CN109657404B - 基于混沌修正群智能寻优的采煤机故障自动诊断系统 - Google Patents

Abstract

本发明公开了基于混沌修正群智能寻优的采煤机故障自动诊断系统，用于对采煤机故障进行诊断，包括数据预处理模块、采煤机故障诊断模型建模模块、改进的寻优模块、采煤机故障诊断模块。本发明对采煤机的故障进行自动诊断，采用集成学习算法建立采煤机故障诊断模型，通过为建模过程添加自适应寻优过程，避免了随机性导致的模型不精确问题，并结合混沌思想改进了寻优过程，进一步提高了模型质量和可靠性，实现采煤机故障的自适应、高效、高准确度自动诊断。

Description

基于混沌修正群智能寻优的采煤机故障自动诊断系统

技术领域

本发明涉及采煤机故障诊断领域和群智能优化算法领域，尤其涉及基于混沌修正群智能寻优的采煤机故障自动诊断系统。

背景技术

现代煤炭开采逐步机械化，采煤机作为煤炭生产中的核心设备，提高了生产效率，增加了煤炭产量，减少了重大恶性事故的发生，但其工作环境复杂恶劣，载荷变化很大，自身组成结构复杂，在生产工作中易产生原因复杂的故障，主要包含机械部分故障和液压系统故障，具体可根据产生故障的部位进行划分。而采煤机故障导致的设备停产，将造成整个煤矿生产系统的瘫痪以及巨大的人力、财力浪费，因此，通过采集采煤机信息对即将产生的故障进行诊断以及时排除故障，具有重要意义。

传统的采煤机故障诊断依靠人工经验判断，诊断效率低、准确度差，而一些采用神经网络、粗糙集、专家系统的方案，存在收敛速度慢、对数据要求高、参数人为选择导致随机性大、诊断质量低等问题，难以满足采煤机故障诊断的可靠性和准确度要求。因此，一种高效的、高准确度的采煤机故障自动诊断系统具有重要的现实意义。

发明内容

针对采煤机工作环境差，结构复杂，易发生故障，而当前采煤机故障诊断方案可靠性和准确度差的问题，本发明的目的在于提供一种基于混沌修正群智能寻优的采煤机故障自动诊断系统，采用集成学习算法建立模型，模型参数自动优化，优化方法经过混沌改进，具有准确度高、效率高、适应性强、可靠性强等优点。

本发明的目的是通过以下技术方案来实现的：基于混沌修正群智能寻优的采煤机故障自动诊断系统，包括数据预处理模块、采煤机故障诊断模型建模模块、改进的寻优模块、采煤机故障诊断模块。现场数据采集传感器、数据库、基于混沌修正群智能寻优的采煤机故障自动诊断系统、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，数据库为基于混沌修正群智能寻优的采煤机故障自动诊断系统提供数据支持。

进一步地，数据预处理模块用以进行采煤机数据预处理，采用如下过程完成：

1)从数据库中提取一个采煤机信号，其特征分别为x_i，i＝1，2，...d，d为特征维度，分别代表传感器采集的11种信息；

2)对该特征做如下处理得到归一化特征

其中x_min为x_i的最小值，x_max为x_i的最大值：

进一步地，采煤机故障诊断模型建模模块用以建立采煤机故障诊断模型，采用如下过程完成：

1)从数据库中提取n_s个采煤机故障数据X_s及其所对应的故障类型标签Y_s作为训练集，提取n_v个采煤机故障数据X_v及其所对应的故障类型标签Y_v作为测试集；

2)采用上面得到的训练集进行Xgboost模型训练，得到采煤机故障诊断模型：

Y＝h(X) (14)

进一步地，改进的寻优模块用以对Xgboost的重要参数——学习率LR，最大树深度MD，最小叶子节点样本权重和MCw，节点分裂所需的最小损失函数下降值γ进行优化。采用如下过程完成：

1)对于基础参数LR和MD采用步长为stride的网格搜索方法：

LR＝0.05～0.3，stride＝0.05 (15)

MD＝2～7，stride＝1 (16)

即先固定LR和MD为搜索网格中的一个点上的值，在此基础上再进行其他非基础参数的寻优。

2)对于非基础参数MCw、γ采用基于混沌修正的粒子群算法进行寻优，具体步骤如下：

2.1)随机产生第1代初始粒子即初始解的速度和位置：

v_jk(1)＝U×(v_max-v_min)+v_minv_min≤v≤v_max (17)

r_jk(1)＝U×(r_max-r_min)+r_minr_min≤r≤r_max (18)

其中j＝1，2，...，m，m＝100为群规模，k＝1，2分别对应待寻优的非基础参数MCw、γ，v_jk(1)和r_jk(1)分别表示第j个粒子的第k个分量在第1代的速度和位置，U为[0，1]间均匀分布的随机数。

2.2)计算第j个粒子的适应度f_j：

其中

分别代表真实值、计算值即预测值。

2.3)更新惯性权重系数μ(t)：

其中μ_max＝0.9为μ的上限值，μ_min＝0.2为μ的下限值，t为当前迭代次数，t_max＝150为最大迭代次数。

2.4)更新粒子的速度和位置，产生新的群体；

其中，

和

是[0，1]间的随机数；P^j _best、G_best分别是第j个粒子的历史最优解和整个粒子群的最优解。

2.5)判断是否符合算法终止条件，即连续五次迭代全局最优解不变或达到最大迭代次数。若符合，输出全局最优粒子及其代表的最优解，并结束迭代。否则进行下一步。

2.6)根据下式判断粒子的进化是否停滞以避免早熟，：

其中，δ²是群适应度方差，H²是早熟阈值，

是所有粒子适应度平均值。

若不满足该条件，则直接返回2.2)继续执行；否则，保留当前代中适应度最优的前20％，并将剩余80％粒子根据混沌思想按下式进行重新构造后再继续：

其中，r_min、r_max分别代表r的最小值和最大值。

3)重复1)和2)，将得到最优参数代入采煤机故障诊断模型建模模块，并将模型在测试集上进行测试，选取正确率最高的模型作为最优采煤机故障诊断模型。

进一步地，采煤机故障诊断模块利用训练好的最优采煤机故障诊断模型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诊断。采用如下过程完成：

1)对新采集的采煤机数据x^new进行归一化处理得到

2)利用改进的寻优模块优化后的最优采煤机故障诊断模型对采煤机进行故障诊断：

其中h_opt为优化后的最优模型，

为预测的故障类型。

进一步地，故障显示模块诊断模块获得的故障类型通过显示屏进行输出显示。

本发明的技术构思为：本发明使用集成学习算法由采煤机故障数据库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，引入参数优化方法，并对优化方法进行改进以提高其优化效果，从而建立基于混沌修正群智能寻优的高准确度采煤机故障自动诊断系统。

本发明的有益效果主要表现在：使用集成学习算法建立了采煤机故障诊断模型，可以实时根据采集的信息对采煤机进行自动故障诊断；采用粒子群寻优算法对模型进行优化，避免了人为设定的随机性，提高了模型自适应能力和可靠性，从而提高了故障诊断的准确度；寻优算法采用混沌思想进行改进，使得寻优不易陷入局部最优解，提高了获得全局最优解的性能，从而进一步提高了系统的故障诊断能力和诊断质量。

附图说明

图1基于混沌修正群智能寻优的采煤机故障自动诊断系统的基本架构图；

图2基于混沌修正群智能寻优的采煤机故障自动诊断系统的功能模块图；

图3采用混沌思想修正的群智能寻优算法流程图；

具体实施方式

下面根据附图和实施例进一步说明本发明：

参考图1、图2，现场数据采集传感器1、数据库2、基于混沌修正群智能寻优的采煤机故障自动诊断系统3、显示模块4依次相连，所述基于混沌修正群智能寻优的采煤机故障自动诊断系统3包括数据预处理模块5、采煤机故障诊断模型建模模块6、采煤机故障诊断模块7、改进的寻优模块8。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，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为基于混沌修正群智能寻优的采煤机故障自动诊断系统3提供数据支持。

进一步地，数据预处理模块5用以进行采煤机数据预处理，采用如下过程完成：

1)从数据库2中提取一个采煤机信号，其特征分别为x_i，i＝1，2，...d，d为特征维度，分别代表传感器采集的11种信息；

2)对该特征做如下处理得到归一化特征

其中x_min为x_i的最小值，x_max为x_i的最大值：

进一步地，采煤机故障诊断模型建模模块6用以建立采煤机故障诊断模型，采用如下过程完成：

1)从数据库2中提取n_s个采煤机故障数据X_s及其所对应的故障类型标签Y_s作为训练集，提取n_v个采煤机故障数据X_v及其所对应的故障类型标签Y_v作为测试集；

2)采用上面得到的训练集进行Xgboost模型训练，得到采煤机故障诊断模型：

Y＝h(X) (26)

进一步地，改进的寻优模块8用以对Xgboost的重要参数——学习率LR，最大树深度MD，最小叶子节点样本权重和MCw，节点分裂所需的最小损失函数下降值γ进行优化。寻优算法流程如图3所示，采用如下过程完成：

1)对于基础参数LR和MD采用步长为stride的网格搜索方法：

LR＝0.05～0.3，stride＝0.05 (27)

MD＝2～7，stride＝1 (28)

即先固定LR和MD为搜索网格中的一个点上的值，在此基础上再进行其他非基础参数的寻优。

2)对于非基础参数MCw、γ采用基于混沌修正的粒子群算法进行寻优，具体步骤如下：

2.1)随机产生第1代初始粒子即初始解的速度和位置：

v_jk(1)＝U×(v_max-v_min)+v_minv_min≤v≤v_max (29)

r_jk(1)＝U×(r_max-r_min)+r_minr_min≤r≤r_max (30)

其中j＝1，2，...，m，m＝100为群规模，k＝1，2分别对应待寻优的非基础参数MCw、γ，v_jk(1)和r_jk(1)分别表示第j个粒子的第k个分量在第1代的速度和位置，U为[0，1]间均匀分布的随机数。

2.2)计算第j个粒子的适应度f_j：

其中

分别代表真实值、计算值即预测值。

2.3)更新惯性权重系数μ(t)：

其中μ_max＝0.9为μ的上限值，μ_min＝0.2为μ的下限值，t为当前迭代次数，t_max＝150为最大迭代次数。

2.4)更新粒子的速度和位置，产生新的群体；

其中，

和

是[0，1]间的随机数；P^j _best、G_best分别是第j个粒子的历史最优解和整个粒子群的最优解。

2.5)判断是否符合算法终止条件，即连续五次迭代全局最优解不变或达到最大迭代次数。若符合，输出全局最优粒子及其代表的最优解，并结束迭代。否则进行下一步。

2.6)根据下式判断粒子的进化是否停滞以避免早熟，：

其中，δ²是群适应度方差，H²是早熟阈值，

是所有粒子适应度平均值。

若不满足该条件，则直接返回2.2)继续执行；否则，保留当前代中适应度最优的前20％，并将剩余80％粒子根据混沌思想按下式进行重新构造后再继续：

其中，r_min、r_max分别代表r的最小值和最大值。

3)重复1)和2)，将得到最优参数代入采煤机故障诊断模型建模模块6，并将模型在测试集上进行测试，选取正确率最高的模型作为最优采煤机故障诊断模型。

进一步地，采煤机故障诊断模块7利用训练好的最优采煤机故障诊断模型对现场数据采集传感器1新采集的采煤机数据进行实时故障诊断。采用如下过程完成：

1)对新采集的采煤机数据x^new进行归一化处理得到

2)利用改进的寻优模块8优化后的最优采煤机故障诊断模型对采煤机进行故障诊断：

其中h_opt为优化后的最优模型，

为预测的故障类型。

进一步地，显示模块4将诊断模块获得的故障类型通过显示屏进行输出显示。

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 (4)

1.基于混沌修正群智能寻优的采煤机故障自动诊断系统，其特征在于：包括数据预处理模块、采煤机故障诊断模型建模模块、改进的寻优模块、采煤机故障诊断模块；所述改进的寻优模块用以对Xgboost的重要参数——学习率LR，最大树深度MD，最小叶子节点样本权重和MCw，节点分裂所需的最小损失函数下降值γ进行优化；采用如下过程完成：

1)对于基础参数LR和MD采用步长为stride的网格搜索方法：

LR＝0.05～0.3，stride＝0.05 (3)

MD＝2～7，stride＝1 (4)

即先固定LR和MD为搜索网格中的一个点上的值，在此基础上再进行其他非基础参数的寻优；

2)对于非基础参数MCw、γ采用基于混沌修正的粒子群算法进行寻优，具体步骤如下：

2.1)随机产生第1代初始粒子即初始解的速度和位置：

v_jk(1)＝U×(v_max-v_min)+v_min v_min≤v≤v_max (5)

r_jk(1)＝U×(r_max-r_min)+r_min r_min≤r≤r_max (6)

其中，j＝1，2，...，m，m＝100为群规模，k＝1，2分别对应待寻优的非基础参数MCw、γ，v_jk(1)和r_jk(1)分别表示第j个粒子的第k个分量在第1代的速度和位置，U为[0，1]间均匀分布的随机数；

2.2)计算第j个粒子的适应度f_j：

其中，

分别代表真实值、计算值，其中计算值即预测值；

2.3)更新惯性权重系数μ(t)：

其中，μ_max＝0.9为μ的上限值，μ_min＝0.2为μ的下限值，t为当前迭代次数，t_max＝150为最大迭代次数；

2.4)更新粒子的速度和位置，产生新的群体；

其中，

和

是[0，1]间的随机数；P^j _best、G_best分别是第j个粒子的历史最优解和整个粒子群的最优解；

2.5)判断是否符合算法终止条件，即连续五次迭代全局最优解不变或达到最大迭代次数；若符合，输出全局最优粒子及其代表的最优解，并结束迭代；否则进行下一步；

2.6)根据下式判断粒子的进化是否停滞以避免早熟：

其中，δ²是群适应度方差，H²是早熟阈值，

是所有粒子适应度平均值；若不满足该条件，则直接返回步骤2.2)继续执行；否则，保留当前代中适应度最优的前20％，并将剩余80％粒子根据混沌思想按下式进行重新构造后再继续：

其中，r_min、r_max分别代表r的最小值和最大值；

3)重复步骤1)和步骤2)，将得到最优参数代入采煤机故障诊断模型建模模块，并将模型在测试集上进行测试，选取正确率最高的模型作为最优采煤机故障诊断模型。

2.根据权利要求1所述基于混沌修正群智能寻优的采煤机故障自动诊断系统，其特征在于：数据预处理模块用以进行采煤机数据预处理，采用如下过程完成：

1)从数据库中提取一个采煤机信号，其特征分别为x_i，i＝1，2，...d，d为特征维度；

2)对该特征做如下处理得到归一化特征

其中x_min为x_i的最小值，x_max为x_i的最大值：

3.根据权利要求1所述基于混沌修正群智能寻优的采煤机故障自动诊断系统，其特征在于：采煤机故障诊断模型建模模块用以建立采煤机故障诊断模型，采用如下过程完成：

1)从数据库中提取n_s个采煤机故障数据X_s及其所对应的故障类型标签Y_s作为训练集，提取n_v个采煤机故障数据X_v及其所对应的故障类型标签Y_v作为测试集；

2)采用上面得到的训练集进行Xgboost(Extreme Gradient Boosting)模型训练，得到采煤机故障诊断模型：

Y＝h(X) (2)。

4.根据权利要求1所述基于混沌修正群智能寻优的采煤机故障自动诊断系统，其特征在于：

采煤机故障诊断模块利用训练好的最优采煤机故障诊断模型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诊断；采用如下过程完成：

1)对新采集的采煤机数据x^new进行归一化处理得到

2)利用改进的寻优模块优化后的最优采煤机故障诊断模型对采煤机进行故障诊断：

其中h_opt为优化后的最优模型，

为预测的故障类型。

Images