机工作信号X_t进行归一化处理得到

其中，min X_t为X_t的最小值，max X_t为X_t的最大值。

(2)利用训练好的采煤机故障诊断模型对采煤机当前新加入的工作信号进行故障诊断：

其中，f_opt为训练好的模型，为预测的未知采煤机运行模型。

5.根据权利要求1所述基于集成学习的强鲁棒采煤机故障诊断系统，其特征在于：所述在线校正模块采用在线校正策略对预报模型模块的参数进行实时校正，通过将预报误差较大的预报数据作为新的训练数据加入训练数据集，来实时修正模型误差。采用如下过程完成：

(1)时刻t采集得到的采煤机故障诊断的标签可能在未来的t+n时刻得到，由此可以判断模型预报值的准确性。将预报错误的采煤机工作信号数据作为“难”样本点加入训练集。

(2)采煤机故障诊断模型建模模块在新的训练集上建模进行模型参数更新得到更新过的采煤机故障诊断模型，以解决恶劣工作环境下的模型失配问题，提高模型的普适性和鲁棒性。