CN109800888A - 一种基于群智能机器学习的采煤机在线故障诊断系统 - Google Patents

Abstract

本发明公开了一种基于群智能机器学习的采煤机在线故障诊断系统，用于对采煤机运行过程中出现的故障进行诊断，包括数据预处理模块、梯度提升树模型模块、群智能优化模块以及模型更新模块。本发明实现在线测量、在线参数优化、模型自动更新，能够快速准确地对采煤机中的故障进行诊断，提高了采煤机故障诊断的效率和准确率。

Description

一种基于群智能机器学习的采煤机在线故障诊断系统

技术领域

本发明涉及故障诊断领域、机器学习领域和群智能优化算法领域，尤其涉及一种基于群智能机器学习的采煤机在线故障诊断系统。

背景技术

能源是社会进步、经济发展的主要物质基础。在经济全球化的浪潮中，矿业占整个人类社会活动所消耗能源的80％以上。在一次能源消耗中，化石能源(石油、煤炭、天然气)占90％以上，其中，煤炭占化石能源资源的94.3％。根据世界煤炭探明开采储量统计数据，中国占世界总量的11.6％，储采比为95，居第三位。因此，根据我国的能源国情，煤炭资源的合理开采与利用是今后重要的研究课题。

随着煤炭工业的发展，采煤机作为煤矿生产中的关键设备，功能越来越多。因其结构复杂、工作环境差，很容易发生故障，采煤机因故障停机将造成整个煤矿系统的瘫痪，因此需要对故障进行诊断，以增大采煤机的开机率和使用率，提高其安全性和可靠性，增加煤炭产量。采煤机故障有一个发生和发展的过程，故障征兆也是随着时间的推移而逐步暴露的，通过趋势分析和趋势预测，可以对故障进行早期预报，促进采煤机管理现代化。

然而，由于在线故障诊断仪表的缺乏和高成本，采煤机故障的在线诊断目前很难做到。因此，利用采煤机运行时的各种特征参数来识别采煤机的运行状态，确定故障发生的部位和严重程度，分析故障发生的原因，从而保证采煤机在一定的工作环境和工作期限内可靠、有效地运行，成为生产中急需解决的一个瓶颈问题。采煤机的在线故障诊断系统及方法研究，从而成为学术界和工业界的一个前沿和热点。

发明内容

为了克服目前已有的采煤机故障诊断精度不高、易受人为因素的影响的不足，本发明的目的在于提供一种在线诊断、在线参数优化、模型自动更新、精度高的基于引力搜索算法优化梯度提升树参数的采煤机在线故障诊断系统和方法。

本发明的目的是通过以下技术方案实现的：一种基于群智能机器学习的采煤机在线故障诊断系统，用于对采煤机运行过程中出现的故障进行诊断，包括数据预处理模块、梯度提升树模型模块、群智能优化模块以及模型更新模块。

进一步地，所述数据预处理模块以电牵引采煤机运行过程中的故障为诊断对象，分析所有可能发生的故障征兆和导致故障征兆的原因，建立故障征兆集X和原因集Y，将从DCS数据库输入的模型输入变量进行预处理，对输入变量中心化，即减去变量的平均值，再进行归一化处理，即除以变量值的变化区间。

进一步地，所述梯度提升树模型模块采用梯度提升树对采煤机的故障进行分类：

(1)根据不同故障原因的特点，使用梯度提升树对故障特征进行融合，得到判别能力更强的组合特征；

(2)使用one-hot编码对组合特征进行编码，将编码结果作为样本的特征表示，使用逻辑回归分类器和新特征实现对采煤机故障的有效分类。

进一步地，所述群智能优化模块，用于采用引力搜索算法对梯度提升树模块的参数进行优化，包括：

(1)算法初始化，随机初始化所有粒子，每个粒子代表问题的一个候选解。在一个D维的搜索空间中，假设有NP个粒子，定义第i个粒子的位置为：

设定迭代结束条件，即最大迭代次数iter_max。

(2)在某t时刻，定义第j个粒子作用在第i个粒子上的引力大小为：

式中，M_aj(t)和M_pi(t)分别为作用粒子j的惯性质量和被作用粒子i的惯性质量，R_ij(t)是第i个粒子和第j个粒子之间的欧氏距离，ε是一个很小的常量，G(t)是在t时刻的引力常数：

式中，α是下降系数，G₀是初始引力常数，iter_max是最大迭代次数。

(3)假设t时刻在第d维作用在第i个粒子上的总作用力等于其他所有粒子对它的作用力之和，计算公式如下：

式中，rand_j是范围在[0,1]的随机数，Kbest是一开始具有最佳适应度的前K个粒子的集合。

根据牛顿第二定律，t时刻粒子i在第d维的加速度为：

式中，M_i(t)是第i个粒子的惯性质量。

(4)在下一次迭代中，粒子的新速度为部分当前速度与其加速度的总和。因此，引力搜索算法在每一次迭代运算过程中，粒子都会根据以下公式更新它的速度和位置：

x_i(t+1)＝x_i(t)+v_i(t+1) (7)

式中，v_i(t)是粒子i在第t次迭代的速度，x_i(t)是粒子i在第t次迭代的位置，a_i(t)是粒子i在第t次迭代的加速度，rand_i是范围在[0,1]的随机数。

(5)粒子的惯性质量依据其适应度值的大小来计算，惯性质量越大表明它越接近最优值，同时意味着该粒子的吸引力越大，但其移动速度却越慢。假设引力质量M_ai与惯性质量M_pi相等，粒子的质量M_i可以通过适当的运算规则去更新，更新算法如下所示：

M_ai＝M_pi＝M_i,i＝1,2,...,NP (8)

式中，fit_i(t)代表在t时刻第i个粒子的适应度值的大小。对求解最小值问题，best(t)和worst(t)定义如下：

对求解最大值问题，best(t)和worst(t)定义如下：

(6)重复以上步骤直至达到最大迭代次数，选取适应度值最优的解作为算法的最优解，结束算法并返回。

进一步地，所述模型更新模块用于模型的在线更新，定期将离线化验数据输入到训练集中，更新梯度提升树模型。

本发明的有益效果主要表现在：能在线诊断采煤机运行过程的故障类别，克服已有的采煤机故障诊断仪表测量精度不高、易受人为因素的影响的不足，引入群智能优化模块对梯度提升树参数和结构进行自动优化，不需要人为经验或多次测试来调整梯度提升树模型，从而得到具有最优的采煤机故障诊断功能的在线诊断系统。

附图说明

图1一种基于群智能机器学习的采煤机在线故障诊断系统的整体架构图；

图2一种基于群智能机器学习的采煤机在线故障诊断系统的功能结构图。

具体实施方式

下面结合附图对本发明做进一步描述。本发明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。

参照图1和图2，一种基于群智能机器学习的采煤机在线故障诊断系统5，用于对电牵引采煤机运行过程1中出现的故障进行诊断，包括数据预处理模块7、梯度提升树模型模块8、群智能优化模块9以及模型更新模块10。

进一步地，所述数据预处理模块7，以电牵引采煤机为诊断对象，分析所有可能发生的故障征兆和导致故障征兆的原因，建立故障征兆集X和原因集Y，根据搜集的资料、实际调查、维修工程师和专家经验得出故障征兆集X＝{X1,X2,…,X9}和原因集Y＝{Y1,Y2,…,Y7}，如表1所示。DCS数据库4存储由现场智能仪表2测量的数据，将从DCS数据库4输入的模型输入变量进行预处理，对输入变量中心化，即减去变量的平均值，使变量为零均值的变量，再进行归一化处理，即除以变量值的变化区间，使变量的值落到-1～1之内。

表1

进一步地，所述梯度提升树模型模块8采用梯度提升树对采煤机的故障进行分类：

(1)构建梯度提升树，样本从根节点被划分到叶子节点的过程涵盖了对特征的选择、划分和组合，从而实现对采煤机故障特征的融合，得到判别能力更强的组合特征。梯度提升树的构建过程是使模型的损失函数不断减小的过程，通过前一个强学习器的损失函数的负梯度方向来指导下一个基学习器的训练，从而不断提高组合而成的强学习器的分类性能。最终训练得到的最优学习器估计为W*(X)，则W*(X)满足如下公式：

其中，L是损失函数，X_i是故障征兆，Y_i是故障原因，W(X)是多个基学习器组合的强学习器，组合规则如下：

e(X,θ_s)是第s个基学习器，θ_s是基学习器的参数，β_s是基学习器的权重。通过不断迭代优化可以得到强学习器；

(2)样本从根节点被划分到叶子节点的过程涵盖了对特征的选择、划分和组合，不同样本被划分到不同的叶子节点，样本在特征融合之后可以用叶子节点的索引值表示。由于不同叶子节点的索引值不存在次序关系，因此对叶子节点的索引值进行one-hot编码，并将编码后的特征作为样本特征的表示；

(3)将样本编码后的新特征作为逻辑回归分类器的输入，根据分类效果不断调整分类器参数，直至达到最优分类效果；

(4)使用逻辑回归模型实现对采煤机故障的有效分类。

进一步地，所述群智能优化模块9，用于采用引力搜索算法对梯度提升树模块的参数进行优化，包括：

(1)算法初始化，随机初始化所有粒子，每个粒子代表问题的一个候选解。在一个D维的搜索空间中，假设有NP个粒子，定义第i个粒子的位置为：

设定迭代结束条件，即最大迭代次数iter_max。

(2)在某t时刻，定义第j个粒子作用在第i个粒子上的引力大小为：

式中，M_aj(t)和M_pi(t)分别为作用粒子j的惯性质量和被作用粒子i的惯性质量，R_ij(t)是第i个粒子和第j个粒子之间的欧氏距离，ε是一个很小的常量，G(t)是在t时刻的引力常数：

式中，α是下降系数，G₀是初始引力常数，iter_max是最大迭代次数。

(3)假设t时刻在第d维作用在第i个粒子上的总作用力等于其他所有粒子对它的作用力之和，计算公式如下：

式中，rand_j是范围在[0,1]的随机数，Kbest是一开始具有最佳适应度的前K个粒子的集合。

根据牛顿第二定律，t时刻粒子i在第d维的加速度为：

式中，M_i(t)是第i个粒子的惯性质量。

(4)在下一次迭代中，粒子的新速度为部分当前速度与其加速度的总和。因此，引力搜索算法在每一次迭代运算过程中，粒子都会根据以下公式更新它的速度和位置：

x_i(t+1)＝x_i(t)+v_i(t+1) (7)

式中，v_i(t)是粒子i在第t次迭代的速度，x_i(t)是粒子i在第t次迭代的位置，a_i(t)是粒子i在第t次迭代的加速度，rand_i是范围在[0,1]的随机数。

(5)粒子的惯性质量依据其适应度值的大小来计算，惯性质量越大表明它越接近最优值，同时意味着该粒子的吸引力越大，但其移动速度却越慢。假设引力质量M_ai与惯性质量M_pi相等，粒子的质量M_i可以通过适当的运算规则去更新，更新算法如下所示：

M_ai＝M_pi＝M_i,i＝1,2,...,NP(8)

式中，fit_i(t)代表在t时刻第i个粒子的适应度值的大小。对求解最小值问题，best(t)和worst(t)定义如下：

对求解最大值问题，best(t)和worst(t)定义如下：

(6)重复以上步骤直至达到最大迭代次数，选取适应度值最优的解作为算法的最优解，结束算法并返回。

进一步地，所述模型更新模块10用于模型的在线更新，定期将离线化验数据输入到训练集中，更新梯度提升树模型。

本实施例的方法具体实施步骤如下：

步骤1：对电牵引采煤机运行过程1，根据工艺分析和操作分析，选择操作变量和易测变量作为模型的输入；

步骤2：对样本数据进行预处理，由数据预处理模块7完成；

步骤3：基于模型输入、输出建立初始梯度提升树模型8。输入数据如步骤1所述获得，输出数据由离线化验获得；

步骤5：由群智能优化模块9优化初始梯度提升树模型8的输入和模型结构；

步骤6：模型更新模块10定期将离线化验数据输入到训练集中，更新梯度提升树模型8，一种基于群智能机器学习的采煤机在线故障诊断系统5建立完成；

步骤7：建立好的一种基于群智能机器学习的采煤机在线故障诊断系统5基于DCS数据库4传来的实时模型输入变量数据对电牵引采煤机运行过程1的故障进行基于群智能寻优的最优诊断；

步骤8：故障诊断结果显示仪6显示一种基于群智能机器学习的采煤机在线故障诊断系统5的输出，完成对电牵引采煤机运行过程的最优故障诊断的显示。

Claims (5)

1.一种基于群智能机器学习的采煤机在线故障诊断系统，用于对采煤机运行过程中出现的故障进行诊断，其特征在于：包括数据预处理模块、梯度提升树模型模块、群智能优化模块以及模型更新模块。

2.根据权利要求1所述基于群智能机器学习的采煤机在线故障诊断系统，其特征在于：所述数据预处理模块以电牵引采煤机故障诊断为对象，分析所有可能发生的故障征兆和导致故障征兆的原因，将从DCS数据库输入的模型输入变量进行预处理，对输入变量中心化，即减去变量的平均值，再进行归一化处理，即除以变量值的变化区间。

3.根据权利要求1所述基于群智能机器学习的采煤机在线故障诊断系统，其特征在于：所述梯度提升树模型模块采用梯度提升树对采煤机的故障进行分类：

(1)根据不同故障原因的特点，使用梯度提升树对故障特征进行融合，得到判别能力更强的组合特征。

(2)使用one-hot编码对组合特征进行编码，将编码结果作为样本的特征表示，使用逻辑回归分类器和新特征实现对采煤机故障的有效分类。

4.根据权利要求1所述基于群智能机器学习的采煤机在线故障诊断系统，其特征在于：所述群智能优化模块，用于采用引力搜索算法对梯度提升树模块的参数进行优化，包括：

(1)算法初始化，随机初始化所有粒子，每个粒子代表问题的一个候选解。在一个D维的搜索空间中，假设有NP个粒子，定义第i个粒子的位置为：

设定迭代结束条件，即最大迭代次数iter_max。

(2)在某t时刻，定义第j个粒子作用在第i个粒子上的引力大小为：

式中，M_aj(t)和M_pi(t)分别为作用粒子j的惯性质量和被作用粒子i的惯性质量，R_ij(t)是第i个粒子和第j个粒子之间的欧氏距离，ε是一个很小的常量，G(t)是在t时刻的引力常数：

式中，α是下降系数，G₀是初始引力常数，iter_max是最大迭代次数。

(3)假设t时刻在第d维作用在第i个粒子上的总作用力F_i ^d(t)等于其他所有粒子对它的作用力之和，计算公式如下：

式中，rand_j是范围在[0,1]的随机数，Kbest是一开始具有最佳适应度的前K个粒子的集合。

根据牛顿第二定律，t时刻粒子i在第d维的加速度为：

式中，M_i(t)是第i个粒子的惯性质量。

(4)在下一次迭代中，粒子的新速度为部分当前速度与其加速度的总和。因此，引力搜索算法在每一次迭代运算过程中，粒子都会根据以下公式更新它的速度和位置：

x_i(t+1)＝x_i(t)+v_i(t+1) (7)

式中，v_i(t)是粒子i在第t次迭代的速度，x_i(t)是粒子i在第t次迭代的位置，a_i(t)是粒子i在第t次迭代的加速度，rand_i是范围在[0,1]的随机数。

(5)粒子的惯性质量依据其适应度值的大小来计算，惯性质量越大表明它越接近最优值，同时意味着该粒子的吸引力越大，但其移动速度却越慢。假设引力质量M_ai与惯性质量M_pi相等，粒子的质量M_i可以通过适当的运算规则去更新，更新算法如下所示：

M_ai＝M_pi＝M_i,i＝1,2,...,NP (8)

式中，fit_i(t)代表在t时刻第i个粒子的适应度值的大小。对求解最小值问题，best(t)和worst(t)定义如下：

对求解最大值问题，best(t)和worst(t)定义如下：

(6)重复以上步骤直至达到最大迭代次数，选取适应度值最优的解作为算法的最优解，结束算法并返回。

5.根据权利要求1所述基于群智能机器学习的采煤机在线故障诊断系统，其特征在于：所述模型更新模块用于模型的在线更新，定期将离线化验数据输入到训练集中，更新梯度提升树模型。