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
基于混沌修正群智能寻优的采煤机故障自动诊断系统 Download PDFInfo
- Publication number
- CN109657404B CN109657404B CN201910016128.XA CN201910016128A CN109657404B CN 109657404 B CN109657404 B CN 109657404B CN 201910016128 A CN201910016128 A CN 201910016128A CN 109657404 B CN109657404 B CN 109657404B
- Authority
- CN
- China
- Prior art keywords
- coal mining
- mining machine
- fault diagnosis
- module
- optimal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0418—Architecture, e.g. interconnection topology using chaos or fractal principles
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Testing And Monitoring For Control Systems (AREA)
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
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xi,i=1,2,...d,d为特征维度,分别代表传感器采集的11种信息;
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ns个采煤机故障数据Xs及其所对应的故障类型标签Ys作为训练集,提取nv个采煤机故障数据Xv及其所对应的故障类型标签Yv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:
vjk(1)=U×(vmax-vmin)+vminvmin≤v≤vmax (17)
rjk(1)=U×(rmax-rmin)+rminrmin≤r≤rmax (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,vjk(1)和rjk(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fj:
2.3)更新惯性权重系数μ(t):
其中μmax=0.9为μ的上限值,μmin=0.2为μ的下限值,t为当前迭代次数,tmax=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;
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,:
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,rmin、rmax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:
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:
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xi,i=1,2,...d,d为特征维度,分别代表传感器采集的11种信息;
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ns个采煤机故障数据Xs及其所对应的故障类型标签Ys作为训练集,提取nv个采煤机故障数据Xv及其所对应的故障类型标签Yv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:
vjk(1)=U×(vmax-vmin)+vminvmin≤v≤vmax (29)
rjk(1)=U×(rmax-rmin)+rminrmin≤r≤rmax (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,vjk(1)和rjk(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fj:
2.3)更新惯性权重系数μ(t):
其中μmax=0.9为μ的上限值,μmin=0.2为μ的下限值,t为当前迭代次数,tmax=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;
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,:
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,rmin、rmax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:
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:
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:
vjk(1)=U×(vmax-vmin)+vmin vmin≤v≤vmax (5)
rjk(1)=U×(rmax-rmin)+rmin rmin≤r≤rmax (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,vjk(1)和rjk(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fj:
2.3)更新惯性权重系数μ(t):
其中,μmax=0.9为μ的上限值,μmin=0.2为μ的下限值,t为当前迭代次数,tmax=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;
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,rmin、rmax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。
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ns个采煤机故障数据Xs及其所对应的故障类型标签Ys作为训练集,提取nv个采煤机故障数据Xv及其所对应的故障类型标签Yv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)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910016128.XA CN109657404B (zh) | 2019-01-08 | 2019-01-08 | 基于混沌修正群智能寻优的采煤机故障自动诊断系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910016128.XA CN109657404B (zh) | 2019-01-08 | 2019-01-08 | 基于混沌修正群智能寻优的采煤机故障自动诊断系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109657404A CN109657404A (zh) | 2019-04-19 |
CN109657404B true CN109657404B (zh) | 2022-09-23 |
Family
ID=66119647
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910016128.XA Active CN109657404B (zh) | 2019-01-08 | 2019-01-08 | 基于混沌修正群智能寻优的采煤机故障自动诊断系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109657404B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114124456B (zh) * | 2021-10-22 | 2023-04-07 | 石河子大学 | 综合能源系统安全检测方法、装置、电子设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102183752A (zh) * | 2011-03-03 | 2011-09-14 | 浙江大学 | 一种自适应雷达海杂波预报系统及方法 |
CA3014099A1 (en) * | 2016-02-18 | 2017-08-24 | Optofluidics, Inc. | System and method for characterizing particulates in a fluid sample |
CN108551167A (zh) * | 2018-04-25 | 2018-09-18 | 浙江大学 | 一种基于XGBoost算法的电力系统暂态稳定判别方法 |
CN108694502A (zh) * | 2018-05-10 | 2018-10-23 | 清华大学 | 一种基于XGBoost算法的机器人制造单元自适应调度方法 |
-
2019
- 2019-01-08 CN CN201910016128.XA patent/CN109657404B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102183752A (zh) * | 2011-03-03 | 2011-09-14 | 浙江大学 | 一种自适应雷达海杂波预报系统及方法 |
CA3014099A1 (en) * | 2016-02-18 | 2017-08-24 | Optofluidics, Inc. | System and method for characterizing particulates in a fluid sample |
CN108551167A (zh) * | 2018-04-25 | 2018-09-18 | 浙江大学 | 一种基于XGBoost算法的电力系统暂态稳定判别方法 |
CN108694502A (zh) * | 2018-05-10 | 2018-10-23 | 清华大学 | 一种基于XGBoost算法的机器人制造单元自适应调度方法 |
Non-Patent Citations (2)
Title |
---|
智能化调参的XGBOOST算法及其在电信营销中的应用;成晨等;《邮电设计技术》;20181031;全文 * |
采煤机摇臂振动信号分析及其截割模式识别方法研究;刘泽;《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》;20180315;第42-62页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109657404A (zh) | 2019-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109711609B (zh) | 基于小波变换和极限学习机的光伏电站输出功率预测方法 | |
CN110929918B (zh) | 一种基于CNN和LightGBM的10kV馈线故障预测方法 | |
CN109272123B (zh) | 一种基于卷积-循环神经网络的有杆泵工况预警方法 | |
CN111680820B (zh) | 分布式光伏电站故障诊断方法和装置 | |
CN110119787B (zh) | 一种旋转型机械设备工况检测方法及设备 | |
CN115438726A (zh) | 一种基于数字孪生技术的设备寿命与故障类型预测方法及系统 | |
CN103020743A (zh) | 风电场超短期风速预测方法 | |
CN114048787B (zh) | 一种基于Attention CNN模型的轴承故障实时智能诊断方法与系统 | |
CN109657404B (zh) | 基于混沌修正群智能寻优的采煤机故障自动诊断系统 | |
CN110059938B (zh) | 一种基于关联规则驱动的配电网规划方法 | |
CN110598326A (zh) | 一种基于人工智能的试井解释方法 | |
CN112836876B (zh) | 一种基于深度学习的配电网线路负荷预测方法 | |
CN114548154A (zh) | 一种重要厂用水泵智能诊断的方法及装置 | |
CN116599857B (zh) | 一种适用于物联网多场景的数字孪生应用系统 | |
CN111931990A (zh) | 基于优化最小二乘支持向量机的电力负荷预测方法 | |
CN109635880B (zh) | 基于强鲁棒自适应算法的采煤机故障诊断系统 | |
CN111967667B (zh) | 一种轨道交通分布式运维方法及系统 | |
CN109871864B (zh) | 强鲁棒改进群智能优化的采煤机切割模式识别系统 | |
CN115640329A (zh) | 一种基于多源数据分析的油井故障智能诊断方法 | |
CN112348275A (zh) | 一种基于在线增量学习的区域生态环境变化预测方法 | |
CN117152355B (zh) | 一种基于工厂数据的可视化监管系统 | |
CN111488968A (zh) | 综合能源计量数据特征提取方法及系统 | |
CN111488425A (zh) | 一种水电厂监控系统自动建立设备对象树方法及装置 | |
CN107679478A (zh) | 输电线路空间负荷状态的提取方法和系统 | |
CN114862036A (zh) | 基于XGBoost扩展金融因子的风电功率预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |