CN109887122A

CN109887122A - 一种船闸机电故障远程智能诊断方法及系统

Info

Publication number: CN109887122A
Application number: CN201910121666.5A
Authority: CN
Inventors: 费赛男; 徐腾飞; 王鑫; 罗旭; 徐伟敏
Original assignee: NANJING LOPU CO Ltd
Current assignee: NANJING LOPU CO Ltd
Priority date: 2019-02-19
Filing date: 2019-02-19
Publication date: 2019-06-14

Abstract

本发明公开了一种船闸机电故障远程智能诊断方法及系统，属于计算机应用技术领域，该诊断方法包括：获取船闸机电运行数据样本，并提取特征数据；对特征数据进行降维预处理提取最终特征信息；搭建随机森林模型，对样本数据进行分类学习；利用森林模型对船闸机电进行故障诊断；当检测到机电出现故障时，根据算法最终得出的故障特征，定位至故障处；该诊断系统包括数据预处理模块、数据降维模块、故障诊断模块、故障处理模块、展示模块。本发明将船闸故障诊断判别和分析工作化繁为简，节约运行维护成本，提升船闸运行维护效率，保障船闸系统安全性能，保障船舶通行安全和效率。

Description

一种船闸机电故障远程智能诊断方法及系统

技术领域

本发明涉及一种船闸机电故障诊断方法及系统，特别是涉及一种船闸机电故障远程智能诊断方法及系统，属于计算机应用技术领域。

背景技术

船闸系统集机械、电气、液压等大型机电于一体，是水利工程中的重要组成部分，也是保障水运航道安全和效率的关键节点，船闸系统的安全运行至关重要，一旦发生故障后果不可估量，例如20世纪80年代，西班牙图兹水利枢纽由于闸门起闭系统损坏，泄水道闸门未能及时开启，水溢过71米坝顶，造成40人死亡，经济损失3.55亿美元，而船闸作为航道水位落差处船舶的航行通道，是影响船舶通行效率和通行容量的瓶颈段，是水运设施扩能升级改造的关键。

传统的船闸设备检查模式是人工定期巡检，该模式存在耗时费力、效率低、无法及时发现并响应设备故障等问题，不仅降低了船闸运转效率，更存在一定安全隐患，甚至会引起不必要的事故，同时，人工检查和诊断的运维模式受限于管理人员工作经验和技术水平，可能会漏检、误检或者发现了问题却无法解决，单纯的人为分析判断不够科学严谨，随着现代化大生产的发展和科学技术的进步，机器设备越来越复杂、集成度越来越高，故障越来越难以诊断，如何保障船闸安全可靠运行已成为一个十分迫切的问题。

近年来，随着电子技术、计算机技术、人工智能技术的发展，设备故障诊断技术得到了迅速发展，利用故障诊断技术可以对设备的故障做出早期预报，并对出现故障的原因做出判断，提出对策建议，避免或减少事故的发生，将现代故障诊断技术应用于船闸系统，实现对船闸闸门的状态的实时监测、异常警报和故障诊断，将现行的定期维修转变为状态维修，状态维修就是在设备状态监测的基础上，根据设备状态监测和分析诊断的结果安排检修时间和项目的检修方式，科学地提高了设备的可利用率和明确了检修目标，检修耗费低、设备保障强，大幅提升了船闸系统的安全保障和应急能力，更可以带来巨大的经济利益。

发明内容

本发明的主要目的是为了提供一种船闸机电故障远程智能诊断方法，诊断船闸机电故障，提高船闸运维效率，节约运维成本。

本发明的目的可以通过采用如下技术方案达到：

一种船闸机电故障远程智能诊断方法，包括如下步骤：

步骤1：获取船闸机电运行数据样本；

步骤2：对初始特征进行属性规约、相关性分析，选取最终特征；

步骤3：根据最终特征类，对样本数据进行预处理，包括特征向量化、使用均值进行缺失值填充；

步骤4：利用随机森林方法对最终特征数据进行分类学习，根据分类结果对船闸机电的运行状态做出诊断；

步骤5：当诊断出机电故障时，根据最终特征数据，在系统界面发出告警，并在预案库中选择合适的处理方案，进入故障处理流程。

步骤1中，船闸机电运行数据样本包括：比例泵1输出、比例泵2输出、电机M1电流、电机M2电流、直流电源电压、动力A相电压、动力B相电压、动力C相电压、下闸外水位、下闸内水位、泵站油温、泵站流量、系统压力、闸门开度、阀门开度、阀门有杆腔压力、阀门无杆腔压力、闸门无杆腔压力、闸门有杆腔压力。

步骤1中，通过缺失值处理、删除冗余数据、格式转化，从原始的数据样本中提取初始特征数据。

步骤2中，通过相关性分析，对特征数据进行降维，得到最终特征。

步骤4中，根据分类结果判别闸门和阀门系统运行状态，系统运行状态包括开闸、关闸、开阀、强落阀、自落阀故障以及正常，并对每一大类故障信息进行多项排查，判别导致故障的原因，并给出维修指导。

一种船闸机电故障远程智能诊断系统，包括：

数据预处理模块，用于获取初始样本数据，提取初始特征数据；

数据降维模块，用于相关性分析，提取最终特征数据；

故障诊断模块，用于通过随机森林方法对特征进行分类学习，并对每个大类故障信息进行分析排查，判别导致故障的具体原因；

故障处理模块，用于在故障诊断模块诊断到船闸故障时，给出相关的维修指导，通知管理员进入后续的故障处理流程；

展示模块，在系统界面展示诊断结果以及故障信号。

数据预处理模块获取初始样本数据，并对样本进行缺失值处理、删除冗余数据、格式转化、特征向量化、时间离散化对齐，提取初始特征数据。

船闸机电运行数据样本包括：比例泵1输出、比例泵2输出、电机M1电流、电机M2电流、直流电源电压、动力A相电压、动力B相电压、动力C相电压、下闸外水位、下闸内水位、泵站油温、泵站流量、系统压力、闸门开度、阀门开度、阀门有杆腔压力、阀门无杆腔压力、闸门无杆腔压力、闸门有杆腔压力。

故障诊断模块，通过分类结果对船闸机电系统进行故障诊断，故障诊断包括开闸、关闸、开阀、强落阀、自落阀故障及正常，并对每个大类故障信息进行分析排查，判别导致故障的具体原因。

故障处理模块，用于在故障诊断模块诊断到船闸故障时，根据最终的分类特征，判别故障原因，在预案库中选择相应的故障处理方法，给出相关的维修指导，通知管理员进入后续的故障处理流程。

本发明的有益技术效果：本发明提供的船闸机电故障远程智能诊断方法及系统，是船闸自动化实时监测的重要应用，将船闸故障诊断判别和分析工作化繁为简，节约了运行维护成本，提升了船闸运行维护效率，保障了船闸系统的安全性能，船闸管理和服务水平大幅提高，船舶通行安全和效率得到有效保障，能够带来丰厚的经济和社会效益。

附图说明

图1为按照本发明的船闸机电故障远程智能诊断系统的一优选实施例的系统结构图；

图2为按照本发明的船闸机电故障远程智能诊断方法的一优选实施例的故障诊断建模流程图；

图3为按照本发明的船闸机电故障远程智能诊断方法的一优选实施例的船闸关闸故障诊断实例分析图；

图4为按照本发明的船闸机电故障远程智能诊断方法的一优选实施例的故障根源定位原理图；

图5为按照本发明的船闸机电故障远程智能诊断方法的一优选实施例的随机深林算法结构图；

图6为按照本发明的船闸机电故障远程智能诊断方法的一优选实施例的船闸机电故障诊断展示界面图；

图7为按照本发明的船闸机电故障远程智能诊断系统的一优选实施例的业务流程图。

具体实施方式

为使本领域技术人员更加清楚和明确本发明的技术方案，下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

如图1-图7所示，本实施例提供的船闸机电故障远程智能诊断方法，包括如下步骤：

步骤1：获取船闸机电运行数据样本，通过缺失值处理、删除冗余数据、格式转化，从原始的数据样本中提取初始特征数据，船闸机电运行数据样本包括：比例泵1输出、比例泵2输出、电机M1电流、电机M2电流、直流电源电压、动力A相电压、动力B相电压、动力C相电压、下闸外水位、下闸内水位、泵站油温、泵站流量、系统压力、闸门开度、阀门开度、阀门有杆腔压力、阀门无杆腔压力、闸门无杆腔压力、闸门有杆腔压力；

步骤2：对初始特征进行属性规约、相关性分析，通过相关性分析，对特征数据进行降维，得到最终特征；

步骤4：利用随机森林方法对最终特征数据进行分类学习，根据分类结果对船闸机电的运行状态做出诊断，根据分类结果判别闸门和阀门系统运行状态，系统运行状态包括开闸、关闸、开阀、强落阀、自落阀故障以及正常，并对每一大类故障信息进行多项排查，判别导致故障的原因，并给出维修指导；

如图1-图7所示，本实施例提供的船闸机电故障远程智能诊断系统，包括数据预处理模块、数据降维模块、故障诊断模块、故障处理模块、展示模块。

数据预处理模块，用于获取初始样本数据，获取初始样本数据，并对样本进行缺失值处理、删除冗余数据、格式转化、特征向量化、时间离散化对齐，提取初始特征数据，船闸机电运行数据样本包括：比例泵1输出、比例泵2输出、电机M1电流、电机M2电流、直流电源电压、动力A相电压、动力B相电压、动力C相电压、下闸外水位、下闸内水位、泵站油温、泵站流量、系统压力、闸门开度、阀门开度、阀门有杆腔压力、阀门无杆腔压力、闸门无杆腔压力、闸门有杆腔压力。

数据降维模块，用于相关性分析，提取最终特征数据。

故障诊断模块，用于通过随机森林方法对特征进行分类学习，通过分类结果对船闸机电系统进行故障诊断，故障诊断包括开闸、关闸、开阀、强落阀、自落阀故障及正常，并对每个大类故障信息进行分析排查，判别导致故障的具体原因。

展示模块，在系统界面展示诊断结果以及故障信号。

进一步的，在本实施例中，如图1所示，本实施例的故障诊断系统结构采用故障诊断专家系统结构，结构如图1所示，故主要由数据库、知识库、人机接口、推理机、解释器等组成，各模块功能如下：

(1)数据库是由动态数据库和静态数据库组成，动态数据库是包含设备运行的状态参数，如比例泵1输出、比例泵2输出、电机M1电流、电机M2电流、直流电源电压、动力A相电压、动力B相电压、动力C相电压、下闸外水位、下闸内水位、泵站油温、泵站流量、系统压力、闸门开度、阀门开度、阀门有杆腔压力、阀门无杆腔压力、闸门无杆腔压力、闸门有杆腔压力等；静态数据库为设备的设计阈值、固有频率等；

(2)知识库用于存放系统工作环境、系统知识、设备故障特征值、故障诊断算法，用来故障推理；

(3)人机接口是人机信息的交接点；

(4)推理机是根据获取的信息运用各种规则，本发明中涉及的是随机森林模型，进行故障诊断，输出诊断结果；

(5)解释器：向用户提供why、how的信息。

如图2所示，本实施例的船闸机电故障诊断流程建模如下：

1、在业务系统数据库中抽取历史数据作为初始训练样本；

2、对样本数据进行数据探索及预处理，包括缺失值处理、删除冗余数据、格式转化，从原始的数据样本中提取初始特征数据；

3、选取了19个特征指标，在特征提取时，数据的多样性会导致数据本身对特征向量有所偏好，为此需要对初始特征数据进行属性规约、相关性分析，剔除相关性低的属性，获得降维后得最终特征数据；

4、将最终的特征数据以交叉验证的方法切分数据集，取4/5样本进行建模训练，其余样本作为验证数据；

5、通过bootstrap重采样技术，从训练集中有放回地重复随机抽取n个样本生成新的训练样本集合训练决策树；

6、然后按步骤(5)生成m棵决策树组成随机森林；

7、通过验证集对生成的随机森林模型进行调参优化，选取交叉验证中分类准确率最高的模型作为最终的优化模型；

8、将实时数据作为测试样本，经过优化后的森林模型进行分类，得到机电运行状态，在本发明实例中，认为故障次数大于5次以上才是诊断的目标；

9、机电运行状态，包括开闸故障、关闸故障、开阀故障、强落阀故障、自落阀故障、正常。如图3所示，本发明以关闸故障为实例，当监测到关闸故障时时，提取系统各参数值，包括系统压力、系统流量、有杆腔压力、电气点压、电气电流，并将实时参数信息反馈至诊断模型中，自动定位故障根源，包括开、关阀截止阀关闭、负载异常、比例泵异常等。同时，如图4所示，提取测试样本在模型中的分类根节点特征参数，统计各特征参数的发生概率，给出各故障根源的发生可能性及对应各系统参数的引发概率；

10、将诊断结果保存至业务数据库中，作为下次模型更新的样本数据；

11、在系统界面实时展示诊断结果及故障信息。

如图5所示，随机森林作为集成学习中比较经典的算法之一，具有良好的分类性能，以决策回归树作为基分类器，通过袋装的方法生成不同的训练样本，集成多种特征向量，有效提高诊断的正确率。

决策数是一种树状预测模型，它代表的是对象属性与对象值之间的一种映射关系。树的根节点是整个数据集的空间，树中每个节点表示某个对象，而每个分叉路径则代表每个可能的属性值，从根节点到该叶节点所经历的路径则是相应对象的分类值。决策树学习的目的是为了产生一棵泛化能力强的决策树。决策树的种类有很多，主要有ID3，C4.5，CART。本发明实例选择CART决策树，与ID3，C4.5相比，该模型是一种结构简单的二叉树，有着更好的划分能力，可用于分类和回归任务。具体如下：

CART决策树使用“基尼指数”来选择划分属性，数据集的纯度可用基尼值表示如下

其中，p_k是样本属于k类别的概率，从式中可以看出基尼值反映了从数据集中随机抽取两个样本，其类别标记不一致的概率。因此，数据集的纯度与基尼值的大小成反比。

随机森林是由多个决策树构成，通过多个决策树的投票原则来决定最终的结果，本发明实例中采用相对多数投票法，具体如下：

公式中，表示学习器h_i在类别标记c_j上的输出，即预测得票最多的标记，若同时有多个标记获最高票，则从中随机选取一个。

进一步的，随机森林算法的具体实现步骤如下：

1)随机森林每次利用bootstrap重采样方法从原始训练样本集中抽取63.2％样本生成一个子样本集，每一个子样本对应着一棵分类树。同时，原始样本没有被抽中的样本成为袋外数据OOB，OOB数据被用来评估分类器的分类正确率；

2)利用每个子样本集，生长为单棵分类决策树。在树的每个节点处，从M个特征向量中随机挑选m个特征向量，根据Liaw经验公式，通常取即m取的向下整数。按照节点不纯度最小的原则从这m个特征向量中选出最优特征a作为该节点的分类属性；

3)根据特征a将节点分成2个分支，然后再从剩下的特征中寻找分类效果最好的特征，如此递归构造分类树的分支，使分类树充分生长，每个节点的不纯度达道最小，而不进行剪枝。直到这棵树能准确地分类训练集，或者所有属性使用完；

4)在分类阶段，分类标签是由所有分类树的结果综合而成。随机森林使用的是多数投票原则。

本实施例船闸机电故障智能诊断系统的开发平台基础架构如图1所示，包括数据预处理模块、数据降维模块、故障诊断模块、故障处理模块、展示模块。

船闸机电数据样本包括：比例泵1输出、比例泵2输出、电机M1电流、电机M2电流、直流电源电压、动力A相电压、动力B相电压、动力C相电压、下闸外水位、下闸内水位、泵站油温、泵站流量、系统压力、闸门开度、阀门开度、阀门有杆腔压力、阀门无杆腔压力、闸门无杆腔压力、闸门有杆腔压力。

数据预处理模块通过缺失值处理、删除冗余数据、格式转化，从原始的数据样本中提取初始特征数据。

数据降维模块，本发明实例选取了19个特征指标，在特征提取时，数据的多样性会导致数据本身对特征向量有所偏好，为此需要对初始特征数据进行属性规约、相关性分析，获得降维后得最终特征数据。

故障诊断模块其特征在于，以随机森林模型为核心，完成模型的训练和测试，通过分类结果对所述船闸机电系统进行故障诊断，包括开闸故障、关闸故障、开阀故障、强落阀故障、自落阀故障、正常，并对每个大类故障信息进行分析排查，快速、全面的判别导致故障的具体原因。

故障处理模块，根据诊断的故障类型，在预案库中选择相应的故障处理方法，给出相关的维修指导，通知管理员进入后续的故障处理流程。

展示模块，在系统界面展示诊断结果以及故障信号，故障诊断界面如图6所示。

综上所述，在本实施例中，本实施例提供的船闸机电故障远程智能诊断方法，是船闸自动化实时监测的重要应用，将船闸故障诊断判别和分析工作化繁为简，节约了运行维护成本，提升了船闸运行维护效率，保障了船闸系统的安全性能，船闸管理和服务水平大幅提高，船舶通行安全和效率得到有效保障，能够带来丰厚的经济和社会效益。

以上所述，仅为本发明进一步的实施例，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明所公开的范围内，根据本发明的技术方案及其构思加以等同替换或改变，都属于本发明的保护范围。

Claims

1.一种船闸机电故障远程智能诊断方法，其特征在于，包括如下步骤：

步骤1：获取船闸机电运行数据样本；

2.如权利要求1所述的一种船闸机电故障远程智能诊断方法，其特征在于，步骤1中，船闸机电运行数据样本包括：比例泵1输出、比例泵2输出、电机M1电流、电机M2电流、直流电源电压、动力A相电压、动力B相电压、动力C相电压、下闸外水位、下闸内水位、泵站油温、泵站流量、系统压力、闸门开度、阀门开度、阀门有杆腔压力、阀门无杆腔压力、闸门无杆腔压力、闸门有杆腔压力。

3.如权利要求1所述的一种船闸机电故障远程智能诊断方法，其特征在于，步骤1中，通过缺失值处理、删除冗余数据、格式转化，从原始的数据样本中提取初始特征数据。

4.如权利要求1所述的一种船闸机电故障远程智能诊断方法，其特征在于，步骤2中，通过相关性分析，对特征数据进行降维，得到最终特征。

5.如权利要求1所述的一种船闸机电故障远程智能诊断方法，其特征在于，步骤4中，根据分类结果判别闸门和阀门系统运行状态，系统运行状态包括开闸、关闸、开阀、强落阀、自落阀故障以及正常，并对每一大类故障信息进行多项排查，判别导致故障的原因，并给出维修指导。

6.一种如权利要求1-5任意一项所述的船闸机电故障远程智能诊断系统，其特征在于，包括：

数据降维模块，用于相关性分析，提取最终特征数据；

展示模块，在系统界面展示诊断结果以及故障信号。

7.如权利要求6所述的一种船闸机电故障远程智能诊断系统，其特征在于，数据预处理模块获取初始样本数据，并对样本进行缺失值处理、删除冗余数据、格式转化、特征向量化、时间离散化对齐，提取初始特征数据。

8.如权利要求6所述的一种船闸机电故障远程智能诊断系统，其特征在于，船闸机电运行数据样本包括：比例泵1输出、比例泵2输出、电机M1电流、电机M2电流、直流电源电压、动力A相电压、动力B相电压、动力C相电压、下闸外水位、下闸内水位、泵站油温、泵站流量、系统压力、闸门开度、阀门开度、阀门有杆腔压力、阀门无杆腔压力、闸门无杆腔压力、闸门有杆腔压力。

9.如权利要求6所述的一种船闸机电故障远程智能诊断系统，其特征在于，故障诊断模块，通过分类结果对船闸机电系统进行故障诊断，故障诊断包括开闸、关闸、开阀、强落阀、自落阀故障及正常，并对每个大类故障信息进行分析排查，判别导致故障的具体原因。

10.如权利要求6所述的一种船闸机电故障远程智能诊断系统，其特征在于，故障处理模块，用于在故障诊断模块诊断到船闸故障时，根据最终的分类特征，判别故障原因，在预案库中选择相应的故障处理方法，给出相关的维修指导，通知管理员进入后续的故障处理流程。