CN114046816A - 基于轻量级梯度提升决策树的传感器信号故障诊断方法 - Google Patents
基于轻量级梯度提升决策树的传感器信号故障诊断方法 Download PDFInfo
- Publication number
- CN114046816A CN114046816A CN202111327195.7A CN202111327195A CN114046816A CN 114046816 A CN114046816 A CN 114046816A CN 202111327195 A CN202111327195 A CN 202111327195A CN 114046816 A CN114046816 A CN 114046816A
- Authority
- CN
- China
- Prior art keywords
- fault
- sensor
- decision tree
- gradient
- signal
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D18/00—Testing or calibrating apparatus or arrangements provided for in groups G01D1/00 - G01D15/00
-
- 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
-
- Y—GENERAL 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Abstract
本发明涉及一种基于轻量级梯度提升决策树的传感器信号故障诊断方法,具体包括以下步骤:S1、获取传感器信号的历史数据,利用梯度直方图分布提取传感器信号的故障特征并形成信号特征向量;S2、根据提取出的特征向量,利用轻量级梯度提升决策树的方法构造传感器故障分类器;S3、将需要检测的传感器数据输入训练好的传感器故障分类器,输出传感器信号故障的诊断结果。与现有技术相比,本发明具有能够诊断传感器信号是否存在故障,且能够诊断故障类型,故障诊断的准确率可达到90%以上,以及诊断时间缩短、诊断效率提高,能够满足综合能源系统中在线检测的需求等优点。
Description
技术领域
本发明涉及状态监测和故障诊断领域,尤其是涉及一种基于轻量级梯度提升决策树的传感器信号故障诊断方法。
背景技术
碳中和背景下,对能源系统的智能化提出了更高的要求,综合能源系统与各能源子系统之间的耦合作用可以为未来的低碳发展提供更安全、可持续和经济的能源生产和分配。综合能源系统中包含多种主要设备,如燃气轮机、汽轮机、储能系统及高压管道等,为提高综合能源系统的可靠性和可用性,需要对关键设备的运行状态进行实时监测和健康评估,并对运行工况进行准确控制。
传感器的可靠性和采集信号的正确性是状态传感系统的基础,是准确进行健康状态评估和运行控制的前提。大多数传感器放置在恶劣的环境中,例如高温环境、水下等,导致其容易损坏和故障,从而影响系统的准确性、稳定性和可靠性。通过对综合能源系统中传感器故障类型的分析和其他不同应用场景下的传感器故障排查,传感器故障主要分为两类:1)缓变故障,如漂移故障、噪声故障、周期性故障等。这类故障表明传感器系统处于异常或不稳定的工作状态,虽然传感器可以继续工作,但无法提供正确数据。初期误差参数小,变化缓慢,但随着时间的推移,误差程度会逐渐增大;2)突变故障,如阶跃故障、脉冲故障等。这类故障是由于复杂的布局环境导致传感器损坏或外界强干扰引起的信号突变。传感器故障的早期识别是故障检测中最重要的方面,通过准确的故障检测,能够确保综合能源系统运行的准确性、稳定性和可靠性。
近年来,数据驱动的故障诊断方法越来越受到关注,基于数据驱动的传感器故障诊断方法主要分为信号处理、机器学习和统计分析三类。信号处理方法是一种高效且理论推导扎实的传感器故障诊断方法,其核心是对传感器运行数据做时域或者频域变换提取信号时域或者频域特征作为表征传感器信号的主要特征,并根据主要特征判别传感器信号是否发生故障。但基于信号处理的方法只能判定传感器信号是否发生了故障,而不能判断具体发生了何种故障。机器学习方法可以充分利用大量的传感器历史数据训练系统的输入—输出模型,通过比对系统输出和模型输出进而实现传感器故障信号诊断。但机器学习方法需要大量历史数据,且该种方法不能够提取信号本体特征,可解释性差。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于轻量级梯度提升决策树的传感器信号故障诊断方法,利用传感器故障数据库中的历史数据,使用梯度直方图分布方法提取传感器信号的特征并形成特征向量,然后结合故障数据库中传感器信号的故障标签训练故障分类器,最后将需要检测的信号输入训练好的分类器中得到结果,提高故障信号的诊断和分类的准确性。
本发明的目的可以通过以下技术方案来实现:
一种基于轻量级梯度提升决策树的传感器信号故障诊断方法,具体包括以下步骤:
S1、获取传感器信号的历史数据,利用梯度直方图分布提取传感器信号的故障特征并形成信号特征向量;
S2、根据提取出的特征向量,利用轻量级梯度提升决策树的方法构造传感器故障分类器;
S3、将需要检测的传感器数据输入训练好的传感器故障分类器,输出传感器信号故障的诊断结果。
所述传感器信号故障的类型包括阶跃故障、脉冲故障、漂移故障、噪声故障和周期故障。
所述步骤S1中具体包括以下步骤:
S101、取定一定长度的滑动时间窗口,计算传感器故障信号的梯度并将时间窗口内的传感器梯度进行归一化;
S102、计算该时间窗口内部,传感器故障信号的梯度核密度估计分布;
S103、根据多种故障信号的梯度核密度估计分布,进行故障特征的提取和划分,将归一化梯度的分布划分成多个不同的故障区段;
S104、分别统计不同传感器故障信号落在各个区段中的个数以及比例,以此形成多维度的特征向量。
进一步地,所述故障区段数量优选为5个。
进一步地,所述信号特征向量的维度为5。
所述步骤S1中还包括将最终得到的信号特征向量保存到数据库中。
所述步骤S2中具体包括以下步骤:
S201、根据提取出带有故障标签的信号特征向量,按照预设比例分成训练集和测试集,保留训练集的故障标签但是隐藏测试集的故障标签;
S202、初始化基于轻量级梯度提升决策树的故障分类器模型的参数;
S203、将带有表征和区分不同故障类型的训练集输入到故障分类器模型中进行训练,并根据训练结果调整故障分类器模型的参数以提升分类准确率;
S204、采用优化算法对故障分类器模型进行优化,提升分类器的准确率,降低分类器的训练时间;
S205、经过参数选择和优化算法的改进,训练得到效果最好的基于轻量级梯度提升决策树的故障分类器模型。
进一步地,所述训练集和测试集的比例优选为80%和20%。
所述训练集用于训练故障分类器模型使得分类器输出与故障标签尽可能相同;所述测试集用于测试分类器是否能够准确检测信号故障。
进一步地,所述步骤S4中优化算法的过程具体为对不同梯度的样本进行区分处理。
进一步地,所述步骤S4中优化算法的过程优选为对梯度较大的样本数据全部保存,梯度较小的样本数据进行随机抽样选择。
与现有技术相比,本发明具有以下有益效果:
1.本发明采用信号处理与机器学习耦合的方法,能够对传感器信号故障进行监测并分类,有效提高了故障诊断的准确率,准确率可达到90%以上。
2.本发明对不同梯度的样本进行区分处理,其中对梯度较大的样本数据全部保存,梯度较小的样本数据进行随机抽样选择,有效提高了故障分类器模型的训练速度和效率,训练过程中占有内存较少。
3.本发明诊断速度较快,能够满足综合能源系统中在线故障诊断的需求。
附图说明
图1为本发明的流程示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
实施例
如图1所示,一种基于轻量级梯度提升决策树的传感器信号故障诊断方法,具体包括以下步骤:
S1、获取传感器信号的历史数据,利用梯度直方图分布提取传感器信号的故障特征并形成信号特征向量;
S2、根据提取出的特征向量,利用轻量级梯度提升决策树的方法构造传感器故障分类器;
S3、将需要检测的传感器数据输入训练好的传感器故障分类器,输出传感器信号故障的诊断结果。
传感器信号故障的类型包括阶跃故障、脉冲故障、漂移故障、噪声故障和周期故障。
步骤S1中具体包括以下步骤:
S101、取定一定长度的滑动时间窗口,计算传感器故障信号的梯度并将时间窗口内的传感器梯度进行归一化;
S102、计算该时间窗口内部,传感器故障信号的梯度核密度估计分布;
S103、根据多种故障信号的梯度核密度估计分布,进行故障特征的提取和划分,将归一化梯度的分布划分成多个不同的故障区段;
S104、分别统计不同传感器故障信号落在各个区段中的个数以及比例,以此形成多维度的特征向量。
本实施例中,故障区段数量优选为5个,信号特征向量的维度为5。
步骤S1中还包括将最终得到的信号特征向量保存到数据库中。
步骤S101中滑动时间窗口内部传感器故障信号的梯度的计算公式如下所示:
其中,Xt为传感器故障信号,T为滑动时间窗口的长度,t=2,3,...,T。
步骤S101中梯度归一化的计算公式如下所示:
本实施例中,核函数采用高斯核函数,具体公式如下所示:
特征向量的第j个分量vj(j=1,2,…,5)具体计算公式如下所示:
其中,binj为归一化梯度划分的第j个区段。
步骤S2中具体包括以下步骤:
S201、根据提取出带有故障标签的信号特征向量,按照预设比例分成训练集和测试集,保留训练集的故障标签但是隐藏测试集的故障标签;
S202、初始化基于轻量级梯度提升决策树的故障分类器模型的参数;
S203、将带有表征和区分不同故障类型的训练集输入到故障分类器模型中进行训练,并根据训练结果调整故障分类器模型的参数以提升分类准确率;
S204、采用优化算法对故障分类器模型进行优化,提升分类器的准确率,降低分类器的训练时间;
S205、经过参数选择和优化算法的改进,训练得到效果最好的基于轻量级梯度提升决策树的故障分类器模型。
训练集和测试集的比例优选为80%和20%。
训练集用于训练故障分类器模型使得分类器输出与故障标签尽可能相同;测试集用于测试分类器是否能够准确检测信号故障。
本实施例中,给定一个样本个数为N的训练集其中Vk代表经过梯度直方图分布所计算的燃气轮机传感器故障信号特征向量,yk是传感器故障类型标签,具体为阶跃故障、脉冲故障、噪声故障、漂移故障或周期故障之中的一种。传感器故障结果的估计值计算公式如下所示:
其中,M是梯度提升决策树的个数, 是函数所属的函数空间。其中q(.)函数代表着将每一个燃气轮机传感器故障信号训练实例映射到梯度提升决策树的叶子节点索引的树形结构函数,n代表着燃气轮机传感器故障信号特征向量维度,T1代表梯度提升决策树的叶子节点个数。每一个梯度提升决策树函数fm(.)都是有独特的树形结构函数q(.)和叶子节点权重w。
步骤S203中,为了训练故障分类器模型,定义损失函数以获得更加精确的故障结果估计值,并以此作为模型参数调整的依据。损失函数公式如下所示:
将上式进行泰勒展开并提出常数量后得到公式为:
其中,wj为第j个叶子节点的权重。
与此对应的损失函数的最优解为:
其中,gk、Ij、λ和γ为过程参数。
步骤S4中优化算法的过程具体为对不同梯度的样本进行区分处理。
步骤S4中优化算法的过程优选为对梯度较大的样本数据全部保存,梯度较小的样本数据进行随机抽样选择。在计算损失函数收益时,对梯度较小的数据实例乘以调权系数(1-p)/q,p和q为过程权重,然后再将划分过后的数据作为输入对分类器进行训练。
此外,需要说明的是,本说明书中所描述的具体实施例,所取名称可以不同,本说明书中所描述的以上内容仅仅是对本发明结构所做的举例说明。凡依据本发明构思的构造、特征及原理所做的等效变化或者简单变化,均包括于本发明的保护范围内。本发明所属技术领域的技术人员可以对所描述的具体实例做各种各样的修改或补充或采用类似的方法,只要不偏离本发明的结构或者超越本权利要求书所定义的范围,均应属于本发明的保护范围。
Claims (10)
1.一种基于轻量级梯度提升决策树的传感器信号故障诊断方法,其特征在于,具体包括以下步骤:
S1、获取传感器信号的历史数据,利用梯度直方图分布提取传感器信号的故障特征并形成信号特征向量;
S2、根据提取出的特征向量,利用轻量级梯度提升决策树的方法构造传感器故障分类器;
S3、将需要检测的传感器数据输入训练好的传感器故障分类器,输出传感器信号故障的诊断结果。
2.根据权利要求1所述的一种基于轻量级梯度提升决策树的传感器信号故障诊断方法,其特征在于,所述传感器信号故障的类型包括阶跃故障、脉冲故障、漂移故障、噪声故障和周期故障。
3.根据权利要求1所述的一种基于轻量级梯度提升决策树的传感器信号故障诊断方法,其特征在于,所述步骤S1中具体包括以下步骤:
S101、取定一定长度的滑动时间窗口,计算传感器故障信号的梯度并将时间窗口内的传感器梯度进行归一化;
S102、计算该时间窗口内部,传感器故障信号的梯度核密度估计分布;
S103、根据多种故障信号的梯度核密度估计分布,进行故障特征的提取和划分,将归一化梯度的分布划分成多个不同的故障区段;
S104、分别统计不同传感器故障信号落在各个区段中的个数以及比例,以此形成多维度的特征向量。
4.根据权利要求3所述的一种基于轻量级梯度提升决策树的传感器信号故障诊断方法,其特征在于,所述故障区段数量优选为5个。
5.根据权利要求4所述的一种基于轻量级梯度提升决策树的传感器信号故障诊断方法,其特征在于,所述信号特征向量的维度为5。
6.根据权利要求1所述的一种基于轻量级梯度提升决策树的传感器信号故障诊断方法,其特征在于,所述步骤S1中还包括将最终得到的信号特征向量保存到数据库中。
7.根据权利要求1所述的一种基于轻量级梯度提升决策树的传感器信号故障诊断方法,其特征在于,所述步骤S2中具体包括以下步骤:
S201、根据提取出带有故障标签的信号特征向量,按照预设比例分成训练集和测试集,保留训练集的故障标签但是隐藏测试集的故障标签;
S202、初始化基于轻量级梯度提升决策树的故障分类器模型的参数;
S203、将带有表征和区分不同故障类型的训练集输入到故障分类器模型中进行训练,并根据训练结果调整故障分类器模型的参数;
S204、采用优化算法对故障分类器模型进行优化;
S205、经过参数选择和优化算法的改进,训练得到效果最好的基于轻量级梯度提升决策树的故障分类器模型。
8.根据权利要求7所述的一种基于轻量级梯度提升决策树的传感器信号故障诊断方法,其特征在于,所述训练集和测试集的比例优选为80%和20%。
9.根据权利要求7所述的一种基于轻量级梯度提升决策树的传感器信号故障诊断方法,其特征在于,所述步骤S4中优化算法的过程具体为对不同梯度的样本进行区分处理。
10.根据权利要求9所述的一种基于轻量级梯度提升决策树的传感器信号故障诊断方法,其特征在于,所述步骤S4中优化算法的过程优选为对梯度较大的样本数据全部保存,梯度较小的样本数据进行随机抽样选择。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111327195.7A CN114046816B (zh) | 2021-11-10 | 2021-11-10 | 基于轻量级梯度提升决策树的传感器信号故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111327195.7A CN114046816B (zh) | 2021-11-10 | 2021-11-10 | 基于轻量级梯度提升决策树的传感器信号故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114046816A true CN114046816A (zh) | 2022-02-15 |
CN114046816B CN114046816B (zh) | 2023-05-02 |
Family
ID=80208487
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111327195.7A Active CN114046816B (zh) | 2021-11-10 | 2021-11-10 | 基于轻量级梯度提升决策树的传感器信号故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114046816B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117251814A (zh) * | 2023-09-28 | 2023-12-19 | 广东省交通开发有限公司 | 一种高速公路充电桩电量损耗异常的分析方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040176901A1 (en) * | 2003-03-03 | 2004-09-09 | Onder Uluyol | Transient fault detection system and method |
CN104268595A (zh) * | 2014-09-24 | 2015-01-07 | 深圳市华尊科技有限公司 | 通用物件检测方法及系统 |
CN109858503A (zh) * | 2017-11-30 | 2019-06-07 | 株洲中车时代电气股份有限公司 | 基于梯度提升决策树的牵引变流器故障诊断方法 |
CN110729938A (zh) * | 2019-10-25 | 2020-01-24 | 中国矿业大学 | 基于机器视觉的异步电机转子断条故障识别方法 |
CN111752259A (zh) * | 2020-06-02 | 2020-10-09 | 上海交通大学 | 一种燃气轮机传感器信号的故障识别方法和装置 |
CN111967535A (zh) * | 2020-09-04 | 2020-11-20 | 安徽大学 | 一种储粮管理场景温度传感器故障诊断方法及其诊断装置 |
CN112682273A (zh) * | 2020-12-31 | 2021-04-20 | 长沙理工大学 | 基于代价敏感轻量级梯度提升机的风电机组故障检测方法 |
-
2021
- 2021-11-10 CN CN202111327195.7A patent/CN114046816B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040176901A1 (en) * | 2003-03-03 | 2004-09-09 | Onder Uluyol | Transient fault detection system and method |
CN104268595A (zh) * | 2014-09-24 | 2015-01-07 | 深圳市华尊科技有限公司 | 通用物件检测方法及系统 |
CN109858503A (zh) * | 2017-11-30 | 2019-06-07 | 株洲中车时代电气股份有限公司 | 基于梯度提升决策树的牵引变流器故障诊断方法 |
CN110729938A (zh) * | 2019-10-25 | 2020-01-24 | 中国矿业大学 | 基于机器视觉的异步电机转子断条故障识别方法 |
CN111752259A (zh) * | 2020-06-02 | 2020-10-09 | 上海交通大学 | 一种燃气轮机传感器信号的故障识别方法和装置 |
CN111967535A (zh) * | 2020-09-04 | 2020-11-20 | 安徽大学 | 一种储粮管理场景温度传感器故障诊断方法及其诊断装置 |
CN112682273A (zh) * | 2020-12-31 | 2021-04-20 | 长沙理工大学 | 基于代价敏感轻量级梯度提升机的风电机组故障检测方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117251814A (zh) * | 2023-09-28 | 2023-12-19 | 广东省交通开发有限公司 | 一种高速公路充电桩电量损耗异常的分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114046816B (zh) | 2023-05-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111914883B (zh) | 一种基于深度融合网络的主轴轴承状态评估方法及装置 | |
CN111273623B (zh) | 基于Stacked LSTM的故障诊断方法 | |
CN112033463B (zh) | 一种核动力设备状态评估与预测一体化方法和系统 | |
CN112508105B (zh) | 一种采油机故障检测与检索方法 | |
CN113255848A (zh) | 基于大数据学习的水轮机空化声信号辨识方法 | |
CN111680725B (zh) | 基于重构贡献的气体传感器阵列多故障隔离算法 | |
CN112507479B (zh) | 一种基于流形学习和softmax的石油钻机健康状态评估方法 | |
CN111122162A (zh) | 基于欧氏距离多尺度模糊样本熵的工业系统故障检测方法 | |
Yao et al. | Improving rolling bearing fault diagnosis by DS evidence theory based fusion model | |
CN114091525A (zh) | 一种滚动轴承退化趋势预测方法 | |
CN115545092A (zh) | 一种基于深度孪生自注意力网络的航空发动机小样本故障诊断方法 | |
CN114046816A (zh) | 基于轻量级梯度提升决策树的传感器信号故障诊断方法 | |
CN115618732B (zh) | 核反应堆数字孪生关键参数自主优化数据反演方法 | |
CN116793666A (zh) | 一种基于lstm-mlp-lsgan模型的风电机组齿轮箱故障诊断方法 | |
Hassan et al. | Fault classification of power plants using artificial neural network | |
Boechat et al. | On-line calibration monitoring system based on data-driven model for oil well sensors | |
CN114137915A (zh) | 一种工业设备的故障诊断方法 | |
Sohaidan et al. | Remaining useful life prediction of turbofan engine using long-short term memory | |
Song et al. | Hydraulic Systems Fault Diagnosis Based on Random Forests Recursive Feature Elimination and XGBoost | |
Zhao et al. | Fault Diagnosis of Rolling Bearings based on GA-SVM model | |
Wang et al. | Ice detection and voice alarm of wind turbine blades based on belief network | |
Wang et al. | Research on Bearing Fault Diagnosis Method Based on Two-Dimensional Convolutional Neural Network | |
CN117723782B (zh) | 用于桥梁结构健康监测的传感器故障识别定位方法及系统 | |
CN117688496B (zh) | 面向卫星遥测多维时序数据的异常诊断方法、系统及设备 | |
CN114841000B (zh) | 一种基于模态共有特征分离的软测量建模方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |