CN111582362A - 一种基于随机森林算法的农田水泵故障诊断方法及装置 - Google Patents
一种基于随机森林算法的农田水泵故障诊断方法及装置 Download PDFInfo
- Publication number
- CN111582362A CN111582362A CN202010371789.7A CN202010371789A CN111582362A CN 111582362 A CN111582362 A CN 111582362A CN 202010371789 A CN202010371789 A CN 202010371789A CN 111582362 A CN111582362 A CN 111582362A
- Authority
- CN
- China
- Prior art keywords
- fault
- water pump
- probability
- random forest
- farmland water
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04B—POSITIVE-DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS
- F04B51/00—Testing machines, pumps, or pumping installations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Mechanical Engineering (AREA)
- Control Of Non-Positive-Displacement Pumps (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了本发明提供了一种基于随机森林算法的农田水泵故障诊断方法及装置,包括以下步骤:采集农田水泵的实时运行数据,将实时运行数据输入随机森林模型,得到运行状态的分布情况;根据运行状态的分布情况,分析得出水泵是否发生故障的概率,进而预测该水泵是否发生故障。本发明方法简单,可提高农田水泵故障诊断的工作效率,降低无效工作量。
Description
技术领域
本发明涉及设备故障诊断技术领域,具体涉及一种基于随机森林算法的农田水泵故障诊断方法及装置。
背景技术
水泵被用于输送液体或提升液体压力,是工农业生产中非常重要的设备。在农业灌溉及排涝系统中,水泵运行状况的好坏直接影响着农业生产能否正常进行。随着运行时间的积累,水泵将会发生缓慢的退化,轴承被磨损,润滑油被污染,管道腐蚀、结垢,最终造成轴承发热、性能下降、零部件损坏及管路堵塞、泄漏等故障,在故障检修完成前,所有相关的生产将被迫中止,导致巨大的损失。而如果能够提前预测可能出现故障的水泵,分析水泵故障的类型,然后及时对其进行检修,不仅可以缩短故障排查的时间,减少人力财力的投入,还能降低由设备和人员闲置造成的巨大损失,提高设备运行的稳定性。
随着信号分析技术、计算机技术、模糊和人工智能技术的发展,水泵系统的故障诊断技术有了很大程度的进步,但仍存在针对性低,大量故障检修数据未得到合理利用等问题。因此,有必要根据水泵的流量、压力、温度等数据,预测水泵是否发生故障。然后结合大量的故障检修数据,辨别故障水泵的故障类型,及时派专业人员对其检修,提高故障检修的效率,减少故障引起的损失。
发明内容
为了克服现有技术上的不足,本发明提供了一种基于随机森林算法的农田水泵故障诊断方法及装置,解决现有农田水泵故障诊断方法针对性低,工作量大,大量故障检修数据未得到合理利用的技术问题,以提高农田水泵故障诊断的工作效率,降低无效工作量。
为了解决上述技术问题,本发明提供了一种基于随机森林算法的农田水泵故障诊断方法,其特征是,包括以下步骤:
采集农田水泵的历史运行数据,将历史运行数据与对应的运行状态构成训练集,利用训练集训练得到由多个决策树组成的随机森林模型;
采集农田水泵的实时运行数据,将实时运行数据输入随机森林模型,得到运行状态的分布情况;
根据运行状态的分布情况,分析得出水泵是否发生故障的概率,进而预测该水泵是否发生故障。
进一步的,所述农田水泵的运行数据包括流量、扬程、功率、转速、温度以及工作压力六类特征。
进一步的,所述运行状态包括不存在故障和存在故障两类。
进一步的,所述根据运行状态的分布情况分析得出水泵是否发生故障的概率,包括:
存在故障的概率为各特征存在故障的概率与其对应的权重乘积之和;
不存在故障的概率为各特征不存在故障的概率与其对应的权重乘积之和。
进一步的,预测该水泵是否发生故障包括:
若存在故障的概率大于等于不存在故障的概率,则判断该水泵发生故障;否则判断该水泵未发生故障。
相应的,本发明还提供了一种基于随机森林算法的农田水泵故障诊断装置,其特征是,包括随机森林模型训练模块、实时运行状态计算模块和故障诊断模块,其中:
随机森林模型训练模块,用于采集农田水泵的历史运行数据,将历史运行数据与对应的运行状态构成训练集,利用训练集训练得到由多个决策树组成的随机森林模型;
实时运行状态计算模块,用于采集农田水泵的实时运行数据,将实时运行数据输入随机森林模型,得到运行状态的分布情况;
故障诊断模块,用于根据运行状态的分布情况,分析得出水泵是否发生故障的概率,进而预测该水泵是否发生故障。
进一步的,所述农田水泵的运行数据包括流量、扬程、功率、转速、温度以及工作压力六类特征。
进一步的,所述运行状态包括不存在故障和存在故障两类。
进一步的,故障诊断模块中,所述根据运行状态的分布情况分析得出水泵是否发生故障的概率,包括:
存在故障的概率为各特征存在故障的概率与其对应的权重乘积之和;
不存在故障的概率为各特征不存在故障的概率与其对应的权重乘积之和。
进一步的,故障诊断模块中,所述预测该水泵是否发生故障包括:
若存在故障的概率大于等于不存在故障的概率,则判断该水泵发生故障;否则判断该水泵未发生故障。
与现有技术相比,本发明的有益效果为:本发明方法简单,提高农田水泵故障诊断的工作效率,降低无效工作量。、
附图说明
图1为本发明的方法流程图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
本发明的一种基于随机森林算法的农田水泵故障诊断方法,参见图1所示,包括以下过程:
步骤1,采集农田水泵的历史运行数据,将历史运行数据与对应的运行状态构成训练集,利用训练集训练得到由多个决策树组成的随机森林模型。
农田水泵的运行数据包括流量、扬程、功率、转速、温度以及工作压力六类特征。
水泵运行状态定义为:不存在故障和存在故障两类。
首先,采集农田水泵的流量、扬程、功率、转速、温度以及工作压力等六个特征的历史运行数据,确定各组运行数据对应的运行状态(即是否存在故障),将历史运行数据及其对应的运行状态组成训练集,从训练集中随机有放回地抽取同等容量的k个样本集,这样的抽样结果作为生成决策树的训练集;
其次,对k个样本集分别建立k个决策树模型,得到k种决策树分类结果;
最后,根据k种决策树分类结果对每个决策树进行投票表决,确定哪一种决策树分类结果是最优的。
运用随机森林原理计算得到各特征权重如下:
记xi(i=1,2,3,4,5,6)为农田水泵的流量、扬程、功率、转速、温度以及工作压力六类特征,各特征对应的权重记为ωi。
水泵运行状态定义为:不存在故障和存在故障两类。
每类特征对应建立一个决策树,此决策树的结果为各类运行状态的概率(即对应的“存在故障”与“不存在故障”的概率)。
步骤2,采集农田水泵的实时运行数据,将实时运行数据输入随机森林模型,得到运行状态的分布情况。
采集某台水泵的流量、扬程、功率、转速、温度以及工作压力等实时运行数据,按照随机森林中的决策树对实时运行数据进行分类,得到针对该运行数据的运行状态的分布情况;
步骤3,根据运行状态的分布情况,分析得出该水泵是否发生故障的概率,最终预测该水泵是否发生故障。
根据某台水泵的运行数据,按照决策树的分类结果,针对该水泵的运行数据建立设备运行状态的分布情况,参见表1所示,xi为农田水泵的流量、扬程、功率、转速、温度以及工作压力等运行数据指标。
表1决策树的分类结果
注:A∈(0,a1],B∈(b1,b2],C∈(c2,c3],D∈(d2,d3];其中a1、b1、b2、c2、c3、d2、d3是范围区域值,可根据经验决定。
记该水泵有P1的概率存在故障,P2的概率不存在故障,其中:
P1=(α1ω1+β2ω2+......+γ3ω(n-1)+μ3ωn);
P2=(ω1+ω2+......+ω(n-1)+ωn-α1ω1-β2ω2+......+γ3ω(n-1)+μ3ωn)。
通过对其两者比较得出结论,详细判断方法如下:
若P1≥P2,则判断该水泵发生故障;
若P1<P2,则判断该水泵未发生故障。
步骤4,派遣专业人员对被认定为发生故障的水泵的进行检修。
本发明方法简单,提高农田水泵故障诊断的工作效率,降低无效工作量。
实施例
相应的,本发明还提供了一种基于随机森林算法的农田水泵故障诊断装置,其特征是,包括随机森林模型训练模块、实时运行状态计算模块和故障诊断模块,其中:
随机森林模型训练模块,用于采集农田水泵的历史运行数据,将历史运行数据与对应的运行状态构成训练集,利用训练集训练得到由多个决策树组成的随机森林模型;
实时运行状态计算模块,用于采集农田水泵的实时运行数据,将实时运行数据输入随机森林模型,得到运行状态的分布情况;
故障诊断模块,用于根据运行状态的分布情况,分析得出水泵是否发生故障的概率,进而预测该水泵是否发生故障。
进一步的,所述农田水泵的运行数据包括流量、扬程、功率、转速、温度以及工作压力六类特征。
进一步的,所述运行状态包括不存在故障和存在故障两类。
进一步的,故障诊断模块中,所述根据运行状态的分布情况分析得出水泵是否发生故障的概率,包括:
存在故障的概率为各特征存在故障的概率与其对应的权重乘积之和;
不存在故障的概率为各特征不存在故障的概率与其对应的权重乘积之和。
进一步的,故障诊断模块中,所述预测该水泵是否发生故障包括:
若存在故障的概率大于等于不存在故障的概率,则判断该水泵发生故障;否则判断该水泵未发生故障。
实施例
(1)提取某水泵的流量(Flow)、扬程(Lift)、功率(Power)、转速(Speed)、温度(Temperature)以及工作压力(Pressure)共6个运行数据指标来预测该水泵是否出现故障,其运行状态的分布情况如下:不存在故障、存在故障。
(2)根据随机森林计算原理,使用Python语言实现计算,得到各变量权重如下:
农田水泵的流量、扬程、功率、转速、温度以及工作压力等指标的权重参见表2所示。
表2各特征的权重
特征 | 权重 |
流量 | 0.30 |
扬程 | 0.08 |
功率 | 0.10 |
转速 | 0.13 |
温度 | 0.16 |
工作压力 | 0.23 |
(3)根据某台水泵的实际运行数据,按照决策树针对该水泵的运行数据计算得到运行状态的分布情况。
随机森林中的每棵决策树都可以看做是一颗分类回归树,假设森林中有6棵分类回归树,总特征数N=6,取m=3(即假设每个分类回归树对应3个不同的特征),分类回归树的情况如下(这里以D型卧式多级离心泵为例):
分类回归树1:流量
分类回归树2:扬程
分类回归树3:功率
分类回归树4:转速
分类回归树5:温度
分类回归树6:工作压力
(4)通过计算分析得出结论,即该水泵是否发生故障的概率,最终预测该水泵是否发生故障。根据该水泵的运行数据,按照分类回归树的分类结果,针对该设备的运行数据建立设备运行状态的分布情况,计算结果如下:
表3运行状态的分布情况
可以看出该设备有51.4%的概率出现故障,48.6%的概率未出现故障所以预测该水泵很有可能出现故障,于是派遣专业人员对被认定为发生故障的水泵的进行检修。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变型,这些改进和变型也应视为本发明的保护范围。
Claims (10)
1.一种基于随机森林算法的农田水泵故障诊断方法,其特征是,包括以下步骤:
采集农田水泵的历史运行数据,将历史运行数据与对应的运行状态构成训练集,利用训练集训练得到由多个决策树组成的随机森林模型;
采集农田水泵的实时运行数据,将实时运行数据输入随机森林模型,得到运行状态的分布情况;
根据运行状态的分布情况,分析得出水泵是否发生故障的概率,进而预测该水泵是否发生故障。
2.根据权利要求1所述的一种基于随机森林算法的农田水泵故障诊断方法,其特征是,所述农田水泵的运行数据包括流量、扬程、功率、转速、温度以及工作压力六类特征。
3.根据权利要求2所述的一种基于随机森林算法的农田水泵故障诊断方法,其特征是,所述运行状态包括不存在故障和存在故障两类。
4.根据权利要求3所述的一种基于随机森林算法的农田水泵故障诊断方法,其特征是,所述根据运行状态的分布情况分析得出水泵是否发生故障的概率,包括:
存在故障的概率为各特征存在故障的概率与其对应的权重乘积之和;
不存在故障的概率为各特征不存在故障的概率与其对应的权重乘积之和。
5.根据权利要求4所述的一种基于随机森林算法的农田水泵故障诊断方法,其特征是,预测该水泵是否发生故障包括:
若存在故障的概率大于等于不存在故障的概率,则判断该水泵发生故障;否则判断该水泵未发生故障。
6.一种基于随机森林算法的农田水泵故障诊断装置,其特征是,包括随机森林模型训练模块、实时运行状态计算模块和故障诊断模块,其中:
随机森林模型训练模块,用于采集农田水泵的历史运行数据,将历史运行数据与对应的运行状态构成训练集,利用训练集训练得到由多个决策树组成的随机森林模型;
实时运行状态计算模块,用于采集农田水泵的实时运行数据,将实时运行数据输入随机森林模型,得到运行状态的分布情况;
故障诊断模块,用于根据运行状态的分布情况,分析得出水泵是否发生故障的概率,进而预测该水泵是否发生故障。
7.根据权利要求6所述的一种基于随机森林算法的农田水泵故障诊断装置,其特征是,所述农田水泵的运行数据包括流量、扬程、功率、转速、温度以及工作压力六类特征。
8.根据权利要求7所述的一种基于随机森林算法的农田水泵故障诊断装置,其特征是,所述运行状态包括不存在故障和存在故障两类。
9.根据权利要求8所述的一种基于随机森林算法的农田水泵故障诊断装置,其特征是,故障诊断模块中,所述根据运行状态的分布情况分析得出水泵是否发生故障的概率,包括:
存在故障的概率为各特征存在故障的概率与其对应的权重乘积之和;
不存在故障的概率为各特征不存在故障的概率与其对应的权重乘积之和。
10.根据权利要求9所述的一种基于随机森林算法的农田水泵故障诊断装置,其特征是,故障诊断模块中,所述预测该水泵是否发生故障包括:
若存在故障的概率大于等于不存在故障的概率,则判断该水泵发生故障;否则判断该水泵未发生故障。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010371789.7A CN111582362A (zh) | 2020-05-06 | 2020-05-06 | 一种基于随机森林算法的农田水泵故障诊断方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010371789.7A CN111582362A (zh) | 2020-05-06 | 2020-05-06 | 一种基于随机森林算法的农田水泵故障诊断方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111582362A true CN111582362A (zh) | 2020-08-25 |
Family
ID=72111945
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010371789.7A Pending CN111582362A (zh) | 2020-05-06 | 2020-05-06 | 一种基于随机森林算法的农田水泵故障诊断方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111582362A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112343810A (zh) * | 2020-11-04 | 2021-02-09 | 广州高澜节能技术股份有限公司 | 一种用于循环水冷却系统的水泵健康监测诊断方法 |
CN113123958A (zh) * | 2021-04-19 | 2021-07-16 | 徐州新大隆化工泵业制造有限公司 | 一种柱塞泵的故障诊断方法及诊断系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108303632A (zh) * | 2017-12-14 | 2018-07-20 | 佛山科学技术学院 | 基于随机森林算法的电路故障诊断方法 |
CN108343599A (zh) * | 2018-01-10 | 2018-07-31 | 中国水利水电科学研究院 | 一种基于多粒度级联森林的水泵机组智能故障诊断方法 |
-
2020
- 2020-05-06 CN CN202010371789.7A patent/CN111582362A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108303632A (zh) * | 2017-12-14 | 2018-07-20 | 佛山科学技术学院 | 基于随机森林算法的电路故障诊断方法 |
CN108343599A (zh) * | 2018-01-10 | 2018-07-31 | 中国水利水电科学研究院 | 一种基于多粒度级联森林的水泵机组智能故障诊断方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112343810A (zh) * | 2020-11-04 | 2021-02-09 | 广州高澜节能技术股份有限公司 | 一种用于循环水冷却系统的水泵健康监测诊断方法 |
CN113123958A (zh) * | 2021-04-19 | 2021-07-16 | 徐州新大隆化工泵业制造有限公司 | 一种柱塞泵的故障诊断方法及诊断系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110674842A (zh) | 一种风电机组主轴轴承故障预测方法 | |
CN113236581A (zh) | 一种智能化并联泵系统及优化调节方法 | |
CN109188227B (zh) | 一种双馈型风力发电机绝缘状态评估方法及系统 | |
CN111582362A (zh) | 一种基于随机森林算法的农田水泵故障诊断方法及装置 | |
CN111563524A (zh) | 一种多站融合系统运行态势异常监测和告警合并方法 | |
CN110097209A (zh) | 一种基于参数残差的设备劣化分析方法 | |
CN112561238A (zh) | 一种抽水蓄能电站辅机设备状态健康评价系统及方法 | |
CN112052871B (zh) | 一种基于支持向量机的火箭发动机健康诊断方法及系统 | |
CN111291472B (zh) | 一种基于cfsfdp聚类算法的给水管网压力监测点布置方法 | |
CN112001511A (zh) | 基于数据挖掘的设备可靠性及动态风险评价方法、系统和设备 | |
CN111720296A (zh) | 一种基于自编码器的汽动给水泵设备异常状态预警方法 | |
CN109263271A (zh) | 一种基于大数据的印刷设备检测分析方法 | |
CN113887749A (zh) | 基于云边协同的电力物联网多维度监控处置方法、设备及平台 | |
CN110007660B (zh) | 一种火电厂汽轮机组瞬态等效热应力在线软测量方法 | |
CN115618267A (zh) | 无监督域自适应及熵优化的设备传感诊断方法及系统 | |
CN112855515B (zh) | 一种真空泵安全监测方法和装置 | |
CN113313365A (zh) | 一种一次风机的劣化预警方法及设备 | |
CN111445042B (zh) | 一种电厂设备的检修方法、系统及装置 | |
CN114528314B (zh) | 一种工程建设项目监管系统及方法 | |
CN116483865A (zh) | 一种具有优先级的液压故障诊断专家系统 | |
CN113323699B (zh) | 一种基于数据驱动的液压支架系统故障源精准辨识方法 | |
CN115357637A (zh) | 一种工业设备特定工况样本数据抽取的方法 | |
CN114252216A (zh) | 一种燃气轮机滑油泄漏的检测方法 | |
CN114417704A (zh) | 一种基于改进栈式自编码的风电机组发电机健康评估方法 | |
CN112884170A (zh) | 一种综合管廊预测性智能运维系统及方法 |
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 |