CN112446144A - 一种大型回转机组故障诊断方法及装置 - Google Patents
一种大型回转机组故障诊断方法及装置 Download PDFInfo
- Publication number
- CN112446144A CN112446144A CN202011289077.7A CN202011289077A CN112446144A CN 112446144 A CN112446144 A CN 112446144A CN 202011289077 A CN202011289077 A CN 202011289077A CN 112446144 A CN112446144 A CN 112446144A
- Authority
- CN
- China
- Prior art keywords
- fault
- diagnosis
- model
- attribute
- rotating machine
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 127
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000007246 mechanism Effects 0.000 claims abstract description 63
- 238000003066 decision tree Methods 0.000 claims abstract description 27
- 238000007637 random forest analysis Methods 0.000 claims abstract description 25
- 208000024891 symptom Diseases 0.000 claims description 47
- 238000012549 training Methods 0.000 claims description 30
- 238000012360 testing method Methods 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 12
- 239000000463 material Substances 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 10
- 230000007547 defect Effects 0.000 claims description 7
- 230000003993 interaction Effects 0.000 claims description 7
- 238000004519 manufacturing process Methods 0.000 claims description 7
- 238000001228 spectrum Methods 0.000 claims description 7
- 238000005452 bending Methods 0.000 claims description 6
- 238000013461 design Methods 0.000 claims description 5
- 238000009434 installation Methods 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 230000005284 excitation Effects 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 3
- 238000005299 abrasion Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 5
- 238000010183 spectrum analysis Methods 0.000 description 4
- 238000007635 classification algorithm Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 239000000110 cooling liquid Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000012774 diagnostic algorithm Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种大型回转机组故障诊断方法及装置,所述方法包括:上位机获取用户选择信息,根据用户选择信息判断需要调用的诊断模型,利用调用的诊断模型进行故障诊断,所述诊断模型包括知识图谱推理模型和随机森林推理模型;所述知识图谱模型利用故障征兆、故障机理、故障原因以及解决办法之间的联系构建大型回转机组故障诊断知识图谱,根据传感器采集到的实时数据,从故障征兆出发,直接完成故障诊断;所述随机森林推理模型构造决策树模型,将传感器采集到的实时数据输入决策树模型确定最终的诊断结果;本发明的优点在于:适用于大型回转机组的故障诊断,诊断结果相对准确,诊断效率较高。
Description
技术领域
本发明涉及故障诊断领域,更具体涉及一种大型回转机组故障诊断方法及装置。
背景技术
目前大型回转机组在运行、维护和管理过程中,故障的查找与定位往往使用人工来进行判断,然而由于不同人员间的差异,使得故障的定位及原因分析具有一定的主观性和不确定性。此外,不同类型的故障有可能对应相同的故障表征,且故障的产生通常具有并发性,从而进一步加大了故障分析过程的复杂度,降低了准确性。由于以上原因导致大型回转机组的故障诊断及原因分析的效率较低,不利于其运维管理。
中国专利公开号CN110162014A,公开了一种集成多种智能算法的制冷系统故障诊断方法,包括:步骤1,通过模拟冷水机组故障实验,采集得到多个实验数据;步骤2,选取多个不同的成员诊断器,分别得到多个不同的成员诊断器的诊断模型,多个诊断模型包括:K近邻诊断器、支持向量机诊断器、决策树诊断器、随机森林诊断器及逻辑斯蒂回归诊断器;步骤3,对S2中多个不同的诊断模型进行集成,形成集成诊断器模型;步骤4,使用样本训练集数据对集成诊断器模型进行训练,得到训练好的集成诊断器模型;步骤5,使用测试样本集在训练好的集成诊断器模型对冷水机组进行故障诊断,得到故障诊断结果;步骤6,对成员诊断器与集成诊断器的故障诊断结果进行对比。但这些诊断算法均具有一定的局限性,精度不高、抗噪能力差、容易陷入过拟合,不适用于具有大量参数的大型回转机组,易导致诊断结果不够准确,诊断效率不高。
发明内容
本发明所要解决的技术问题在于现有技术缺乏适用于大型回转机组的故障诊断方法及装置,诊断结果不够准确,诊断效率不高。
本发明通过以下技术手段实现解决上述技术问题的:一种大型回转机组故障诊断方法,所述方法包括:
上位机获取用户选择信息,根据用户选择信息判断需要调用的诊断模型,利用调用的诊断模型进行故障诊断,所述诊断模型包括知识图谱推理模型和随机森林推理模型;
所述知识图谱模型对故障诊断领域的大量资料及案例进行存储,从中提取出能够反映故障征兆、故障机理、故障原因以及解决办法的信息,进行去重、消歧后,利用故障征兆、故障机理、故障原因以及解决办法之间的联系构建大型回转机组故障诊断知识图谱,将知识图谱中故障征兆、故障原因、故障机理以及解决办法均统一表示成三元组的形式,根据传感器采集到的实时数据,从故障征兆出发,查找对应的故障类型、故障机理、故障原因以及解决办法,直接完成故障诊断;
所述随机森林推理模型将故障征兆中的多种特征等效为征兆样本数据集,对所述征兆样本数据集随机抽取数据组成N个不同的训练样本集,每个训练样本集构造出一个决策树模型,将传感器采集到的实时数据作为测试样本,将测试样本输入N个决策树模型得到N个诊断结果,以众数投票确定最终的诊断结果,将诊断结果输出到人机交互界面。
本发明结合知识图谱推理和随机森林推理进行故障诊断,知识图谱推理采用多元信息及数据来对故障进行诊断,提高了诊断结果的准确性,随机森林推理采用集成分类算法进行故障诊断,无需进行特征提取,具有一定的抗噪能力,诊断结果具有更高的准确性,算法收敛快,诊断效率高,适用于大型回转机组的故障诊断。
优选的,所述故障征兆包括振动幅值、相位、轴心轨迹、全息谱以及温度。
优选的,所述故障原因包括设计制造缺陷、材质不均、操作不当、安装不当以及位置偏差。
优选的,所述故障机理包括额外激励力、磨损、弯曲变形以及振动不同步。
优选的,所述解决办法包括动平衡、重新安装以及重新设计。
优选的,所述根据传感器采集到的实时数据,从故障征兆出发,查找对应的故障类型、故障机理、故障原因以及解决办法,直接完成故障诊断,包括:故障征兆被表示成“实体-关系-实体”或“实体-关系-值”的三元组形式,如故障类型热变形所对应的故障征兆幅值1X占主导表示为三元组“热变形-1X占主导-幅值”,故障类型热变形所对应的故障征兆温度升高可表示为三元组“热变形-升高-温度”,将传感器采集到的多元数据及信息特征与故障征兆进行匹配,从而判断故障类型,如采集到的多元数据及信息特征为幅值1X占主导、随转速变化不敏感、方向上径向振动较大、温度升高,即可判定故障类型为热变形,根据故障类型即得到对应的故障机理,根据故障机理得到对应的故障原因,由故障原因提出对应的解决办法。
优选的,所述故障征兆中与多种特征等效的征兆样本数据集为D=(D1,D2,D3,...Di...,Dk),其中,i=1~k,Di是第i个样本且Di=(di1,di2,di3,...),di1代表倍频幅值,di2代表相位,di3代表轴心轨迹,对征兆样本数据集D采用有放回随机抽样的方式抽取k个样本组成一个训练样本集T=(X1,X2,Xi,...,Xk)(X1∈D,X2∈D,...,Xk∈D)。
优选的,所述决策树模型的构建过程为:
其中,Info(C)为当前节点的类别熵,m1为训练样本集T中的类别个数,|Ci|表示第i个类别所对应的样本数量,|C|表示样本总数量;
其中,Info(Ai)为当前节点的属性熵,m2为训练样本集T通过某一属性划分的子数据集个数,|Ai|表示第i个子数据集中样本数量;m3为第i个子数据集中的类别个数,|Bj|表示第j个类别所对应的样本数量,|B|表示子数据集中样本总数量
利用公式Gain(Ai)=Info(C)-Info(Ai)获取各个属性的信息增益Gain(Ai);
利用公式IGR=Gain(Ai)/H(Ai)获取各个属性的信息增益率IGR;
选取信息增益率最大的属性为分裂属性进行分裂,若分裂之后,该分裂属性下的属性值所对应的类别是相同的,则把它定义为叶子结点;若类别不相同,则继续向下进行分裂,重复进行上述步骤,直至分裂属性下的属性值所对应的类别均相同,分裂结束,一个决策树模型构建完成。
本发明还提供一种大型回转机组故障诊断装置,所述装置包括:
智能推理机,用于上位机获取用户选择信息,根据用户选择信息判断需要调用的诊断模型,利用调用的诊断模型进行故障诊断,所述诊断模型包括知识图谱推理模型和随机森林推理模型;
知识图谱推理机,用于所述知识图谱模型对故障诊断领域的大量资料及案例进行存储,从中提取出能够反映故障征兆、故障机理、故障原因以及解决办法的信息,进行去重、消歧后,利用故障征兆、故障机理、故障原因以及解决办法之间的联系构建大型回转机组故障诊断知识图谱,将知识图谱中故障征兆、故障原因、故障机理以及解决办法均统一表示成三元组的形式,根据传感器采集到的实时数据,从故障征兆出发,查找对应的故障类型、故障机理、故障原因以及解决办法,直接完成故障诊断;
随机森林推理机,用于所述随机森林推理模型将故障征兆中的多种特征等效为征兆样本数据集,对所述征兆样本数据集随机抽取数据组成N个不同的训练样本集,每个训练样本集构造出一个决策树模型,将传感器采集到的实时数据作为测试样本,将测试样本输入N个决策树模型得到N个诊断结果,以众数投票确定最终的诊断结果,将诊断结果输出到人机交互界面。
优选的,所述故障征兆包括振动幅值、相位、轴心轨迹、全息谱以及温度。
优选的,所述故障原因包括设计制造缺陷、材质不均、操作不当、安装不当以及位置偏差。
优选的,所述故障机理包括额外激励力、磨损、弯曲变形以及振动不同步。
优选的,所述解决办法包括动平衡、重新安装以及重新设计。
优选的,所述根据传感器采集到的实时数据,从故障征兆出发,查找对应的故障类型、故障机理、故障原因以及解决办法,直接完成故障诊断,包括:故障征兆被表示成“实体-关系-实体”或“实体-关系-值”的三元组形式,如故障类型热变形所对应的故障征兆幅值1X占主导表示为三元组“热变形-1X占主导-幅值”,故障类型热变形所对应的故障征兆温度升高可表示为三元组“热变形-升高-温度”,将传感器采集到的多元数据及信息特征与故障征兆进行匹配,从而判断故障类型,如采集到的多元数据及信息特征为幅值1X占主导、随转速变化不敏感、方向上径向振动较大、温度升高,即可判定故障类型为热变形,根据故障类型即得到对应的故障机理,根据故障机理得到对应的故障原因,由故障原因提出对应的解决办法。
优选的,所述故障征兆中与多种特征等效的征兆样本数据集为D=(D1,D2,D3,...Di...,Dk),其中,i=1~k,Di是第i个样本且Di=(di1,di2,di3,...),di1代表倍频幅值,di2代表相位,di3代表轴心轨迹,对征兆样本数据集D采用有放回随机抽样的方式抽取k个样本组成一个训练样本集T=(X1,X2,Xi,...,Xk)(X1∈D,X2∈D,...,Xk∈D)。
优选的,所述决策树模型的构建过程为:
其中,Info(C)为当前节点的类别熵,m1为训练样本集T中的类别个数,|Ci|表示第i个类别所对应的样本数量,|C|表示样本总数量;
其中,Info(Ai)为当前节点的属性熵,m2为训练样本集T通过某一属性划分的子数据集个数,|Ai|表示第i个子数据集中样本数量;m3为第i个子数据集中的类别个数,|Bj|表示第j个类别所对应的样本数量,|B|表示子数据集中样本总数量
利用公式Gain(Ai)=Info(C)-Info(Ai)获取各个属性的信息增益Gain(Ai);
利用公式IGR=Gain(Ai)/H(Ai)获取各个属性的信息增益率IGR;
选取信息增益率最大的属性为分裂属性进行分裂,若分裂之后,该分裂属性下的属性值所对应的类别是相同的,则把它定义为叶子结点;若类别不相同,则继续向下进行分裂,重复进行上述步骤,直至分裂属性下的属性值所对应的类别均相同,分裂结束,一个决策树模型构建完成。
本发明的优点在于:本发明结合知识图谱推理和随机森林推理进行故障诊断,知识图谱推理采用多元信息及数据来对故障进行诊断,提高了诊断结果的准确性,随机森林推理采用集成分类算法进行故障诊断,无需进行特征提取,具有一定的抗噪能力,诊断结果具有更高的准确性,算法收敛快,诊断效率高,适用于大型回转机组的故障诊断。
附图说明
图1为本发明实施例所公开的一种大型回转机组故障诊断方法的逻辑架构图;
图2为本发明实施例所公开的一种大型回转机组故障诊断方法的流程图;
图3为本发明实施例所公开的一种大型回转机组故障诊断方法的知识图谱示意图;
图4为本发明实施例所公开的一种大型回转机组故障诊断方法的故障征兆对应的图谱;
图5为本发明实施例所公开的一种大型回转机组故障诊断方法的故障机理对应的图谱;
图6为本发明实施例所公开的一种大型回转机组故障诊断方法的故障原因对应的图谱;
图7为本发明实施例所公开的一种大型回转机组故障诊断方法的解决办法对应的图谱;
图8为本发明实施例所公开的一种大型回转机组故障诊断装置的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
如图1和图2所示,一种大型回转机组故障诊断方法,所述方法包括:
上位机获取用户选择信息,根据用户选择信息判断需要调用的诊断模型,传感器采集的实时数据经过数据预处理以后输入上位机,传感器采集的实时数据包含振动加速度、速度、位移、温度、转速、电流、全息谱图等,数据预处理主要通过硬件电路实现,根据信号种类不同设置对应的电荷放大器、前置放大器、中间变换器,对信号进行放大或者模数转换,数据预处理不在本申请的保护范围之内,其硬件电路以及处理过程不做赘述,利用MATLAB软件对经过数据预处理的信号进行时域分析和频域分析,包括时域波形分析、时域特征分析、频谱分析、包络谱分析、倒频谱分析等,提取机组不同倍频下的幅值特征、相位特征、温度特征、转速特征、电流特征、全息谱特征作为传感器采集到的实时数据输入上位机,作为诊断模型的输入参数,MATLAB进行数据分析得到机组不同倍频下的各特征不在本申请的保护范围之内,具体过程不做赘述,时域波形分析、时域特征分析、频谱分析、包络谱分析、倒频谱分析等均为现有技术。然后,利用调用的诊断模型进行故障诊断,所述诊断模型包括知识图谱推理模型和随机森林推理模型;
所述知识图谱模型对故障诊断领域的大量资料及案例通过规则知识入口输入上位机进行存储,从中提取出能够反映故障征兆、故障机理、故障原因以及解决办法的信息,进行去重、消歧后,利用故障征兆、故障机理、故障原因以及解决办法之间的联系构建大型回转机组故障诊断知识图谱,如图3所示,给出了知识图谱的示意图,如图4-图7给出了故障征兆、故障机理、故障原因以及解决办法对应的图谱模块示意图,所述故障征兆包括振动幅值、相位、轴心轨迹、全息谱以及温度,并统一用“实体-关系-实体”或“实体-关系-值”三元组的形式进行表示,如热变形所对应的故障征兆幅值1X占主导可表示为三元组“热变形-1X占主导-幅值”,温度升高可表示为三元组“热变形-升高-温度”等,将所有故障征兆均表示成如此形式。在进行大型回转机组故障诊断时,将采集到的多元数据及信息特征在此模块与故障征兆进行匹配,综合考虑,从而判断故障类型。如采集到的多元数据及信息特征为幅值1X占主导、随转速变化不敏感、方向上径向振动较大、温度升高,即可判定故障类型为热变形。
知识图谱模型诊断过程可以采用数据库语言直接实现故障类型的判定,如:
Rule1:if(幅值1X占主导、随转速变化敏感、方向上径向振动较大、工频椭圆较大)then(不平衡故障,故障机理,故障原因,解决办法);
Rule2:if(幅值1X占主导、随转速变化不敏感、方向上径向振动较大、温度升高)then(热变形故障,故障机理,故障原因,解决办法);
Rule3:if(幅值1X占主导、随负荷变化敏感)then(偏心故障,故障机理,故障原因,解决办法);
Rule4:if(幅值1X占主导、随转速变化敏感、方向上径向轴向振动较大、轴心轨迹伴有摩擦特征)then(轴弯曲故障,故障机理,故障原因,解决办法);
…
故障类型确定以后可判断故障类型对应的故障机理以及故障原因,具体过程为:
所述故障机理包括额外激励力、磨损、弯曲变形以及振动不同步,并统一用三元组的形式进行表示,如热变形所对应的故障机理刚度偏小可表示为三元组“热变形-壳体变形-刚度偏小”,根据故障类型分析故障的产生机理。故障类型为热变形,则可对热变形的多种故障机理逐一进行分析,从而确定故障产生机理。如对于热变形的三种故障机理,间隙过小、刚度不够、温度过高,可根据预先设置的间隙阈值、刚度阈值及温度阈值进行故障机理的确定,一旦不在对应的阈值范围内,即可判定为对应的故障机理,如低于间隙阈值,则故障机理为间隙过小,如同时低于间隙阈值、低于刚度阈值及超过温度阈值,则故障机理为间隙过小、刚度不够以及温度过高。
所述故障原因包括设计制造缺陷、材质不均、操作不当、安装不当以及位置偏差,并统一用三元组的形式进行表示,如热变形所对应的故障原因由选材导致的制造缺陷可表示为“热变形-选材不当-制造缺陷”,一旦确定故障产生机理后,即可对故障原因进行逐一探查并快速确定。如对于温度过高故障机理对应故障原因有操作不当引起的升温过快、冷却流量不够,则根据预先设定的温度变化率阈值及冷却液流量阈值,一旦超过对应的阈值,即可判定为对应的故障原因,如超过设定的温度变化率阈值,则判断故障原因为操作不当,其他故障原因同理可判断,在此不做赘述。
所述解决办法包括动平衡、重新安装以及重新设计,并统一用三元组的形式进行表示,如由于选材不当导致的热变形所对应的解决办法可表示为“热变形-重新选材-选材不当”,以便在找到故障原因后能够对故障进行快速响应,提出相应的解决措施,如明确故障原因为选材不当,则可针对此故障原因查找重新选材的解决办法。
综上可知,知识图谱模型将知识图谱中故障征兆、故障原因、故障机理以及解决办法均统一表示成三元组的形式,根据传感器采集到的实时数据,从故障征兆出发,查找对应的故障类型、故障机理、故障原因以及解决办法,直接完成故障诊断。
用户根据需要选择故障诊断的推理方式来运行故障诊断逻辑。知识图谱推理主要是通过故障征兆直接判定大致故障,简单快速。随机森林推理可以通过历史数据(历史数据可存储于知识图谱或数据库中)变化趋势,利用随机森林算法,结合采集到的当前机组特征数据完成相应的故障诊断。随机森林推理如下:所述随机森林推理模型将故障征兆中的多种特征等效为征兆样本数据集,对所述征兆样本数据集随机抽取数据组成N个不同的训练样本集,每个训练样本集构造出一个决策树模型,将传感器采集到的实时数据作为测试样本,将测试样本输入N个决策树模型得到N个诊断结果,以众数投票确定最终的诊断结果,将诊断结果输出到人机交互界面。具体过程为:
所述故障征兆中与多种特征等效的征兆样本数据集为D=(D1,D2,D3,...Di...,Dk),其中,i=1~k,Di是第i个样本且Di=(di1,di2,di3,...),di1代表倍频幅值,di2代表相位,di3代表轴心轨迹,对征兆样本数据集D采用有放回随机抽样的方式抽取k个样本组成一个训练样本集T=(X1,X2,Xi,...,Xk)(X1∈D,X2∈D,...,Xk∈D)。
所述决策树模型的构建过程为:
其中,Info(C)为当前节点的类别熵,m1为训练样本集T中的类别个数,|Ci|表示第i个类别所对应的样本数量,|C|表示样本总数量;
其中,Info(Ai)为当前节点的属性熵,m2为训练样本集T通过某一属性划分的子数据集个数,|Ai|表示第i个子数据集中样本数量;m3为第i个子数据集中的类别个数,|Bj|表示第j个类别所对应的样本数量,|B|表示子数据集中样本总数量
利用公式Gain(Ai)=Info(C)-Info(Ai)获取各个属性的信息增益Gain(Ai);
利用公式IGR=Gain(Ai)/H(Ai)获取各个属性的信息增益率IGR;
选取信息增益率最大的属性为分裂属性进行分裂,若分裂之后,该分裂属性下的属性值所对应的类别是相同的,则把它定义为叶子结点;若类别不相同,则继续向下进行分裂,重复进行上述步骤,直至分裂属性下的属性值所对应的类别均相同,分裂结束,一个决策树模型构建完成。一个叶子结点相当于一个故障类型,属性相当于故障特征,通过分裂属性完成叶子结点的查找,实现故障类型判定。
采用同样的方式从征兆样本数据集D中选取N次训练样本集T,重复上述算法步骤便可得到N个决策树模型;在进行故障诊断时,将传感器采集到的实时数据作为测试样本,将测试样本输入N个决策树模型得到N个诊断结果,以众数投票确定最终的诊断结果,将诊断结果输出到人机交互界面。
实施例2
如图8所示,与本发明实施例1相对应的,本发明实施例2还提供一种大型回转机组故障诊断装置,所述装置包括:
智能推理机,用于上位机获取用户选择信息,根据用户选择信息判断需要调用的诊断模型,传感器采集的实时数据经过数据预处理模块以后输入上位机,根据用户选择信息判断需要调用的诊断模型,利用调用的诊断模型进行故障诊断,所述诊断模型包括知识图谱推理模型和随机森林推理模型;
知识图谱推理机,用于所述知识图谱模型对故障诊断领域的大量资料及案例进行存储,从中提取出能够反映故障征兆、故障机理、故障原因以及解决办法的信息,进行去重、消歧后,利用故障征兆、故障机理、故障原因以及解决办法之间的联系构建大型回转机组故障诊断知识图谱,将知识图谱中故障征兆、故障原因、故障机理以及解决办法均统一表示成三元组的形式,根据传感器采集到的实时数据,从故障征兆出发,查找对应的故障类型、故障机理、故障原因以及解决办法,直接完成故障诊断;
随机森林推理机,用于所述随机森林推理模型将故障征兆中的多种特征等效为征兆样本数据集,对所述征兆样本数据集随机抽取数据组成N个不同的训练样本集,每个训练样本集构造出一个决策树模型,将传感器采集到的实时数据作为测试样本,将测试样本输入N个决策树模型得到N个诊断结果,以众数投票确定最终的诊断结果,将诊断结果输出到人机交互界面。
具体的,所述故障征兆包括振动幅值、相位、轴心轨迹、全息谱以及温度。
具体的,所述故障原因包括设计制造缺陷、材质不均、操作不当、安装不当以及位置偏差。
具体的,所述故障机理包括额外激励力、磨损、弯曲变形以及振动不同步。
具体的,所述解决办法包括动平衡、重新安装以及重新设计。
具体的,所述根据传感器采集到的实时数据,从故障征兆出发,查找对应的故障类型、故障机理、故障原因以及解决办法,直接完成故障诊断,包括:故障征兆被表示成“实体-关系-实体”或“实体-关系-值”的三元组形式,如故障类型热变形所对应的故障征兆幅值1X占主导表示为三元组“热变形-1X占主导-幅值”,故障类型热变形所对应的故障征兆温度升高可表示为三元组“热变形-升高-温度”,将传感器采集到的多元数据及信息特征与故障征兆进行匹配,从而判断故障类型,如采集到的多元数据及信息特征为幅值1X占主导、随转速变化不敏感、方向上径向振动较大、温度升高,即可判定故障类型为热变形,根据故障类型即得到对应的故障机理,根据故障机理得到对应的故障原因,由故障原因提出对应的解决办法。
具体的,所述故障征兆中与多种特征等效的征兆样本数据集为D=(D1,D2,D3,...Di...,Dk),其中,i=1~k,Di是第i个样本且Di=(di1,di2,di3,...),di1代表倍频幅值,di2代表相位,di3代表轴心轨迹,对征兆样本数据集D采用有放回随机抽样的方式抽取k个样本组成一个训练样本集T=(X1,X2,Xi,...,Xk)(X1∈D,X2∈D,...,Xk∈D)。
具体的,所述决策树模型的构建过程为:
其中,Info(C)为当前节点的类别熵,m1为训练样本集T中的类别个数,|Ci|表示第i个类别所对应的样本数量,|C|表示样本总数量;
其中,Info(Ai)为当前节点的属性熵,m2为训练样本集T通过某一属性划分的子数据集个数,|Ai|表示第i个子数据集中样本数量;m3为第i个子数据集中的类别个数,|Bj|表示第j个类别所对应的样本数量,|B|表示子数据集中样本总数量
利用公式Gain(Ai)=Info(C)-Info(Ai)获取各个属性的信息增益Gain(Ai);
利用公式IGR=Gain(Ai)/H(Ai)获取各个属性的信息增益率IGR;
选取信息增益率最大的属性为分裂属性进行分裂,若分裂之后,该分裂属性下的属性值所对应的类别是相同的,则把它定义为叶子结点;若类别不相同,则继续向下进行分裂,重复进行上述步骤,直至分裂属性下的属性值所对应的类别均相同,分裂结束,一个决策树模型构建完成。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种大型回转机组故障诊断方法,其特征在于,所述方法包括:
上位机获取用户选择信息,根据用户选择信息判断需要调用的诊断模型,利用调用的诊断模型进行故障诊断,所述诊断模型包括知识图谱推理模型和随机森林推理模型;
所述知识图谱模型对故障诊断领域的大量资料及案例进行存储,从中提取出能够反映故障征兆、故障机理、故障原因以及解决办法的信息,进行去重、消歧后,利用故障征兆、故障机理、故障原因以及解决办法之间的联系构建大型回转机组故障诊断知识图谱,将知识图谱中故障征兆、故障原因、故障机理以及解决办法均统一表示成三元组的形式,根据传感器采集到的实时数据,从故障征兆出发,查找对应的故障类型、故障机理、故障原因以及解决办法,直接完成故障诊断;
所述随机森林推理模型将故障征兆中的多种特征等效为征兆样本数据集,对所述征兆样本数据集随机抽取数据组成N个不同的训练样本集,每个训练样本集构造出一个决策树模型,将传感器采集到的实时数据作为测试样本,将测试样本输入N个决策树模型得到N个诊断结果,以众数投票确定最终的诊断结果,将诊断结果输出到人机交互界面。
2.根据权利要求1所述的一种大型回转机组故障诊断方法,其特征在于,所述故障征兆包括振动幅值、相位、轴心轨迹、全息谱以及温度。
3.根据权利要求1所述的一种大型回转机组故障诊断方法,其特征在于,所述故障原因包括设计制造缺陷、材质不均、操作不当、安装不当以及位置偏差。
4.根据权利要求1所述的一种大型回转机组故障诊断方法,其特征在于,所述故障机理包括额外激励力、磨损、弯曲变形以及振动不同步。
5.根据权利要求1所述的一种大型回转机组故障诊断方法,其特征在于,所述解决办法包括动平衡、重新安装以及重新设计。
6.根据权利要求1所述的一种大型回转机组故障诊断方法,其特征在于,所述根据传感器采集到的实时数据,从故障征兆出发,查找对应的故障类型、故障机理、故障原因以及解决办法,直接完成故障诊断,包括:故障征兆被表示成“实体-关系-实体”或“实体-关系-值”的三元组形式,如故障类型热变形所对应的故障征兆幅值1X占主导表示为三元组“热变形-1X占主导-幅值”,故障类型热变形所对应的故障征兆温度升高可表示为三元组“热变形-升高-温度”,将传感器采集到的多元数据及信息特征与故障征兆进行匹配,从而判断故障类型,如采集到的多元数据及信息特征为幅值1X占主导、随转速变化不敏感、方向上径向振动较大、温度升高,即可判定故障类型为热变形,根据故障类型即得到对应的故障机理,根据故障机理得到对应的故障原因,由故障原因提出对应的解决办法。
7.根据权利要求1所述的一种大型回转机组故障诊断方法,其特征在于,所述故障征兆中与多种特征等效的征兆样本数据集为D=(D1,D2,D3,...Di...,Dk),其中,i=1~k,Di是第i个样本且Di=(di1,di2,di3,...),di1代表倍频幅值,di2代表相位,di3代表轴心轨迹,对征兆样本数据集D采用有放回随机抽样的方式抽取k个样本组成一个训练样本集T=(X1,X2,Xi,...,Xk)(X1∈D,X2∈D,...,Xk∈D)。
8.根据权利要求1所述的一种大型回转机组故障诊断方法,其特征在于,所述决策树模型的构建过程为:
其中,Info(C)为当前节点的类别熵,m1为训练样本集T中的类别个数,|Ci|表示第i个类别所对应的样本数量,|C|表示样本总数量;
其中,Info(Ai)为当前节点的属性熵,m2为训练样本集T通过某一属性划分的子数据集个数,|Ai|表示第i个子数据集中样本数量;m3为第i个子数据集中的类别个数,|Bj|表示第j个类别所对应的样本数量,|B|表示子数据集中样本总数量
利用公式Gain(Ai)=Info(C)-Info(Ai)获取各个属性的信息增益Gain(Ai);
利用公式IGR=Gain(Ai)/H(Ai)获取各个属性的信息增益率IGR;
选取信息增益率最大的属性为分裂属性进行分裂,若分裂之后,该分裂属性下的属性值所对应的类别是相同的,则把它定义为叶子结点;若类别不相同,则继续向下进行分裂,重复进行上述步骤,直至分裂属性下的属性值所对应的类别均相同,分裂结束,一个决策树模型构建完成。
9.一种大型回转机组故障诊断装置,其特征在于,所述装置包括:
智能推理机,用于上位机获取用户选择信息,根据用户选择信息判断需要调用的诊断模型,利用调用的诊断模型进行故障诊断,所述诊断模型包括知识图谱推理模型和随机森林推理模型;
知识图谱推理机,用于所述知识图谱模型对故障诊断领域的大量资料及案例进行存储,从中提取出能够反映故障征兆、故障机理、故障原因以及解决办法的信息,进行去重、消歧后,利用故障征兆、故障机理、故障原因以及解决办法之间的联系构建大型回转机组故障诊断知识图谱,将知识图谱中故障征兆、故障原因、故障机理以及解决办法均统一表示成三元组的形式,根据传感器采集到的实时数据,从故障征兆出发,查找对应的故障类型、故障机理、故障原因以及解决办法,直接完成故障诊断;
随机森林推理机,用于所述随机森林推理模型将故障征兆中的多种特征等效为征兆样本数据集,对所述征兆样本数据集随机抽取数据组成N个不同的训练样本集,每个训练样本集构造出一个决策树模型,将传感器采集到的实时数据作为测试样本,将测试样本输入N个决策树模型得到N个诊断结果,以众数投票确定最终的诊断结果,将诊断结果输出到人机交互界面。
10.根据权利要求9所述的一种大型回转机组故障诊断装置,其特征在于,所述故障征兆包括振动幅值、相位、轴心轨迹、全息谱以及温度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011289077.7A CN112446144A (zh) | 2020-11-17 | 2020-11-17 | 一种大型回转机组故障诊断方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011289077.7A CN112446144A (zh) | 2020-11-17 | 2020-11-17 | 一种大型回转机组故障诊断方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112446144A true CN112446144A (zh) | 2021-03-05 |
Family
ID=74738701
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011289077.7A Pending CN112446144A (zh) | 2020-11-17 | 2020-11-17 | 一种大型回转机组故障诊断方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112446144A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113468818A (zh) * | 2021-07-13 | 2021-10-01 | 上海电气风电集团股份有限公司 | 风力发电机组的绕组运行状态监测方法和装置 |
CN113505241A (zh) * | 2021-07-15 | 2021-10-15 | 润建股份有限公司 | 一种基于知识图谱的用电安全隐患智能诊断方法 |
CN113588232A (zh) * | 2021-07-14 | 2021-11-02 | 华中科技大学 | 一种水电机组群轴系振动故障全息识别方法 |
CN113660223A (zh) * | 2021-07-28 | 2021-11-16 | 上海纽盾科技股份有限公司 | 基于告警信息的网络安全数据处理方法、装置及系统 |
CN114205852A (zh) * | 2022-02-17 | 2022-03-18 | 网络通信与安全紫金山实验室 | 无线通信网络知识图谱的智能分析与应用架构及方法 |
CN114881178A (zh) * | 2022-07-08 | 2022-08-09 | 天津市天锻压力机有限公司 | 一种锻造液压机的故障自识别与诊断方法及系统 |
CN116360387A (zh) * | 2023-01-18 | 2023-06-30 | 北京控制工程研究所 | 融合贝叶斯网络和性能-故障关系图谱的故障定位方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150012232A1 (en) * | 2013-07-05 | 2015-01-08 | Oceaneering International, Inc. | Intelligent diagnostic system and method of use |
CN107179503A (zh) * | 2017-04-21 | 2017-09-19 | 美林数据技术股份有限公司 | 基于随机森林的风电机组故障智能诊断预警的方法 |
CN109961075A (zh) * | 2017-12-22 | 2019-07-02 | 广东欧珀移动通信有限公司 | 用户性别预测方法、装置、介质及电子设备 |
CN110033101A (zh) * | 2019-03-07 | 2019-07-19 | 华中科技大学 | 基于融合特征的知识图谱的水电机组故障诊断方法和系统 |
CN110162014A (zh) * | 2019-05-29 | 2019-08-23 | 上海理工大学 | 一种集成多种智能算法的制冷系统故障诊断方法 |
CN110287552A (zh) * | 2019-06-10 | 2019-09-27 | 合肥工业大学 | 基于改进随机森林算法的电机轴承故障诊断方法及系统 |
CN110968069A (zh) * | 2018-09-28 | 2020-04-07 | 新疆金风科技股份有限公司 | 风力发电机组的故障预测方法、相应的装置及电子设备 |
-
2020
- 2020-11-17 CN CN202011289077.7A patent/CN112446144A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150012232A1 (en) * | 2013-07-05 | 2015-01-08 | Oceaneering International, Inc. | Intelligent diagnostic system and method of use |
CN107179503A (zh) * | 2017-04-21 | 2017-09-19 | 美林数据技术股份有限公司 | 基于随机森林的风电机组故障智能诊断预警的方法 |
CN109961075A (zh) * | 2017-12-22 | 2019-07-02 | 广东欧珀移动通信有限公司 | 用户性别预测方法、装置、介质及电子设备 |
CN110968069A (zh) * | 2018-09-28 | 2020-04-07 | 新疆金风科技股份有限公司 | 风力发电机组的故障预测方法、相应的装置及电子设备 |
CN110033101A (zh) * | 2019-03-07 | 2019-07-19 | 华中科技大学 | 基于融合特征的知识图谱的水电机组故障诊断方法和系统 |
CN110162014A (zh) * | 2019-05-29 | 2019-08-23 | 上海理工大学 | 一种集成多种智能算法的制冷系统故障诊断方法 |
CN110287552A (zh) * | 2019-06-10 | 2019-09-27 | 合肥工业大学 | 基于改进随机森林算法的电机轴承故障诊断方法及系统 |
Non-Patent Citations (1)
Title |
---|
张兴: "基于Spark大数据平台的火电厂节能分析", 《中国优秀硕士学位论文全文数据库》, no. 8, 15 August 2016 (2016-08-15), pages 1 - 89 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113468818A (zh) * | 2021-07-13 | 2021-10-01 | 上海电气风电集团股份有限公司 | 风力发电机组的绕组运行状态监测方法和装置 |
CN113588232A (zh) * | 2021-07-14 | 2021-11-02 | 华中科技大学 | 一种水电机组群轴系振动故障全息识别方法 |
CN113588232B (zh) * | 2021-07-14 | 2022-08-09 | 华中科技大学 | 一种水电机组群轴系振动故障全息识别方法 |
CN113505241A (zh) * | 2021-07-15 | 2021-10-15 | 润建股份有限公司 | 一种基于知识图谱的用电安全隐患智能诊断方法 |
CN113660223A (zh) * | 2021-07-28 | 2021-11-16 | 上海纽盾科技股份有限公司 | 基于告警信息的网络安全数据处理方法、装置及系统 |
CN113660223B (zh) * | 2021-07-28 | 2023-06-09 | 上海纽盾科技股份有限公司 | 基于告警信息的网络安全数据处理方法、装置及系统 |
CN114205852A (zh) * | 2022-02-17 | 2022-03-18 | 网络通信与安全紫金山实验室 | 无线通信网络知识图谱的智能分析与应用架构及方法 |
CN114205852B (zh) * | 2022-02-17 | 2022-05-03 | 网络通信与安全紫金山实验室 | 无线通信网络知识图谱的智能分析与应用系统及方法 |
CN114881178A (zh) * | 2022-07-08 | 2022-08-09 | 天津市天锻压力机有限公司 | 一种锻造液压机的故障自识别与诊断方法及系统 |
CN116360387A (zh) * | 2023-01-18 | 2023-06-30 | 北京控制工程研究所 | 融合贝叶斯网络和性能-故障关系图谱的故障定位方法 |
CN116360387B (zh) * | 2023-01-18 | 2023-09-15 | 北京控制工程研究所 | 融合贝叶斯网络和性能-故障关系图谱的故障定位方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112446144A (zh) | 一种大型回转机组故障诊断方法及装置 | |
Zheng et al. | A rolling bearing fault diagnosis method based on multi-scale fuzzy entropy and variable predictive model-based class discrimination | |
Shen et al. | Fault diagnosis using rough sets theory | |
CN109781411A (zh) | 一种结合改进稀疏滤波器与kelm的轴承故障诊断方法 | |
JP7462400B2 (ja) | 問題騒音の発音源を識別するための騒音データの人工知能装置および前処理方法 | |
US20130297256A1 (en) | Method and System for Predictive and Conditional Fault Detection | |
CN113569338B (zh) | 一种基于时间扩张卷积网络的压气机旋转失速预警方法 | |
CN113008559B (zh) | 基于稀疏自编码器和Softmax的轴承故障诊断方法及系统 | |
Jia et al. | Deep neural network ensemble for the intelligent fault diagnosis of machines under imbalanced data | |
CN116593157A (zh) | 少样本下基于匹配元学习的复杂工况齿轮故障诊断方法 | |
CN113092981A (zh) | 晶圆数据检测方法及系统、存储介质及测试参数调整方法 | |
CN115221973A (zh) | 一种基于增强加权异质集成学习的航空轴承故障诊断方法 | |
CN110146279B (zh) | 一种基于向量证据推理的船舶轴系不平衡故障诊断方法 | |
Wei et al. | Intelligent fault diagnosis of rotating machinery using ICD and generalized composite multi-scale fuzzy entropy | |
CN111458145A (zh) | 一种基于路图特征的缆车滚动轴承故障诊断方法 | |
CN117540285A (zh) | 基于能量熵和回归型支持向量机的轴承运行状态评估方法 | |
CN112541524B (zh) | 基于注意力机制改进的BP-Adaboost多源信息电机故障诊断方法 | |
CN115469585B (zh) | 一种基于大数据的水电机组状态监测方法及系统 | |
CN111622815A (zh) | 基于叶尖定时和优化朴素贝叶斯的叶片裂纹在线测量方法 | |
CN113588266B (zh) | 一种故障语义空间内嵌的滚动轴承复合故障诊断方法 | |
Wen et al. | Fault diagnosis of rolling bearings of different working conditions based on multi-feature spatial domain adaptation | |
CN114818811A (zh) | 一种基于孪生网络度量学习的航空发动机滚动轴承故障诊断方法 | |
US20220364478A1 (en) | Training of machine learning models for data-driven decision-making | |
Bardet et al. | Design aircraft engine bivariate data phases using change-point detection method and self-organizing maps | |
Koshekov et al. | Modernization of vibration analyzers based on identification measurements |
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 |