CN110287552A - 基于改进随机森林算法的电机轴承故障诊断方法及系统 - Google Patents

基于改进随机森林算法的电机轴承故障诊断方法及系统 Download PDF

Info

Publication number
CN110287552A
CN110287552A CN201910496199.4A CN201910496199A CN110287552A CN 110287552 A CN110287552 A CN 110287552A CN 201910496199 A CN201910496199 A CN 201910496199A CN 110287552 A CN110287552 A CN 110287552A
Authority
CN
China
Prior art keywords
motor bearings
value
decision tree
rate
data
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.)
Granted
Application number
CN201910496199.4A
Other languages
English (en)
Other versions
CN110287552B (zh
Inventor
李兵
韩睿
何怡刚
钱李欣
张晓艺
侯金波
曾文波
崔介兵
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hefei University of Technology
Original Assignee
Hefei University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hefei University of Technology filed Critical Hefei University of Technology
Priority to CN201910496199.4A priority Critical patent/CN110287552B/zh
Publication of CN110287552A publication Critical patent/CN110287552A/zh
Application granted granted Critical
Publication of CN110287552B publication Critical patent/CN110287552B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01MTESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00Testing of machine parts
    • G01M13/04Bearings
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/21Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00Computer-aided design [CAD]
    • G06F30/20Design optimisation, verification or simulation
    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02TCLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明涉及一种基于改进随机森林算法的电机轴承故障诊断方法,该方法包括以下顺序的步骤:(1)获取数据集;(2)振动信号分解;(3)计算相关系数;(4)提取特征数据;(5)生成改进随机森林故障诊断模型;(6)现场电机轴承故障诊断;(7)故障提示。本发明还公开了一种实施基于改进随机森林算法的电机轴承故障诊断方法的系统。本发明提出的改进随机森林算法中决策树以特征选择原理不同的改进C4.5、CART算法分别进行生成,提高了各决策树间诊断差异;本发明提出的改进随机森林算法对各决策树按其先验知识进行了权重分配,按其漏报率、准确率大小分为议长AA及议员BB两类,最终集成后,有效提高了诊断准确率、降低了漏报率。

Description

基于改进随机森林算法的电机轴承故障诊断方法及系统
技术领域
本发明涉及电机轴承故障诊断技术领域,尤其是基于改进随机森林算法的电机轴承故障诊断方法及系统。
背景技术
电机轴承在工业生产中扮演着重要角色,其运行可靠性直接关系企业安全生产及经济效益,对其进行监测和故障诊断可给电机正常运行提供可靠保障。但电机轴承在内圈、滚动体、外圈上易产生故障,若故障轴承未被检测出而带载运行易造成严重的安全事故,因此识别精度高、漏报率低的电机轴承故障诊断方法成为了国内外研究的热点。
目前,机器学习中很多分类算法被应用于电机轴承故障诊断中。丁瑞成等人通过局部均值分解提取出电机轴承振动信号故障特征后,将其输入到粒子群优化的支持向量机中,实现了对故障诊断分类。郑兰天等人采用小波分解对电机轴承振动信号进行特征提取,然后通过自组织神经网络建立的分类模型对电机轴承进行诊断。于天剑等人以历史数据为基础,提出了一种基于多个隐马尔科夫模型与蚁群算法和神经网络相结合的电机轴承故障诊断方法,该方法将隐马尔科夫与自适应神经模糊推理系统相结合提取轴承振动特征,用蚁群聚类算法对故障分类,最后用隐马尔科夫模型对故障进行预测。
然而这些方法只分析了电机轴承的诊断准确率,但在故障漏报率方面考虑较少。而在现实生产中,对于电机轴承的三类故障,分类器若将内圈故障诊断为外圈或滚动体故障,企业仍会安排专人对其检修,对安全生产影响较小;但分类器若将故障轴承诊断为正常,则电机很可能因缺乏检修而引起安全事故,对企业造成较大损失。
目前常用的机器学习算法中,随机森林算法由于其强抗噪力、可调参数少、适应力强等优点广泛应用于密码学、生物信息学、生态学等领域。但随机森林中的传统决策树算法在连续特征属性值数目过大时,算法复杂度高、运算效率低下、易过拟合;且其集成投票方法未考虑强分类器和弱分类器间差异,集成后会降低随机森林算法准确率、提高算法漏报率。
综上所述,现有的电机轴承故障诊断系统将传统随机森林模型嵌入到控制系统后,使得电机轴承故障诊断系统诊断准确率低漏报率高、设备反应慢,而这些问题的解决必然需要对随机森林算法进行改进。
发明内容
本发明的首要目的在于提供一种算法复杂度低、诊断速度快、诊断准确率高、漏报率低、设备可靠性高的基于改进随机森林算法的电机轴承故障诊断方法。
为实现上述目的,本发明采用了以下技术方案:一种基于改进随机森林算法的电机轴承故障诊断方法,该方法包括以下顺序的步骤:
(1)获取数据集:用加速度传感器对电机轴承的四种振动信号分别进行采集,将采集得到的数据通过无线传输模块输入到树莓派中,获得电机轴承振动信号数据集;所述四种振动信号是指正常、内圈故障、滚动体故障和外圈故障信号;
(2)振动信号分解:在树莓派中通过python的PyEMD模块中的EEMD方法对得到的振动信号数据集进行EEMD集合经验模态分解,取前8个本征模态函数IMF;
(3)计算相关系数:计算各IMF分量与原振动信号的相关系数:
式中:X为采集的原始振动信号;Yi为第i个IMF分量,i=1,2,…,8;EX为原始振动信号均值;EYi为第i个IMF分量均值;D(X)为原始振动信号方差;D(Yi)为第i个IMF分量方差;
(4)提取特征数据:将相关系数大于0的IMF分量进行组合作为样本特征数据集T,并随机抽取70%作为训练集,30%作为测试集;
(5)生成改进随机森林故障诊断模型:将生成的样本特征数据集T输入到改进随机森林算法中,生成改进随机森林故障诊断模型;
(6)现场电机轴承故障诊断:通过加速度传感器对现场电机轴承振动信号进行数据采集,将数据通过无线传输模块输入到树莓派中,把每3000个数据作为一组数据集递归调用第(2)步至第(4)步,得到样本特征数据集M,先将其以txt文件保存到树莓派中以便将来进行数据分析,后将其输入到改进随机森林故障诊断模型中,得到最终诊断结果;
(7)故障提示:在树莓派显示屏上点亮对应电机轴承相应故障指示灯,并通过无线传输模块将现场对应电机轴承相应故障指示灯点亮。
所述步骤(5)具体包括以下步骤:
(5a)将样本特征数据集T中正常轴承标签设为0,其余故障轴承标签设为1,生成先验特征数据集U;
(5b)将先验特征数据集U随机抽取70%作为训练集,30%作为测试集,将训练集输入到改进的C4.5、CART算法中生成改进的C4.5、CART决策树;
(5c)用生成的C4.5、CART决策树对步骤(5b)中生成的测试集进行诊断,获得各决策树的先验知识,其中先验知识的诊断准确率P、漏报率Q的计算公式具体如下:
式中,TP为测试集中正常样本诊断结果为正常的数目;TN为测试集中故障样本诊断结果为故障的数目;FP为测试集中故障样本诊断结果为正常的数目;FN为测试集中正常样本诊断结果为故障的数目;
(5d)将生成的决策树集成为随机森林,并按其漏报率、准确率大小分为议长AA及议员BB,并对各成员赋予不同权重系数,接着进入步骤(6):若某棵决策树分类准确率高于设定阈值,且漏报率低于阈值,则将该树划分为AA;若某棵决策树分类准确率高于设定阈值,但漏报率不低于阈值,则将该树划分为BB;AA成员权重系数为各成员先验漏报率AAi,B成员权重系数为各成员先验准确率为BBj
所述步骤(6)中将样本特征数据集M输入到改进随机森林故障诊断模型中,得到最终诊断结果,其具体过程如下:
(6a)将步骤(4)中生成的训练集输入到步骤(5)生成的改进随机森林模型中进行训练得到新的分类器;
(6b)将步骤(4)中生成的测试集输入到步骤(6a)训练得到的分类器中,得到各组数据的诊断结果;
(6c)将决策树的AA、BB各成员诊断结果分别乘其权重系数后集成,得到AA、BB类成员对所有样本的集成诊断结果AAfinal和BBfinal,并将BBfinal中诊断为正常的样本点替换为对应样本在AAfinal中诊断结果,得出所有样本诊断结果XX。
所述步骤(5b)中改进的C4.5、CART决策树生成的具体步骤如下:
(5b1)对数据集U中连续特征X的n个取值从小到大排序,得到特征值集合PX,用变异系数Cv检测特征X取值的离散程度,Cv的计算公式如下:
式中,σ为标准差,μ为平均值;
计算PX的变异系数Cv,当Cv不小于0.5时认为此集合数据离散程度较高,滑动窗口选择较小值,否则选择较大值,滑动窗口设定值为3至4,较大值为4,较小值为3;
(5b2)滑动窗从步长1开始滑动,每次滑动均计算相邻两滑动窗平均值ai,ai+1的增长率bj
当增长率bj小于设定阈值下限时,认为增长过小,滑动窗步长加1;当增长率bj大于设定阈值上限时,认为增长过大,滑动窗步长减1;若增长率bj处于阈值内时,则保持目前步长;
(5b3)将得到的各滑动均值作为候选划分点,递归计算各候选划分点的信息增益率或基尼系数,选取最优值点作为最佳划分点,得到数据集U的连续特征候选划分点集合;所述最优值点为基尼系数最小或信息增益率最大;
(5b4)将数据集U的离散特征属性值点作为离散特征候选划分点集合,合并两候选划分点集合,计算各候选划分点的信息增益率或基尼系数,选取最优点a作为最优划分点,并用最优切分点a,将数据集D切割为D1、D2两部分;
(5b5)对子集D1、D2递归调用步骤(5b1)至步骤(5b4),直至结点中样本个数小于设定阈值或没有特征可选择,最后生成改进的C4.5或CART决策树。
本发明的另一目的在于提供一种实施基于改进随机森林算法的电机轴承故障诊断方法的系统,包括:
传感器监测结点,该结点由MPU9250振动加速度传感器和CC2530无线传输模块组成,用于采集现场各电机轴承振动信号及将采集到的信号无线传输到树莓派主控节点进行故障诊断;
树莓派主控结点,该结点系统控制器采用树莓派3B+型,采用ARM A53处理器对接收到的振动信号进行数据处理,搭载Linux操作系统,用C#完成设备界面开发,采用7英寸HDMI IPS显示屏实现人机交互,用CC2530无线传输模块进行数据传输;
故障提示结点,该结点由CC2530无线传输模块和4种电机轴承故障指示灯组成,通过CC2530无线传输模块接受树莓派主控节点发出的控制信号,点亮对应电机轴承相应的故障指示灯;
各结点采用CC2530作为无线传输模块,基于ZigBee协议实现无线传感器自组网及管理功能,各传感器监测结点在ZigBee网络中作为路由器对采集到的电机轴承振动信号数据进行无线传输,通过树莓派主控结点进行故障诊断,诊断完成后点亮树莓派显示界面的对应电机轴承故障指示灯,并通过CC2530无线传输模块将诊断结果传输到故障提示结点,将现场对应电机轴承相应故障指示灯点亮。
由上述技术方案可知,本发明的优点在于:第一,本发明算法复杂度低、诊断速度快:本发明对传统的C4.5、CART决策树算法进行了改进,有效解决了当数据集的连续特征属性值数目过大时,构造后的决策树规模过大,算法复杂度高,运算效率低下且易导致过拟合的问题;第二,本发明诊断准确率高、漏报率低:1)本发明提出的改进随机森林算法中决策树以特征选择原理不同的C4.5、CART算法分别进行生成,提高了各决策树间诊断差异;2)本发明提出的改进随机森林算法对各决策树按其先验知识进行了权重分配,且按其漏报率、准确率大小分为议长AA及议员BB两类,最终集成后,有效提高了诊断准确率、降低了漏报率;第三,本发明设备可靠性高:本发明采用了树莓派系统框架,搭载Linux操作系统,相较于其他嵌入式操作系统更为稳定且本发明可将电机轴承历史数据保存,数据迁移及分析较为便捷。
附图说明
图1为本发明的方法流程图;
图2为本系统的硬件结构示意图;
图3为本发明电机轴承故障诊断系统显示主界面图;
图4为本发明采集的各电机轴承振动信号波形显示界面图。
具体实施方式
如图1所示,一种基于改进随机森林算法的电机轴承故障诊断方法,该方法包括以下顺序的步骤:
(1)获取数据集:用加速度传感器MPU9250对电机轴承的四种振动信号分别进行采集,将采集得到的数据通过无线传输模块输入到树莓派3B+中,获得电机轴承振动信号数据集;所述四种振动信号是指正常、内圈故障、滚动体故障和外圈故障信号;无线传输模块采用CC2530无线ZigBee射频模块;
(2)振动信号分解:在树莓派3B+中通过python的PyEMD模块中的EEMD方法对得到的振动信号数据集进行EEMD集合经验模态分解,取前8个本征模态函数IMF;
(3)计算相关系数:计算各IMF分量与原振动信号的相关系数:
式中:X为采集的原始振动信号;Yi为第i个IMF分量,i=1,2,…,8;EX为原始振动信号均值;EYi为第i个IMF分量均值;D(X)为原始振动信号方差;D(Yi)为第i个IMF分量方差;
(4)提取特征数据:将相关系数大于0的IMF分量进行组合作为样本特征数据集T,并随机抽取70%作为训练集,30%作为测试集;相关系数大于0的分量与原信号为正相关;
(5)生成改进随机森林故障诊断模型:将生成的样本特征数据集T输入到改进随机森林算法中,生成改进随机森林故障诊断模型;
(6)现场电机轴承故障诊断:通过加速度传感器对现场电机轴承振动信号进行数据采集,将数据通过无线传输模块输入到树莓派中,把每3000个数据作为一组数据集递归调用第(2)步至第(4)步,得到样本特征数据集M,先将其以txt文件保存到树莓派中以便将来进行数据分析,后将其输入到改进随机森林故障诊断模型中,得到最终诊断结果;
(7)故障提示:在树莓派显示屏上点亮对应电机轴承相应故障指示灯,并通过无线传输模块将现场对应电机轴承相应故障指示灯点亮。
所述步骤(5)具体包括以下步骤:
(5a)将样本特征数据集T中正常轴承标签设为0,其余故障轴承标签设为1,生成先验特征数据集U;
(5b)将先验特征数据集U随机抽取70%作为训练集,30%作为测试集,将训练集输入到改进的C4.5、CART算法中生成改进的C4.5、CART决策树;
(5c)用生成的C4.5、CART决策树对步骤(5b)中生成的测试集进行诊断,获得各决策树的先验知识,其中先验知识的诊断准确率P、漏报率Q的计算公式具体如下:
式中,TP为测试集中正常样本诊断结果为正常的数目;TN为测试集中故障样本诊断结果为故障的数目;FP为测试集中故障样本诊断结果为正常的数目;FN为测试集中正常样本诊断结果为故障的数目;
(5d)参照“议会制”即现代议会选举制将生成的决策树集成为随机森林,并按其漏报率、准确率大小分为议长AA及议员BB,并对各成员赋予不同权重系数,接着进入步骤(6):若某棵决策树分类准确率高于设定阈值,且漏报率低于阈值,则将该树划分为AA;若某棵决策树分类准确率高于设定阈值,但漏报率不低于阈值,则将该树划分为BB;AA成员权重系数为各成员先验漏报率AAi,B成员权重系数为各成员先验准确率为BBj
所述步骤(6)中将样本特征数据集M输入到改进随机森林故障诊断模型中,得到最终诊断结果,其具体过程如下:
(6a)将步骤(4)中生成的训练集输入到步骤(5)生成的改进随机森林模型中进行训练得到新的分类器;
(6b)将步骤(4)中生成的测试集输入到步骤(6a)训练得到的分类器中,得到各组数据的诊断结果;
(6c)将决策树的AA、BB各成员诊断结果分别乘其权重系数后集成,得到AA、BB类成员对所有样本的集成诊断结果AAfinal和BBfinal,并将BBfinal中诊断为正常的样本点替换为对应样本在AAfinal中诊断结果,得出所有样本诊断结果XX。
所述步骤(5b)中改进的C4.5、CART决策树生成的具体步骤如下:
(5b1)对数据集U中连续特征X的n个取值从小到大排序,得到特征值集合PX,用变异系数Cv检测特征X取值的离散程度,Cv的计算公式如下:
式中,σ为标准差,μ为平均值;
计算PX的变异系数Cv,当Cv不小于0.5时认为此集合数据离散程度较高,滑动窗口选择较小值,否则选择较大值,为兼顾诊断准确率及有效降低算法复杂度,滑动窗口设定值为3至4,较大值为4,较小值为3;
(5b2)滑动窗从步长1开始滑动,每次滑动均计算相邻两滑动窗平均值ai,ai+1的增长率bj
当增长率bj小于设定阈值下限时,认为增长过小,滑动窗步长加1;当增长率bj大于设定阈值上限时,认为增长过大,滑动窗步长减1;若增长率bj处于阈值内时,则保持目前步长;
(5b3)将得到的各滑动均值作为候选划分点,递归计算各候选划分点的信息增益率或基尼系数,选取最优值点作为最佳划分点,得到数据集U的连续特征候选划分点集合;所述最优值点为基尼系数最小或信息增益率最大;
(5b4)将数据集U的离散特征属性值点作为离散特征候选划分点集合,合并两候选划分点集合,计算各候选划分点的信息增益率或基尼系数,选取最优点a作为最优划分点,并用最优切分点a,将数据集D切割为D1、D2两部分;
(5b5)对子集D1、D2递归调用步骤(5b1)至步骤(5b4),直至结点中样本个数小于设定阈值或没有特征可选择,最后生成改进的C4.5或CART决策树。
如图2所示,本系统包括:
传感器监测结点,该结点由MPU9250振动加速度传感器和CC2530无线传输模块组成,用于采集现场各电机轴承振动信号及将采集到的信号无线传输到树莓派主控节点进行故障诊断;
树莓派主控结点,该结点系统控制器采用树莓派3B+型,采用ARM A53处理器对接收到的振动信号进行数据处理,搭载Linux操作系统,用C#完成设备界面开发,采用7英寸HDMI IPS显示屏实现人机交互,用CC2530无线传输模块进行数据传输;
故障提示结点,该结点由CC2530无线传输模块和4种电机轴承故障指示灯组成,通过CC2530无线传输模块接受树莓派主控节点发出的控制信号,点亮对应电机轴承相应的故障指示灯;
各结点采用CC2530作为无线传输模块,基于ZigBee协议实现无线传感器自组网及管理功能,各传感器监测结点在ZigBee网络中作为路由器对采集到的电机轴承振动信号数据进行无线传输,通过树莓派主控结点进行故障诊断,诊断完成后点亮树莓派显示界面的对应电机轴承故障指示灯,并通过CC2530无线传输模块将诊断结果传输到故障提示结点,将现场对应电机轴承相应故障指示灯点亮。
表1为改进决策树与传统决策树的诊断结果性能评估表:从表1可看出,本发明提出的改进C4.5、CART算法生成的决策树诊断准确率、漏报率均优于传统决策树;且单棵决策树运算时间减少约0.05s,在多棵决策树组成随机森林时算法执行效率提升较为客观。
表1
表2为不同分类算法的诊断结果性能评估表:从表2可看出,本发明提出的改进随机森林算法的诊断准确率高达99.98%,优于传统随机森林算法及MLP算法;且漏报率低至0,显著优于MLP及传统随机森林算法;运算效率较传统随机森林算法有较大提升。
表2
图3为本发明的电机轴承故障诊断系统显示主界面图,主要有各电机的诊断状态及最终诊断结果。
图4为本发明采集的各电机轴承振动信号波形显示界面图,可实现电机轴承振动信号的波形显示及各电机历史振动数据读取。
综上所述,本发明提出的改进随机森林算法中对决策树生成算法进行了改进,有效解决了当数据集的连续特征属性值数目过大时,构造后的决策树规模过大,算法复杂度高,运算效率低下且易导致过拟合的问题;本发明提出的改进随机森林算法中决策树以特征选择原理不同的C4.5、CART算法分别进行生成,提高了各决策树间诊断差异;本发明提出的改进随机森林算法对各决策树按其先验知识进行了权重分配,且并其漏报率、准确率大小分为议长AA及议员BB两类,最终集成后,有效提高了诊断准确率、降低了漏报率。

Claims (5)

1.一种基于改进随机森林算法的电机轴承故障诊断方法,其特征在于:该方法包括以下顺序的步骤:
(1)获取数据集:用加速度传感器对电机轴承的四种振动信号分别进行采集,将采集得到的数据通过无线传输模块输入到树莓派中,获得电机轴承振动信号数据集;所述四种振动信号是指正常、内圈故障、滚动体故障和外圈故障信号;
(2)振动信号分解:在树莓派中通过python的PyEMD模块中的EEMD方法对得到的振动信号数据集进行EEMD集合经验模态分解,取前8个本征模态函数IMF;
(3)计算相关系数:计算各IMF分量与原振动信号的相关系数:
式中:X为采集的原始振动信号;Yi为第i个IMF分量,i=1,2,…,8;EX为原始振动信号均值;EYi为第i个IMF分量均值;D(X)为原始振动信号方差;D(Yi)为第i个IMF分量方差;
(4)提取特征数据:将相关系数大于0的IMF分量进行组合作为样本特征数据集T,并随机抽取70%作为训练集,30%作为测试集;
(5)生成改进随机森林故障诊断模型:将生成的样本特征数据集T输入到改进随机森林算法中,生成改进随机森林故障诊断模型;
(6)现场电机轴承故障诊断:通过加速度传感器对现场电机轴承振动信号进行数据采集,将数据通过无线传输模块输入到树莓派中,把每3000个数据作为一组数据集递归调用第(2)步至第(4)步,得到样本特征数据集M,先将其以txt文件保存到树莓派中以便将来进行数据分析,后将其输入到改进随机森林故障诊断模型中,得到最终诊断结果;
(7)故障提示:在树莓派显示屏上点亮对应电机轴承相应故障指示灯,并通过无线传输模块将现场对应电机轴承相应故障指示灯点亮。
2.根据权利要求1所述的基于改进随机森林算法的电机轴承故障诊断方法,其特征在于:所述步骤(5)具体包括以下步骤:
(5a)将样本特征数据集T中正常轴承标签设为0,其余故障轴承标签设为1,生成先验特征数据集U;
(5b)将先验特征数据集U随机抽取70%作为训练集,30%作为测试集,将训练集输入到改进的C4.5、CART算法中生成改进的C4.5、CART决策树;
(5c)用生成的C4.5、CART决策树对步骤(5b)中生成的测试集进行诊断,获得各决策树的先验知识,其中先验知识的诊断准确率P、漏报率Q的计算公式具体如下:
式中,TP为测试集中正常样本诊断结果为正常的数目;TN为测试集中故障样本诊断结果为故障的数目;FP为测试集中故障样本诊断结果为正常的数目;FN为测试集中正常样本诊断结果为故障的数目;
(5d)将生成的决策树集成为随机森林,并按其漏报率、准确率大小分为议长AA及议员BB,并对各成员赋予不同权重系数,接着进入步骤(6):若某棵决策树分类准确率高于设定阈值,且漏报率低于阈值,则将该树划分为AA;若某棵决策树分类准确率高于设定阈值,但漏报率不低于阈值,则将该树划分为BB;AA成员权重系数为各成员先验漏报率AAi,B成员权重系数为各成员先验准确率为BBj
3.根据权利要求2所述的基于改进随机森林算法的电机轴承故障诊断方法,其特征在于:所述步骤(6)中将样本特征数据集M输入到改进随机森林故障诊断模型中,得到最终诊断结果,其具体过程如下:
(6a)将步骤(4)中生成的训练集输入到步骤(5)生成的改进随机森林模型中进行训练得到新的分类器;
(6b)将步骤(4)中生成的测试集输入到步骤(6a)训练得到的分类器中,得到各组数据的诊断结果;
(6c)将决策树的AA、BB各成员诊断结果分别乘其权重系数后集成,得到AA、BB类成员对所有样本的集成诊断结果AAfinal和BBfinal,并将BBfinal中诊断为正常的样本点替换为对应样本在AAfinal中诊断结果,得出所有样本诊断结果XX。
4.根据权利要求2所述的基于改进随机森林算法的电机轴承故障诊断方法,其特征在于:所述步骤(5b)中改进的C4.5、CART决策树生成的具体步骤如下:
(5b1)对数据集U中连续特征X的n个取值从小到大排序,得到特征值集合PX,用变异系数Cv检测特征X取值的离散程度,Cv的计算公式如下:
式中,σ为标准差,μ为平均值;
计算PX的变异系数Cv,当Cv不小于0.5时认为此集合数据离散程度较高,滑动窗口选择较小值,否则选择较大值,滑动窗口设定值为3至4,较大值为4,较小值为3;
(5b2)滑动窗从步长1开始滑动,每次滑动均计算相邻两滑动窗平均值ai,ai+1的增长率bj
当增长率bj小于设定阈值下限时,认为增长过小,滑动窗步长加1;当增长率bj大于设定阈值上限时,认为增长过大,滑动窗步长减1;若增长率bj处于阈值内时,则保持目前步长;
(5b3)将得到的各滑动均值作为候选划分点,递归计算各候选划分点的信息增益率或基尼系数,选取最优值点作为最佳划分点,得到数据集U的连续特征候选划分点集合;所述最优值点为基尼系数最小或信息增益率最大;
(5b4)将数据集U的离散特征属性值点作为离散特征候选划分点集合,合并两候选划分点集合,计算各候选划分点的信息增益率或基尼系数,选取最优点a作为最优划分点,并用最优切分点a,将数据集D切割为D1、D2两部分;
(5b5)对子集D1、D2递归调用步骤(5b1)至步骤(5b4),直至结点中样本个数小于设定阈值或没有特征可选择,最后生成改进的C4.5或CART决策树。
5.实施权利要求1至4中任一项所述的基于改进随机森林算法的电机轴承故障诊断方法的系统,其特征在于:包括
传感器监测结点,该结点由MPU9250振动加速度传感器和CC2530无线传输模块组成,用于采集现场各电机轴承振动信号及将采集到的信号无线传输到树莓派主控节点进行故障诊断;
树莓派主控结点,该结点系统控制器采用树莓派3B+型,采用ARM A53处理器对接收到的振动信号进行数据处理,搭载Linux操作系统,用C#完成设备界面开发,采用7英寸HDMIIPS显示屏实现人机交互,用CC2530无线传输模块进行数据传输;
故障提示结点,该结点由CC2530无线传输模块和4种电机轴承故障指示灯组成,通过CC2530无线传输模块接受树莓派主控节点发出的控制信号,点亮对应电机轴承相应的故障指示灯;
各结点采用CC2530作为无线传输模块,基于ZigBee协议实现无线传感器自组网及管理功能,各传感器监测结点在ZigBee网络中作为路由器对采集到的电机轴承振动信号数据进行无线传输,通过树莓派主控结点进行故障诊断,诊断完成后点亮树莓派显示界面的对应电机轴承故障指示灯,并通过CC2530无线传输模块将诊断结果传输到故障提示结点,将现场对应电机轴承相应故障指示灯点亮。
CN201910496199.4A 2019-06-10 2019-06-10 基于改进随机森林算法的电机轴承故障诊断方法及系统 Active CN110287552B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910496199.4A CN110287552B (zh) 2019-06-10 2019-06-10 基于改进随机森林算法的电机轴承故障诊断方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910496199.4A CN110287552B (zh) 2019-06-10 2019-06-10 基于改进随机森林算法的电机轴承故障诊断方法及系统

Publications (2)

Publication Number Publication Date
CN110287552A true CN110287552A (zh) 2019-09-27
CN110287552B CN110287552B (zh) 2022-09-13

Family

ID=68003549

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910496199.4A Active CN110287552B (zh) 2019-06-10 2019-06-10 基于改进随机森林算法的电机轴承故障诊断方法及系统

Country Status (1)

Country Link
CN (1) CN110287552B (zh)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110717524A (zh) * 2019-09-20 2020-01-21 浙江工业大学 一种老年人热舒适预测方法
CN111047215A (zh) * 2019-12-09 2020-04-21 中国兵器科学研究院 基于随机森林的现场可更换单元划分类别确定方法
CN111797674A (zh) * 2020-04-10 2020-10-20 成都信息工程大学 基于特征融合和粒子群优化算法的mi脑电信号识别方法
CN112036665A (zh) * 2020-09-22 2020-12-04 北京嘀嘀无限科技发展有限公司 一种基于连续特征的预测方法、系统和装置
CN112446144A (zh) * 2020-11-17 2021-03-05 哈工大机器人(合肥)国际创新研究院 一种大型回转机组故障诊断方法及装置
CN112763213A (zh) * 2020-12-21 2021-05-07 核工业烟台同兴实业集团有限公司 一种过滤机水环真空泵轴承故障诊断方法
CN112943224A (zh) * 2019-12-11 2021-06-11 中国石油化工股份有限公司 稠油井动液面的计算方法
CN112966434A (zh) * 2021-02-26 2021-06-15 西安理工大学 基于滑动窗口的随机森林突发性故障预警方法
CN113049250A (zh) * 2021-03-10 2021-06-29 天津理工大学 基于mpu6050和决策树的电机故障诊断方法及系统
CN113076708A (zh) * 2021-03-31 2021-07-06 桂林电子科技大学 基于优化矩阵随机森林算法的模拟电路故障诊断方法
CN113516178A (zh) * 2021-06-22 2021-10-19 常州微亿智造科技有限公司 工业零部件的缺陷检测方法、缺陷检测装置
CN113688885A (zh) * 2021-08-11 2021-11-23 南京航空航天大学 一种基于脉冲神经网络的深空探测器自主故障诊断方法
CN114371009A (zh) * 2022-02-28 2022-04-19 西安理工大学 基于改进随机森林的高速列车轴承故障诊断方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101900708A (zh) * 2010-08-18 2010-12-01 哈尔滨工业大学 一种基于振动和声频信号的高速列车轨道伤损探测方法
US20180189667A1 (en) * 2016-12-29 2018-07-05 Intel Corporation Entropy-based weighting in random forest models
CN108388860A (zh) * 2018-02-12 2018-08-10 大连理工大学 一种基于功率熵谱-随机森林的航空发动机滚动轴承故障诊断方法
US20190079472A1 (en) * 2015-10-15 2019-03-14 Accenture Global Services Limited System and method for selecting controllable parameters for equipment operation safety
CN109597401A (zh) * 2018-12-06 2019-04-09 华中科技大学 一种基于数据驱动的设备故障诊断方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101900708A (zh) * 2010-08-18 2010-12-01 哈尔滨工业大学 一种基于振动和声频信号的高速列车轨道伤损探测方法
US20190079472A1 (en) * 2015-10-15 2019-03-14 Accenture Global Services Limited System and method for selecting controllable parameters for equipment operation safety
US20180189667A1 (en) * 2016-12-29 2018-07-05 Intel Corporation Entropy-based weighting in random forest models
CN108388860A (zh) * 2018-02-12 2018-08-10 大连理工大学 一种基于功率熵谱-随机森林的航空发动机滚动轴承故障诊断方法
CN109597401A (zh) * 2018-12-06 2019-04-09 华中科技大学 一种基于数据驱动的设备故障诊断方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
宋玉琴等: "基于优化随机森林算法的高压断路器故障诊断", 《电子测量技术》 *
张钰等: "随机森林在滚动轴承故障诊断中的应用", 《计算机工程与应用》 *
王梓杰等: "基于PCA和随机森林的故障趋势预测方法研究", 《计算机测量与控制》 *

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110717524A (zh) * 2019-09-20 2020-01-21 浙江工业大学 一种老年人热舒适预测方法
CN111047215A (zh) * 2019-12-09 2020-04-21 中国兵器科学研究院 基于随机森林的现场可更换单元划分类别确定方法
CN111047215B (zh) * 2019-12-09 2023-06-23 中国兵器科学研究院 基于随机森林的现场可更换单元划分类别确定方法
CN112943224A (zh) * 2019-12-11 2021-06-11 中国石油化工股份有限公司 稠油井动液面的计算方法
CN111797674B (zh) * 2020-04-10 2022-05-10 成都信息工程大学 基于特征融合和粒子群优化算法的mi脑电信号识别方法
CN111797674A (zh) * 2020-04-10 2020-10-20 成都信息工程大学 基于特征融合和粒子群优化算法的mi脑电信号识别方法
CN112036665A (zh) * 2020-09-22 2020-12-04 北京嘀嘀无限科技发展有限公司 一种基于连续特征的预测方法、系统和装置
CN112446144A (zh) * 2020-11-17 2021-03-05 哈工大机器人(合肥)国际创新研究院 一种大型回转机组故障诊断方法及装置
CN112763213A (zh) * 2020-12-21 2021-05-07 核工业烟台同兴实业集团有限公司 一种过滤机水环真空泵轴承故障诊断方法
CN112763213B (zh) * 2020-12-21 2022-08-19 核工业烟台同兴实业集团有限公司 一种过滤机水环真空泵轴承故障诊断方法
CN112966434A (zh) * 2021-02-26 2021-06-15 西安理工大学 基于滑动窗口的随机森林突发性故障预警方法
CN112966434B (zh) * 2021-02-26 2023-06-23 四化信息科技(深圳)有限公司 基于滑动窗口的随机森林突发性故障预警方法
CN113049250A (zh) * 2021-03-10 2021-06-29 天津理工大学 基于mpu6050和决策树的电机故障诊断方法及系统
CN113076708A (zh) * 2021-03-31 2021-07-06 桂林电子科技大学 基于优化矩阵随机森林算法的模拟电路故障诊断方法
CN113516178A (zh) * 2021-06-22 2021-10-19 常州微亿智造科技有限公司 工业零部件的缺陷检测方法、缺陷检测装置
CN113688885A (zh) * 2021-08-11 2021-11-23 南京航空航天大学 一种基于脉冲神经网络的深空探测器自主故障诊断方法
CN114371009A (zh) * 2022-02-28 2022-04-19 西安理工大学 基于改进随机森林的高速列车轴承故障诊断方法

Also Published As

Publication number Publication date
CN110287552B (zh) 2022-09-13

Similar Documents

Publication Publication Date Title
CN110287552A (zh) 基于改进随机森林算法的电机轴承故障诊断方法及系统
CN106050580B (zh) 一种风力发电机组传动链故障诊断方法及系统
JP5278310B2 (ja) 診断システム
US20210140851A1 (en) System and method for automatic diagnosis of power generation facility
KR101964412B1 (ko) 이동통신데이터 처리시스템의 이상로그 발생을 진단하는 방법 및 그 시스템
US20080133439A1 (en) Device for overall machine tool monitoring
CN108345723A (zh) 一种基于决策树和贝叶斯网络的电机故障诊断系统及方法
CN106482967A (zh) 一种代价敏感支持向量机机车车轮检测系统及方法
CN107036808B (zh) 基于支持向量机概率估计的风电机组齿轮箱复合故障诊断方法
WO2006046251A2 (en) Detection system for rare situation in processes
CN107588947B (zh) 考虑运行工况和信息简化的风电机组传动链状态监测方法
Sánchez et al. Multi-fault diagnosis of rotating machinery by using feature ranking methods and SVM-based classifiers
CN117318614A (zh) 一种光伏逆变器故障预测方法
KR20210061517A (ko) 머신러닝에 의해 생성된 가상 데이터를 이용한 고장 진단 방법 및 장치
CN104571084B (zh) 主风机组故障根源深度诊断方法和装置
CN111207067A (zh) 一种基于模糊支持向量机的空压机故障诊断方法
CN110210634A (zh) 基于大数据驱动的民航发动机故障诊断与健康管理系统
CN113221946A (zh) 一种机械设备故障种类的诊断方法
CN106195247A (zh) 一种基于大数据管理模式的变速器控制系统
CN114279728B (zh) 一种振动筛机体的故障诊断方法及系统
CN107727392A (zh) 基于信号检测和roc分析的状态指数评估和优化方法
US11604458B2 (en) Anomaly determination device and anomaly determination method
CN113820123A (zh) 一种基于改进cnn和选择性集成的齿轮箱故障诊断方法
CN104252573A (zh) 一种基于分步模式的机械多故障诊断方法
CN118468164B (zh) 一种基于深度学习的大数据实时分析处理装置

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