CN109826818B - 一种矿用风机的故障诊断方法 - Google Patents

Abstract

本发明公开了一种矿用风机的故障诊断方法，利用SCADA对风机运行的实时状态进行检测，采用机器学习及深度学习相结合的方式，对在风机各种工作状态下所监测到的数据进行训练，采用GBDT‑CNN模型，对风机设备进行故障诊断，该诊断方法在确定在判断整体设备故障位置后，进而确定该位置的具体故障程度，包括轻微故障、中度故障、重度故障。进而提醒工作人员在尽量节省成本的同时选择合适的设备维护方式。对设备的故障诊断是分步进行的，在第一步判断设备部存在故障的情况下不进行具体故障的判断，节省计算机的运算能力的同时提高诊断效率。由于所监测数据属性与所判断的故障类型存在相对容易捕获的联系，所以采用GBDT集成学习算法，拥有较高的准确率。

Description

一种矿用风机的故障诊断方法

技术领域

本发明涉及一种矿用风机的故障诊断方法，尤其涉及一种基于深度学习进行故障诊断的检测方法，属于矿用风机故障诊断技术领域。

背景技术

对于矿用风机来说，矿用通风装置担负着向井下输送新鲜空气、冲淡和排出瓦斯、一氧化碳等有毒有害气体及粉尘的重要任务，是保证煤矿安全生产的重要装备。矿用通风装置一旦发生故障或通风失稳，而没有及时采取措施，会造成通风设备的损坏，使井下瓦斯、一氧化碳等有毒有害气体积聚、瓦斯爆炸、火灾等灾难性事故。若能准确及时识别运行过程中萌生和演变的故障，则有可能在故障发生前对设备进行必要的维护，做到防患于未然。因此，建立稳定可靠的机械设备健康监测及诊断系统具有非常重要的意义。

机械设备故障诊断技术是一门综合性极强、覆盖面极广的交叉学科，集合了传感器技术、信号处理技术、计算机技术。现阶段主要研究可以分为三个方面：第一，测点的选取及故障信息的获取；第二，信号处理及特征提取方法的研究；第三，综合特性信息进行故障诊断。测点的选取及故障信息的获取主要解决选取何种物理量能够反映机械运转状态的问题，常见能够反映机械运转情况的物理量包括：振动位移、振动加速度、声、温度。目前基于设备状态监测的数据量极其庞大，以及计算机运算能力的提升，数据驱动的故障诊断方法得到了很好的发展，基于深度学习的诊断模型，可以不进行人工提取特征，完全通过模型的非线性学习能力，自动识别数据对故障的特有模式。

发明内容

针对上述问题，本发明的目的是提出一种更加准确的故障诊断检测方法，基于深度学习训练出更加稳定的模型。

针对矿用通风机，利用SCADA(Supervisory Control And Data Acquisition，即数据采集与监视控制系统)对风机运行的实时状态进行检测，采用机器学习及深度学习相结合的方式，对在风机各种工作状态下所监测到的数据进行训练，采用GBDT-CNN(GradientBoosting Decision Tree-Convolutional Neural Networks，梯度迭代决策树-卷积神经网络)模型，对风机设备进行故障诊断，该诊断方法在确定在判断整体设备故障位置后，可以进而确定该位置的具体故障程度，包括轻微故障、中度故障、重度故障。进而提醒工作人员在尽量节省成本的同时选择合适的设备维护方式。

为实现上述目的，本发明采取以下技术方案：

一种矿用风机的故障诊断方法，该方法的实施过程如下，S1、对矿用风机的运行进行监测，保留其正常运行及各种故障情况下的各项数据，检测指标包括：电机定子温度a、电机定子温度b、电机定子温度c、电机轴伸端轴承温度、电机非轴伸端轴承温度、风机轴承温度a、风机轴承温度b、风机轴承温度c、风机轴承温度d、风机X向震动、风机Y向震动、风机Z向震动、风机进风口气压、风机出风口气压、电机电流、电机电压。对八套矿用风机进行监测。

S2、将所监测数据进行整理、标记，所监测故障类型有电机轴伸端轴承故障表示为0、电机非轴伸端轴承故障表示为1、电机定子故障表示为2、风机轴承故障表示为3、风机叶片故障表示为4。在确定故障位置后对故障程度进行识别，其程度分为轻微故障“0”、中度故障“1”、重度故障“2”。

S3、在第一步诊断过程中，使用集成学习模型，在GBDT中个体学习器采用CART(Classification And Regression Tree决策树)回归树，构造决策树时，利用数据的基尼值来划分属性：

监测样本集合D中第k类样本所占的比例为p_k，k＝1,2,3,…,|y|；

属性a的基尼指数计算如下：

假设监测属性a对应V个取值点{a¹,a²,a³,...,a^V}，若使用属性a对样本集进行划分，则会产生V个分支节点，其中第v个分支节点包含了样本集D中所有在属性a上取值为a^v的样本，记为D^v，计算出用属性a对样本集D进行划分所获得的的基尼指数为：

从候选属性中选择基尼指数最小的属性作为节点划分：

a_*＝arg_a∈AminGini_index(D，a)

a*的含义是在候选属性A中，选择那个使得划分后基尼指数最小的属性a_*作为最优划分属性。

整个决策树搭建完成之后，利用S1、S2中采集处理的数据，对模型进行训练进而得到诊断模型，训练个体学习器采用Gradient Boosting算法，再由个体弱分类器得到强分类模型。

输入：训练样本D＝{(x₁，y₁)，(x₂，y₂)，...，(x_m，y_m)}，x_i∈χ＝Rⁿ，y_i∈γ＝ {-1，+1}，i＝1，2，...，m；

m是检测样本的总是，i从1开始取值一直取到第m个。χ表示的是有实数R构成的一个集合是监测到的数据；γ是一个只有两个元素的集合-1和1，用于判断。

输出：回归树F(x)

训练GBDT模型的步骤如下：

初始化弱学习器：

L为损失函数，将弱学习器初始化为是损失函数最小是对应的拟合值c

对于二元分类，使用负二项对数似然作为损失函数：

L(y，f(x))＝log(1+exp(-yf(x)))，

其中，

当前模型f_m-1(x)的梯度值为：

为负梯度误差；对

拟合一棵回归树，得到第m棵树的叶结点区域R_m，j，j＝ 1，2，…J，即由j个叶子结点组成的树，以遍历式计算最优叶子结点值，J为叶节点的总数目：

c_m，j为各个叶子节点的最佳负梯度拟合值。

由于此式难以优化，所以使用牛顿-拉夫森近似得到：

更新f_m(x)：

I为第m棵树的叶结点区域R_m，j中的j属性对应的全部样本点，即x∈R_m，j

得到强分类模型：

M为弱分类器的总数量。

S4、在第二步诊断过程中，使用CNN卷积神经网络模型。因为具体位置的故障标签与数据之间的关系，通过手动选取特征并不能很好的表现出来，所以选用深度学习模型，让模型根据数据学习特定故障于监测数据之间的关系。

设计卷积神经网络结构为：输入层、卷积层、激活层、池化层、卷积层、激活层、池化层、全连接层、SoftMax输出层。结构如表1所示。

表1、卷积神经网络结构参数

使用TensorFlow搭建CNN结构，使用S1、S2整个决策树搭建完成之后，利用S1、S2中采集、处理的数据，对模型进行训练进而得到诊断模型。

本发明由于采取以上技术方案，其具有以下优点：

1、本发明对设备的故障诊断是分步进行的，在第一步判断设备部存在故障的情况下不进行具体故障的判断，节省计算机的运算能力的同时提高诊断效率。

2、本发明在第一步检测过程中，由于所监测数据属性与所判断的故障类型存在相对容易捕获的联系，所以采用GBDT集成学习算法，拥有较高的准确率。

3、本发明在第二步对故障进行更细致的诊断时，所监测数据的属性与所判断的故障类型之间的联系并不容易人工捕获，故采用深度学习CNN模型，使得蕴含在原振动数据内特征以非线性的形式自动提取，深度学习强大的非线性自学习能力在故障诊断方面得到了充分的体现，且不需要手动的提取特征，得到了较高的故障识别准确率。

附图说明

图1是本发明的整体工作流程图；

图2是GBDT集成学习模型流程图；

图3是CNN深度学习结构图；

具体实施方式

下面结合附图说明和具体实施方式对本发明作进一步的说明。

图1为基于GBDT-CNN两步矿用风机诊断模型的流程图，包括以下步骤：

S1、利用传感器，通过SCADA系统对设备的运行状态进行监测；

S2、对所监测数据进行预处理；

S3、根据所选取特征搭建GBDT集成学习结构，并用S2中数据对模型进行训练，如图2；

S4、按照图3，使用TensorFlow搭建CNN网络结构，并用S2中数据对模型进行训练。

本发明采用集成学习模型和深度学习模型对矿用风机所监测数据进行学习训练，得到故障诊断模型对矿用风机的故障位置到故障程度逐步确定，在GBDT 模型中发挥了所监测数据属性的优势，在CNN模型中发挥了深度学习的非线性自学习能力的优势，从而在设备无故障的情况下大大节省了运算资源且具有较高的准确性。

在S1、S2中，首先，在风机现场搭建数据采集设备，包括传感器安置，PLC 机柜安置，工控机软件配置，所监测项目有：电机定子温度1、电机定子温度2、电机定子温度3、电机轴伸端轴承温度、电机非轴伸端轴承温度、风机轴承温度 1、风机轴承温度2、风机轴承温度3、风机轴承温度4、风机X向震动、风机Y 向震动、风机Z向震动、风机进风口气压、风机出风口气压、电机电流、电机电压，共16项。每秒钟采集一次数据，把五分钟采集的数据存为一个列表，然后去每一检测属性的平均值、最大值、最小值、方差、极差、中位数作为提取的特征，产生96项特征，再用PCA方法对数据进行降维运算得到40维度特征属性。

在S3中，针对S1、S2中处理后的数据，搭建GBDT集成学习模型，按照属性的基尼指数Gini(D)划分CART弱学习器中的节点属性，

属性a的基尼指数计算如下：

从候选属性中选择基尼指数最小的属性作为节点划分：

a_*＝arg_a∈AminGini_index(D,a)

当整个决策树搭建完成之后，利用数据中的训练样本对决策树的参数进行训练，GBDT采用GradientBoosting训练方式，每次建立的模型沿着之前模型损失函数的梯度下降方向进行更新，损失函数作为一个衡量模型性能的指标，损失函数值越小，意味着模型的性能越好。损失函数的值不断降低，就能使模型的性能不断改进，而沿着梯度方向下降是最高效的路径。提升树的训练优化过程中，损失函数采用平方损失和指数损失时，每一步优化相对简单，但对于一般损失函数的优化问题，Gradient Boosting算法利用损失函数的负梯度在当前模型中的值作为回归提升树算法的残差近似值去拟合一个树。最后将多个弱分类器线性加权得到一个强分类器。

在S4中，利用开源构架TensorFlow搭建如图3所示的CNN网络结构，其中激活函数采用Relu函数，由于Relu函数具有以下优点：使用Relu函数有三大优点：第一，相比传统的Sigmoid函数和tanh函数，当输入偏离0较多时，神经元不会因陷入饱和状态而导致反向传播过程出现梯度消失的现象；第二，使用Relu激活函数，可以加快网络的学习收敛速度，较sigmoid函数收敛快可达6 倍；第三，Relu会使一部分神经元的输出为0，这样就造成了网络的稀疏性，并且减少了参数的相互依存关系，缓解了过拟合问题的发生，这样也可以增强模型的泛化能力。

CNN的训练过程使用的数据是所监测的原始数据，即所监测的16项属性：电机定子温度1、电机定子温度2、电机定子温度3、电机轴伸端轴承温度、电机非轴伸端轴承温度、风机轴承温度1、风机轴承温度2、风机轴承温度3、风机轴承温度4、风机X向震动、风机Y向震动、风机Z向震动、风机进风口气压、风机出风口气压、电机电流、电机电压。每秒钟采集一次数据，五分钟所采集的数据存为一个(300x16)矩阵，如表一所示，卷积核窗口尺寸为3x 3x4，步长为1，池化层窗口尺寸为2x 2，batch size为128，最大迭代次数定位50。为了防止过拟合，对训练集数据引入dropout。采用Adam优化器训练，学习率为0.001。

本发明设计了针对于矿用风机的GBDT-CNN故障诊断方法，将训练好的模型，按照图1的流程，对矿用风机进行实时的检测，在有故障产生的情况下识别故障程度，为工作人员针对风机的维护提供依据，降低由于故障带来的经济损失甚至工作人员的人身安全威胁。

以上实施方式仅用于说明本发明，而非对本发明的限制。尽管参照实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，对本发明的技术方案进行各种组合、修改或者等同替换，都不脱离本发明技术方案的精神和范围，均应涵盖在本发明的权利要求范围当中。

Claims (2)

1.一种矿用风机的故障诊断方法，其特征在于：该方法的实施过程如下，

S1、对矿用风机的运行进行监测，保留其正常运行及各种故障情况下的各项数据，检测指标包括：电机定子温度a、电机定子温度b、电机定子温度c、电机轴伸端轴承温度、电机非轴伸端轴承温度、风机轴承温度a、风机轴承温度b、风机轴承温度c、风机轴承温度d、风机X向震动、风机Y向震动、风机Z向震动、风机进风口气压、风机出风口气压、电机电流、电机电压；对八套矿用风机进行监测；

S2、将所监测数据进行整理、标记，所监测故障类型有电机轴伸端轴承故障表示为0、电机非轴伸端轴承故障表示为1、电机定子故障表示为2、风机轴承故障表示为3、风机叶片故障表示为4；在确定故障位置后对故障程度进行识别，其程度分为轻微故障“0”、中度故障“1”、重度故障“2”；

S3、在诊断过程中，首先使用集成学习模型，在GBDT中个体学习器采用CART回归树，构造决策树时，利用数据的基尼指数来划分属性：

监测样本集合D中第k类样本所占的比例为p_k，k＝1,2,3,…,|y|；

属性a的基尼指数计算如下：

假设监测属性a对应V个取值点{a¹,a²,a³,...,a^V}，若使用属性a对样本集进行划分，则会产生V个分支节点，其中第v个分支节点包含了样本集合D中所有在属性a上取值为a^v的样本，记为D^v，计算出用属性a对样本集合D进行划分所获得的基尼指数为：

从候选属性中选择基尼指数最小的属性作为节点划分：

a_*＝arg_a∈AminGini_index(D,a)

a_*的含义是在候选属性A中，选择那个使得划分后基尼指数最小的属性a_*作为最优划分属性；

整个决策树搭建完成之后，利用S1、S2中采集处理的数据，对模型进行训练进而得到诊断模型，训练个体学习器采用Gradient Boosting算法，再由个体弱分类器得到强分类模型；

输入：训练样本集合D＝{(x₁,y₁),(x₂,y₂),...,(x_m,y_m)}，x_i∈χ＝Rⁿ,y_i∈γ＝{-1,+1}，i＝1,2,...,m；

m是检测样本的总数，i从1开始取值一直取到第m个；x表示的是由实数R构成的监测数据集合；γ是一个只有两个元素的集合-1和1，用于判断；

输出：回归树F(x)

训练GBDT模型的步骤如下：

初始化弱学习器：

L为损失函数，将弱学习器初始化为损失函数最小时对应的拟合值c；

对于二元分类，使用负二项对数似然作为损失函数：

L(y,f(x))＝log(1+exp(-yf(x)))，

其中，

当前模型f_m-1(x)的梯度值为：

为负梯度误差；对

拟合一棵回归树，得到第m棵树的叶结点区域R_m,j，j＝1,2,...J，即由j个叶子结点组成的树，以遍历式计算最优叶子结点值，J为叶节点的总数目：

c_m,j为各个叶子节点的最佳负梯度拟合值；

由于此式难以优化，所以使用牛顿-拉夫森近似得到：

更新f_m(x)：

I为第m棵树的叶结点区域R_m,j中的j属性对应的全部样本点，即x∈R_m,j

得到强分类模型：

M为弱分类器的总数量；

S4、在接下来的诊断过程中，使用CNN卷积神经网络模型；因为具体位置的故障标签与数据之间的关系，选用深度学习模型，让模型根据数据学习特定故障与监测数据之间的关系。

2.根据权利要求1所述的一种矿用风机的故障诊断方法，其特征在于：设计卷积神经网络结构为：输入层、卷积层、激活层、池化层、卷积层、激活层、池化层、全连接层、SoftMax输出层；使用TensorFlow搭建CNN结构，使用S1、S2整个决策树搭建完成之后，利用S1、S2中采集、处理的数据，对模型进行训练进而得到诊断模型。

Images