CN114547796B - 一种基于优化bn网络的球磨机特征融合故障诊断方法 - Google Patents

一种基于优化bn网络的球磨机特征融合故障诊断方法 Download PDF

Info

Publication number
CN114547796B
CN114547796B CN202210161387.3A CN202210161387A CN114547796B CN 114547796 B CN114547796 B CN 114547796B CN 202210161387 A CN202210161387 A CN 202210161387A CN 114547796 B CN114547796 B CN 114547796B
Authority
CN
China
Prior art keywords
ball mill
fault
probability
fault diagnosis
optimized
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.)
Active
Application number
CN202210161387.3A
Other languages
English (en)
Other versions
CN114547796A (zh
Inventor
王进花
汤国栋
曹洁
陈伟
李亚洁
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.)
Lanzhou University of Technology
Original Assignee
Lanzhou 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 Lanzhou University of Technology filed Critical Lanzhou University of Technology
Priority to CN202210161387.3A priority Critical patent/CN114547796B/zh
Publication of CN114547796A publication Critical patent/CN114547796A/zh
Application granted granted Critical
Publication of CN114547796B publication Critical patent/CN114547796B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Geometry (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Hardware Design (AREA)
  • Computational Mathematics (AREA)
  • Evolutionary Biology (AREA)
  • Computational Linguistics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Algebra (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种基于优化BN网络的球磨机特征融合故障诊断方法，包括：收集球磨机历史运行数据和基于球磨机故障的专家知识，构建初始BN诊断模型，生成初始种群；对初始种群最小化循环体输出有向非循环图，通过混合评分函数进行BN结构评分和计算个体适应度；根据BN结构评分的结果，判断是否满足终止条件；如果满足终止条件，此时初始群体即为最优故障诊断模型结构；如果不满足终止条件，则通过自适应方法对初始群体进行结构优化，并根据个体适应度，生成新种群，直到新种群满足终止条件，即为最优故障诊断模型结构；根据最优故障诊断模型对待检测球磨机进行故障诊断。可精准检测球磨机在使用过程中产生的各类故障，模型准确度高。

Description

一种基于优化BN网络的球磨机特征融合故障诊断方法
技术领域
本发明涉及冶金设备故障诊断技术领域，特别涉及一种基于优化BN网络的球磨机特征融合故障诊断方法。
背景技术
随着我国冶金领域科技水平不断提升，冶金设备逐步向机械自动化方向靠拢，同时也增加了机械设备的复杂性。由于冶金设备常年工作在较为恶劣的环境中，设备经常发生各类故障导致设备停机，严重时甚至会发生安全事故。实际生产现场中，设备出现运转异常后进行停机检修时盲目拆卸的现象时有发生，导致设备的可靠性降低影响设备生产，因此，对设备进行故障诊断变得尤为重要。
在冶金选矿过程中，使用球磨机进行物料研磨是整个冶炼过程中尤为重要的一环，其中球磨机滚动轴承的运行稳定性直接影响着冶炼厂的经济效益，所以对滚动轴承建立科学有效的故障诊断机制是极为必要的。
Ben等人针对滚动轴承振动信号的非平稳、非线性特点，提出了基于经验模态分解(EMD)能量熵的特征提取方法。将选择的特征用于训练人工神经网络(ANN)对轴承故障进行分类。Zhang等人提出一种基于全卷积神经网络的分类模型，在频域中挖掘故障信息，实现了故障分类。Xu等人通过连续小波变换将时域振动信号转换为二维灰度图像，从图像中自动提取对故障检测敏感的多级特征；最后利用包含局部和全局信息的多级特征来进行轴承的故障诊断。以上方法均采用振动信号进行故障诊断研究，然而球磨机滚动轴承发生故障时，其原因可能是多方面的，并且故障征兆与故障之间存在耦合性和不确定性，单一信号源不能完全反映所有故障，且实际工程中球磨机滚动轴承的故障数据难以获取，故障样本少，无法训练获得精确的深度学习模型。目前实际工程应用案例中多采用专家知识构造BN结构，由于专家知识存在的主观性和故障信息的不完善等缺点，会导致模型与实际系统存在偏差，而结构学习存在收敛过慢和容易陷入局部最优的缺点。目前常用构建BN结构的方法有K2评分算法、PC算法等方法。但这类方法在结构搜索时以全局节点为搜索范围，导致网络结构收敛缓慢。此外在故障诊断中，通常采用振动信号作为诊断信息源，但振动信号容易受到噪声和环境干扰，并且振动信号难以精确识别部分电气故障。
因此，在现有贝叶斯网络构建方法存在不完全和不精确缺点的基础上，如何有效提升贝叶斯网络的收敛速度，提高BN结构学习的效率，以精准识别球磨机在使用过程中产生的各类故障，成为本领域技术人员亟需解决的问题。
发明内容
鉴于上述问题，本发明提出了一种至少解决上述部分技术问题的基于优化BN网络的球磨机特征融合故障诊断方法，该方法可精准识别球磨机在使用过程中产生的各类故障，模型准确度高。
本发明实施例提供一种基于优化BN网络的球磨机特征融合故障诊断方法，包括如下步骤：
S1、收集球磨机历史运行数据和基于球磨机故障的专家知识，构建初始BN诊断模型，生成初始种群；
S2、对所述初始种群最小化循环体输出有向非循环图，通过混合评分函数进行BN结构评分和计算个体适应度；
S3、根据所述BN结构评分的结果，判断是否满足终止条件；如果满足所述终止条件，此时所述初始群体即为最优故障诊断模型结构；如果不满足所述终止条件，则通过自适应方法对所述初始群体进行结构优化，并根据所述个体适应度，生成新种群，直到所述新种群满足所述终止条件，即为最优故障诊断模型结构；所述终止条件为连续N代BN结构评分值最高；
S4、根据所述最优故障诊断模型对待检测球磨机进行故障诊断。
进一步地，所述步骤S1包括：
S11、收集球磨机历史运行数据，分别从电流信号时域和频域中采集第一信号序列，以及从振动信号时域和频域中采集第二信号序列；根据所述第一信号序列提取第一特征参数，根据所述第二信号序列提取第二特征参数；根据所述第一特征参数和第二特征参数，筛选输出对故障变化敏感的特征参数；
S12、基于球磨机故障的任意一种概率专家知识，增加所述概率专家知识中可能性较大的有向边被添加的概率，降低所述概率专家知识中可能性较大的有向边被删除的概率，结合所述对故障变化敏感的特征参数，构建初始BN诊断模型，生成初始种群。
进一步地，所述步骤S11中，第一特征参数和第二特征参数均通过如下公式提取：
Figure BDA0003514868980000031
Figure BDA0003514868980000032
Figure BDA0003514868980000033
Figure BDA0003514868980000034
Figure BDA0003514868980000035
Figure BDA0003514868980000036
Figure BDA0003514868980000041
Figure BDA0003514868980000042
Figure BDA0003514868980000043
Figure BDA0003514868980000044
上式中，{Sz}(z＝1～10)表示所述第一特征参数或第二特征参数；{xi}(i＝1～N)表示所述第一信号序列或第二信号序列，N为采样点数；
Figure BDA0003514868980000045
为所述第一信号序列或第二信号序列的平均值；σ为所述第一信号序列或第二信号序列的标准差；{xmj}(j＝1～Nm)表示{xi}中的极大值，Nm为{xi}中极大值总数；
Figure BDA0003514868980000046
为{xmj}的平均值；σm为{xmj}的标准差；{xkn}(n＝1～Nk)表示{xi}中的极小值，Nk为{xi}中极小值总数；
Figure BDA0003514868980000047
为{xkn}的平均值；σk为{xkn}的标准差；{fi}(i＝1～I)表示所述第一信号序列或第二信号序列的频率序列，I为所述第一信号序列或第二信号序列的采样频率的一半；F(fi)为第fi的频谱值。
进一步地，所述步骤S11中采用区分度指标对所述第一特征参数和第二特征参数进行筛选，得到所述对故障变化敏感的特征参数。
进一步地，所述步骤S2中混合评分函数为：
Figure BDA0003514868980000051
上式中，n为特征点数；m为故障节点数；ri为当前BN结构中节点Xi可能的状态数；qi为Xi父节点可能的联合赋值个数；Nijk为符合Xi取第k个状态、其父结点取第j个联合赋值条件的数据样本数；α为表示等效样本大小的超参数；P(G)为当前BN结构G的先验概率；k为衡量专家知识贡献大小的系数；Nij＝∑kNijk；f(ri,j,pi,j)表示预设决策计算项；ri,j为矩阵R中第i行，第j列的元素，所述矩阵R由当前BN结构生成；pi,j为专家概率知识矩阵p中第i行，第j列的元素；Ni,j为数据样本数；Γ()为gamma函数。
进一步地，所述步骤S3中，通过自适应方法对所述初始群体进行结构优化，包括：
采用轮盘赌方法对所述初始群体BN结构进行选择操作；
对所述初始群体中任意两个个体进行交叉操作，随机选取两者的交叉位，按照预设交叉率对所述任意两个个体交叉位上的元素进行交换。
进一步地，所述步骤S3中，通过自适应方法对所述初始群体进行结构优化，还包括：
结合变异率对所述初始群体BN结构进行加边、减边和反向操作。
进一步地，所述变异率通过如下公式获得：
Figure BDA0003514868980000061
上式中，μk,j为变异率；wi,j为等位基因i在所述初始群体的精英集合中位置j出现的概率；f(xk)为当前个体的适应度；fmαx为最佳个体的适应度；ε为一个预设正数。
进一步地，所述步骤S3中，根据所述个体适应度，生成新种群，包括：收集所述个体适应度高于预设阈值的个体作为精英集合，生成新种群。
本发明实施例提供的上述技术方案的有益效果至少包括：
本发明实施例提供的一种基于优化BN网络的球磨机特征融合故障诊断方法，包括：收集球磨机历史运行数据和基于球磨机故障的专家知识，构建初始BN诊断模型，生成初始种群；对初始种群最小化循环体输出有向非循环图，通过混合评分函数进行BN结构评分和计算个体适应度；根据BN结构评分的结果，判断是否满足终止条件；如果满足终止条件，此时初始群体即为最优故障诊断模型结构；如果不满足终止条件，则通过自适应方法对初始群体进行结构优化，并根据个体适应度，生成新种群，直到新种群满足终止条件，即为最优故障诊断模型结构；根据最优故障诊断模型对待检测球磨机进行故障诊断。可精准检测球磨机在使用过程中产生的各类故障，模型准确度高。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例提供的基于优化BN网络的球磨机特征融合故障诊断方法流程图；
图2为本发明实施例提供的BN模型示意图；
图3为本发明实施例提供的BN故障诊断模型构建流程图；
图4为本发明实施例提供的基于专家知识的BN初始结构示意图；
图5为本发明实施例提供的基于Paderborn数据集下的BN诊断模型示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
本发明实施例提供一种基于优化BN网络的球磨机特征融合故障诊断方法，参照图1所示，包括如下步骤：
S1、收集球磨机历史运行数据和基于球磨机故障的专家知识，构建初始BN诊断模型，生成初始种群；
S2、对初始种群最小化循环体输出有向非循环图，通过混合评分函数进行BN结构评分和计算个体适应度；
S3、根据BN结构评分的结果，判断是否满足终止条件；如果满足终止条件，此时初始群体即为最优故障诊断模型结构；如果不满足终止条件，则通过自适应方法对初始群体进行结构优化，并根据个体适应度，生成新种群，直到新种群满足终止条件，即为最优故障诊断模型结构；终止条件为连续N代BN结构评分值最高；该连续N代指连续N代BN结构，该BN结构评分值由BN结构评分计算获得；
S4、根据最优故障诊断模型对待检测球磨机进行故障诊断。
本实施例提供的基于优化BN网络的球磨机特征融合故障诊断方法，通过自适应精英结构遗传算法(AESL-GA)，即自适应方法，进行结构优化，自适应限制进化过程中的搜索空间，减少自由参数的数量，提高了所建立的故障诊断模型全局搜索能力，得到最优BN结构。该方法基于专家知识构建初始模型，引入AESL-GA算法实现网络结构的优化，解决了一般结构学习算法收敛较慢的问题，并通过贝叶斯概率推理完成故障诊断。可精准识别球磨机在使用过程中产生的各类故障，模型的准确度高。
首先，对相关概念进行阐述说明：
贝叶斯网络(Bayesian Network，BN)是一种基于概率计算的描述因果关系的推理模型。其基本组成为表示变量和变量之间因果关系的有向非循环图(Directed AcyclicGraph，DAG)和表示变量之间概率参数的条件概率表(Conditional Probability Table，CPT)。参照图2所示，为一个简单的BN模型，DAG由节点S＝{S1,S2,S3,...,Sn}和有向连接边E＝{SiSj|Si,Sj∈S}组成，表示为G＝(S,E)。CPT表示该节点相对于其父节点的条件概率分布。贝叶斯网络能够明确表示复杂系统中各因素间的依赖关系进行诊断推理。
BN的诊断是一个基于先验知识计算后验概率的推理过程。贝叶斯推理的基本公式如下：
Figure BDA0003514868980000081
Figure BDA0003514868980000082
上式中，P(A)为事件A发生的先验概率；P(A|Bi)为事件Bi发生的前提下事件A发生的条件概率；P(AB)为事件A和B同时发生时的联合概率。基于上述公式，结合先验概率以及新获得的证据可计算求解目标的后验概率。
BN故障诊断模型建立的难点在于网络结构的构建，目前广泛应用的结构构建方法有专家知识和基于数据的方法，但专家知识的不完善和主观性会影响最终模型的准确度，而基于数据的方法在结构学习时以随机生成的结构作为初始结构进行学习，会降低结构学习的效率。因此，本实施例利用专家经验建立初始结构，引入AESL-GA算法进行结构优化，通过限制搜索范围来提升收敛速度，以此来提高BN结构学习的效率。
其次，具体阐述本基于优化BN网络的球磨机特征融合故障诊断方法：
参照图3所示，基于专家知识和AESL-GA的BN结构学习，构建BN诊断模型整体步骤流程如下：
(1)对目标系统的球磨机故障机理进行分析，确定节点变量及网络层数。
(2)收集研究对象故障诊断相关领域的专家知识，以及设备历史运行数据。
(3)根据概率专家知识矩阵P，结合历史数据通过AESL-GA进行结构优化，构建无环BN结构。
(4)通过混合评分函数进行BN结构评分。
(5)判断是否满足终止条件，即是否达到连续N代评分值最高。如果满足终止条件，则可以输出该最优结构；如果不满足则进行步骤(6)。
(6)通过自适应方法，对群体进行选择、交叉、变异处理结构优化，检查是否存在环形结构，并修正存在的环形结构，产生新种群，并继续进行步骤(4)。
下面对上述整体步骤流程进行详细说明：
针对设备历史运行数据，需对该数据进行预处理、特征提取、筛选和离散化等操作，以选取BN模型节点，并进行初始结构确定：
在故障诊断中，通常采用振动信号作为诊断信息源，但振动信号容易受到噪声和环境干扰，并且振动信号难以精确识别部分电气故障。当机械设备发生故障时，此时电机转子运动过程中的气隙磁场会发生变化，导致磁通密度发生改变，进而影响三相电流，因此采用振动信号和电流信号结合进行球磨机故障诊断将更为精确。对电流和振动信号分别进行时、频域特征提取，时域信号能够直观反映信号的变化状态，对不同类型故障可做出准确判断，分析频域信号成分的组成和大小，可判别设备初期微弱故障。从电流信号时域和频域中采集第一信号序列，从振动信号时域和频域中采集第二信号序列。针对球磨机及其运行工况，分别对电流信号和振动信号选取时、频域中的10个特征参数。从第一信号序列中提取第一特征参数(10个特征参数)，从第二信号序列中提取第二特征参数(10个特征参数)。
第一特征参数和第二特征参数分别通过如下公式计算特征值进行提取：
Figure BDA0003514868980000101
Figure BDA0003514868980000102
Figure BDA0003514868980000103
Figure BDA0003514868980000104
Figure BDA0003514868980000105
Figure BDA0003514868980000106
Figure BDA0003514868980000107
Figure BDA0003514868980000108
Figure BDA0003514868980000109
Figure BDA00035148689800001010
上式中，{Sz}(z＝1～10)表示第一特征参数或第二特征参数，特征参数S1～S10；{xi}(i＝1～N)表示第一信号序列或第二信号序列，N为采样点数；
Figure BDA0003514868980000111
为第一信号序列或第二信号序列的平均值；σ为第一信号序列或第二信号序列的标准差；{xmj}(j＝1～Nm)表示{xi}中的极大值，Nm为{xi}中极大值总数；
Figure BDA0003514868980000112
为{xmj}的平均值；σm为{xmj}的标准差；{xkn}(n＝1～Nk)表示{xi}中的极小值，Nk为{xi}中极小值总数；
Figure BDA0003514868980000113
为{xkn}的平均值；σk为{xkn}的标准差；{fi}(i＝1～I)表示第一信号序列或第二信号序列的频率序列，I为第一信号序列或第二信号序列的采样频率的一半；F(fi)为第fi的频谱值。
为防止出现特征冗余导致BN模型构建难度增大，影响最终诊断精度的情况，本实施例采用区分度指标(识别指标)对提取的特征量(第一特征参数和第二特征参数)进行筛选，得到对故障变化敏感的特征。区分度指标(Distinguish Index，DI)定义为：
Figure BDA0003514868980000114
上式中，μ1，μ2分别为某一特征量对应两种状态下的平均值；σ1，σ2是对应的标准差。DI值越大，表明该特征参数对这两种状态转化的识别越灵敏，因此DI值也被称为识别指标，定义状态识别率(Discrimination Rate，DR)，如下：
Figure BDA0003514868980000115
由上式可知，DI值越大则DR值越大，特征敏感度越高。三者对应关系如表1所示。
表1识别指标、识别率与敏感程度的关系图
DI DR 敏感程度
<0.85 <80％ 低
0.85-1.30 80％-90％ 较低
1.30-1.65 90％-95％ 中等
1.65-2.33 95％-99％ 较高
>2.33 >99％ 高
本实施例中球磨机共有三种运行工况，对电流信号和振动信号中提取的10个特征参数进行区分度指标计算，振动信号特征参数DI值结果如表2所示，电流信号特征参数DI值如表3所示。
表2振动信号特征参数DI值
Figure BDA0003514868980000121
表3电流信号特征参数DI值
Figure BDA0003514868980000122
根据表2和表3所计算出的特征参数DI值，最终选取DI值较大的振动信号特征参数中S1、S2、S6、S7作为BN特征层中的P1、P2、P3、P4节点；电流信号特征参数中的S1、S6作为BN特征层的P5、P6节点，参照图4所示，将这6个节点(P1～P6)作为对故障变化敏感的特征参数。
基于BN的球磨机滚动轴承的故障诊断中要综合考虑设备故障的类型、位置、征兆以及设备的运行工况。故障诊断模型是否符合该研究对象的工作机制和故障机理严重影响诊断模型的正确性和最终的诊断精度。用于故障诊断的BN结构一般为三层结构，即运行工况层、故障层、故障征兆层。运行工况层节点为设备的运行状况，故障层节点为设备发生的故障种类，故障征兆层中的节点为筛选出的特征参数。参照图4所示，为本实施例中球磨机滚动轴承通过专家经验构建的初始BN网络结构，图中Ci为球磨机运行工况，Pi为之前筛选获得的电流和振动信号特征参数(对故障变化敏感的特征参数)，Fi为故障类型，包括正常状态、内圈故障、外圈故障。
通过自适应精英结构遗传算法(AESL-GA)对所构建的初始BN网络结构进行结构优化：
自适应精英结构遗传算法(AESL-GA)是以遗传算法为基础，改进了遗传算法中节点之间因果关系构建时父节点的限制，并且在每一代中，收集适应度高于预定阈值的个体作为精英集合，通过这种约束提高了全局搜索能力，同时提升了BN结构学习效率。
假设一个BN故障诊断模型中有n个特征节点和m个故障节点，则可将BN结构表示为矩阵R＝{ri,j}(i＝1,2,…,n；j＝1,2,…,m)，如下式。如果症状节点(指故障征兆层中的节点，即特征节点)Si与故障节点Fj存在因果关系，ri,j＝1，否则ri,j＝0。
Figure BDA0003514868980000131
根据该式，将矩阵转换为一维字符串{r1,1,…,r1,m,r2,1,…,r2,m,…,rn,1,…,rn,m}，该字符串被编码为初始种群中个体的基因。对于具有n个特征节点和m个故障节点的BN结构，一个基因的长度为n+m。在进行结构优化的过程中执行下列操作：
(1)选择操作：合理的选择操作可以使结构学习往更优的方向去进行，遗传算法中选择操作方法众多，本实施例采用更适合于BN结构选择的轮盘赌方法进行选择操作，保证更优的BN结构被选择。
(2)交叉操作：交叉过程采取2个个体交叉，随机选取两者的交叉位，按照给定的交叉率对这2个个体交叉位上的元素进行交换。
(3)变异操作：根据BN结构，结合变异率，随机选择一个位置，使由1变0或者由0变1(即对网络结构进行加边、减边、反向操作)。变异率通过如下公式计算：
Figure BDA0003514868980000141
上式中，μk,j为变异率；wi,j为等位基因i在初始群体的精英集合中位置j出现的概率；f(xk)为当前个体的适应度；fmαx为最佳个体的适应度；ε为一个预设正数，是一个很小的正数，以避免出现零概率。
在网络结构质量的评估时，采用了一种混合评分函数。它由两部分组成，第一部分是BDeu评分函数，第二部分是惩罚项，式中k是衡量专家知识贡献大小的系数，可通过多次实验确定。
Scoremix＝ScoreBDeu+k∑log[f(ri,j,pi,j)]
本实施例中适应度函数采用如下BDeu评分函数：
Figure BDA0003514868980000151
Figure BDA0003514868980000152
上式中，n为特征点数；m为故障节点数；ri为当前BN结构中节点Xi可能的状态数；qi为Xi父节点可能的联合赋值个数，对于一个症状节点，qi是其父故障节点可能的联合分配的数量；对于故障节点，qi为零；Nijk为符合Xi取第k个状态、其父结点取第j个联合赋值条件的数据样本数，Nij可以用∑kNijk计算；α为一个表示等效样本大小的超参数；P(G)为当前BN结构G的先验概率；k为衡量专家知识贡献大小的系数；f(ri,j,pi,j)表示预设决策计算项；ri,j为矩阵R中第i行，第j列的元素，矩阵R由当前BN结构生成；pi,j为专家概率知识矩阵p中第i行，第j列的元素；Ni,j为数据样本数；Γ()为gamma函数。
通过此混合评分函数计算个体适应度，收集适应度值高于预定义阈值的个体作为精英集合，并且将最优秀的个体传播到下一代种群。
在进行结构学习时，任何节点的得分取决于每个可能的值分配给该节点及其父节点出现的次数，该值随父节点集的大小呈指数增长。父节点的数量增大，会增加结构学习的计算负担。因此可以将最大父节点数MP(maximum number of parents)限制为高于但接近或等于目标网络中实际的最大父结点数。设MPt＝{MPi t},i＝1,...,n为第t代种群的MP集合，下式表示了MPi t是如何通过MPi t-1和一个时变参考阈值
Figure BDA0003514868980000153
动态限制的，其中时变参考阈值
Figure BDA0003514868980000154
构成了第t代任何节点i的父节点集的参考大小，在设置
Figure BDA0003514868980000161
时可认为精英个体的父辈群体被认为比其他个体更接近真实的群体。在任何情况下，动态阈值MPi t都不允许超过最大阈值MPmax。
Figure BDA0003514868980000162
本实施例使用一种概率专家知识，以此来减少专家知识的主观不确定性带来的影响，并将其代替AESL-GA算法中随机生成的初始矩阵，以此来减少结构学习的时间，提高结构寻优的效率。概率知识矩阵P＝{pi,j}(i＝1,2,…,n；j＝1,2,…,m)用来表示初始BN结构中特征参数与故障类型之间存在因果关系的可能性大小。确定BN结构的基本策略是pi,j越大，ri,j为1的可能性越高，即专家建议连接i和j，ri,j的大小根据下式确定，式中ai,j为一规定数。
Figure BDA0003514868980000163
在融合专家知识的BN结构学习中，根据概率专家知识，在结构学习的过程中需遵循：增加概率专家知识中可能性较大的有向边被添加的概率；降低概率专家知识中可能性较大的有向边被删除的概率；对无概率专家知识的节点之间按照原始BDeu评分函数进行处理。
基于BN的球磨机故障诊断方法通过概率推理计算故障节点的后验概率。设备发生故障时，会产生一些征兆，即特征量的变化。这些征兆和故障类型并不是“一一对应”的，它们是相互交叉的，一个异常征兆也可以反映多个故障类型，一个故障的发生也可以引起多个征兆的变化。在单一征兆Si＝1的条件下，故障Fn发生的后验概率可表示为：
Figure BDA0003514868980000171
若在多征兆S1,S2,…,Sk同时发生的情况下，故障Fn发生的后验概率为：
Figure BDA0003514868980000172
上式中，n为设备故障类型数，k为征兆个数，P(Fn)为故障Fn发生的先验概率。在故障诊断网络中输入证据，如果故障的后验概率高于既定阈值，则诊断为该故障。一旦诊断出故障，将根据因果图进行故障解释，以揭示故障的作用机制，如果产生多个故障的后验概率，则选择后验概率最大的作为诊断结果。
最后，通过一个具体的实际应用例子验证并分析本基于优化BN网络的球磨机特征融合故障诊断方法：
采用金川集团投入运行的球磨机实测数据和由Lessmeieret al提供的德国Paderborn University轴承数据集分别进行实验验证，通过两个实验说明该方法的有效性和泛化能力。
采用甘肃金川公司生产车间运行的球磨机滚动轴承实测数据。根据球磨机研磨介质运动规律以及不同磨矿阶段各物料运动规律，将球磨机分为三种不同工况：对于粗磨球磨机，转速为78％～84％的临界转速之间；对于细磨球磨机，转速为72％～76％的临界转速之间；对于超细磨球磨机，转速为68％～72％的临界转速之间。对不同的三种工况时球磨机滚动轴承的振动信号和电流信号进行采集，采样频率为64KHz，按照设备历史故障类型将其故障状态分为：内圈故障、外圈故障、正常状态三种。取每种故障下振动信号和电流信号各100个样本，每个样本信号点为1000，共600个样本，其中训练样本400个，测试样本200个。利用本实施例所提出的方法，建立BN模型结构。
对该模型进行推理测试，结果如表4。三次测试都表明最大后验概率的推理结果是正确的。
表4推理测试结果
Figure BDA0003514868980000181
通过本方法所构建的球磨机滚动轴承BN诊断模型由3种工况、6个特征量、3种运行故障状态构成，其故障识别率如表5所示。
表5基于实测球磨机滚动轴承数据的故障识别率
Figure BDA0003514868980000182
由故障识别结果可知，三种运行工况下内、外圈故障识别率均达到97％以上，在同等条件下分别与卷积神经网络(CNN)、长短期记忆网络(LSTM)、仅使用振动信号的贝叶斯网络(V-BN)方法进行对比实验，实验结果如表6所示。实验结果表明，仅使用振动信号的V-BN诊断模型的准确率要远低于本实施例提出的使用电流信号和振动信号融合的BN模型，将电流信号中提取到的故障特征量加入网络，提高了网络的故障识别能力。LSTM方法诊断效果较差，仅达到92.48％，CNN方法的诊断准确率相较于V-BN有所提高，达到了95.47％，但依旧低于本实施例提出的方法，表明本实施例所提出的方法的优越性。
表6实测球磨机滚动轴承数据下的对比实验结果
实验方法 准确率
CNN 95.47％
LSTM 92.48％
V-BN 93.28％
本实施例所提方法 98.30％
Paderborn University轴承数据集提供了轴承两种损伤部位：内圈、外圈，损伤方式分为：三种人工损伤方式；两种加速损伤方式。大多数轴承故障诊断研究通常将故障类型划分为内、外圈故障和正常三种类型，本实施例将故障细化，将内、外圈故障按不同损伤方式细化，故障描述如表7所示。选择同一损伤程度下的上述故障数据样本，每种故障分别是在4种工况下测得的，每组数据由两种电流信号和一种振动信号组成，所有的信号都以相同的采样频率采样(Fs＝64kHz)。取每种故障各工况下的振动和电流各100个样本，每个样本包含1000个采样点，共1600个样本，其中训练样本1200组，测试样本400组。
表7数据集故障描述
Figure BDA0003514868980000191
首先针对该数据集对其中无用的错误数据进行了剔除，由于其空缺数据较少，故采用均值填充法进行空缺数据补缺。分别对每种工况下的电流、振动信号分别进行特征提取。对提取的21个时、频域特征进行DI指标识别，最终得到最为敏感的9个特征参数，经离散化后作为故障征兆节点和故障位置节点。特征筛选结果如表8所示。
表8特征量筛选结果
故障节点标签 筛选出的特征
F0 S1、S3、S4、S5、S8、S9
F1 S1、S2、S3
F2 S3、S4、S9
F3 S1、S4、S6
F4 S1、S4、S7、S8
F5 S5、S7、S8、S9
基于上述数据处理结果，参照图5所示，利用本实施例所提出的方法，构建Paderborn数据集下的BN滚动轴承诊断模型。其故障节点划分为F0＝{m1＝正常}；F1＝{m1＝Outer Drilling}；F2＝{m1＝Inner EE,m2＝Outer EE}；F3＝{m1＝Inner EDM,m2＝OuterEDM}；F4＝{m1＝Outer Plastic}；F5＝{m1＝Inner Fatigue pitting,m2＝Outer Fatiguepitting}。分别对4种工况下的数据进行诊断，其识别准确率如表9。
表9 Paderborn数据集故障4种工况下的故障识别率
Figure BDA0003514868980000201
Figure BDA0003514868980000211
由识别结果来看，BN诊断模型对于人工损伤的故障类型识别率都达到95％以上，加速损伤的故障识别率低于人工损伤，但基本也都达到了87％以上，仍然满足故障诊断的要求。为进一步验证该方法的有效性，在同等条件下分别与卷积神经网络(CNN)、长短期记忆网络(LSTM)、仅使用振动信号的贝叶斯网络(V-BN)方法进行对比实验，结果如表10。由实验结果可知，本实施例提出的方法优于另外三种方法，进一步证明了该方法的有效性，表明该方法可有效应用于球磨机滚动轴承故障诊断。
表10 Paderborn数据集下对比实验结果
实验方法 综合识别率
CNN 92.64％
LSTM 90.72％
V-BN 90.53％
本实施例所提方法 94.39％
本实施例所提供的基于优化BN网络的球磨机特征融合故障诊断方法，该方法结合专家知识和历史运行数据通过自适应精英结构遗传算法确定了BN结构，通过自适应方法提高了全局搜索能力，提升了BN结构的学习效率，避免了传统结构学习陷入局部最优循环和收敛性差的问题，解决了由于故障信息耦合性造成的故障诊断模型识别准确性低的问题。并且针对单一信号故障诊断结果不精确的问题和故障信息中存在的不确定性问题，将电流信号和振动信号融合建立BN网络的特征节点，分别提取两种信号的故障特征参数，利用区分度指标法进行特征筛选，得到能够表征所有故障类型的全部特征，作为BN结构特征层的节点。本实施例提供的方法对于球磨机使用过程中出现的各种故障具有更高的诊断准确率，可以有效诊断耦合多特征因素的故障类型，实现球磨机滚动轴承的高效故障诊断。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (8)

1.一种基于优化BN网络的球磨机特征融合故障诊断方法，其特征在于，包括如下步骤：
S1、收集球磨机历史运行数据和基于球磨机故障的专家知识，构建初始BN诊断模型，生成初始种群；
S2、对所述初始种群最小化循环体输出有向非循环图，通过混合评分函数进行BN结构评分和计算个体适应度；
S3、根据所述BN结构评分的结果，判断是否满足终止条件；如果满足所述终止条件，此时初始群体即为最优故障诊断模型结构；如果不满足所述终止条件，则通过自适应方法对所述初始群体进行结构优化，并根据所述个体适应度，生成新种群，直到所述新种群满足所述终止条件，即为最优故障诊断模型结构；所述终止条件为连续N代BN结构评分值最高；
S4、根据所述最优故障诊断模型对待检测球磨机进行故障诊断。
2.如权利要求1所述的一种基于优化BN网络的球磨机特征融合故障诊断方法，其特征在于，所述步骤S1包括：
S11、收集球磨机历史运行数据，分别从电流信号时域和频域中采集第一信号序列，以及从振动信号时域和频域中采集第二信号序列；根据所述第一信号序列提取第一特征参数，根据所述第二信号序列提取第二特征参数；根据所述第一特征参数和第二特征参数，筛选输出对故障变化敏感的特征参数；
S12、基于球磨机故障的任意一种概率专家知识，增加所述概率专家知识中可能性较大的有向边被添加的概率，降低所述概率专家知识中可能性较大的有向边被删除的概率，结合所述对故障变化敏感的特征参数，构建初始BN诊断模型，生成初始种群。
3.如权利要求2所述的一种基于优化BN网络的球磨机特征融合故障诊断方法，其特征在于，所述步骤S11中采用区分度指标对所述第一特征参数和第二特征参数进行筛选，得到所述对故障变化敏感的特征参数。
4.如权利要求1所述的一种基于优化BN网络的球磨机特征融合故障诊断方法，其特征在于，所述步骤S2中混合评分函数为：
Figure QLYQS_1
上式中，n为特征点数；m为故障节点数；ri为当前BN结构中节点Xi可能的状态数；qi为Xi父节点可能的联合赋值个数；Nijk为符合Xi取第k个状态、其父结点取第j个联合赋值条件的数据样本数；α为表示等效样本大小的超参数；P(G)为当前BN结构G的先验概率；k为衡量专家知识贡献大小的系数；Nij＝∑kNijk；f(ri,j,pi,j)表示预设决策计算项；ri,j为矩阵R中第i行，第j列的元素，所述矩阵R由当前BN结构生成；pi,j为专家概率知识矩阵p中第i行，第j列的元素；Ni,j为数据样本数；Γ()为gamma函数。
5.如权利要求1所述的一种基于优化BN网络的球磨机特征融合故障诊断方法，其特征在于，所述步骤S3中，通过自适应方法对所述初始群体进行结构优化，包括：
采用轮盘赌方法对所述初始群体BN结构进行选择操作；
对所述初始群体中任意两个个体进行交叉操作，随机选取两者的交叉位，按照预设交叉率对所述任意两个个体交叉位上的元素进行交换。
6.如权利要求5所述的一种基于优化BN网络的球磨机特征融合故障诊断方法，其特征在于，所述步骤S3中，通过自适应方法对所述初始群体进行结构优化，还包括：
结合变异率对所述初始群体BN结构进行加边、减边和反向操作。
7.如权利要求6所述的一种基于优化BN网络的球磨机特征融合故障诊断方法，其特征在于，所述变异率通过如下公式获得：
Figure QLYQS_2
上式中，μk,j为变异率；wi,j为等位基因i在所述初始群体的精英集合中位置j出现的概率；f(xk)为当前个体的适应度；fmαx为最佳个体的适应度；ε为一个预设正数。
8.如权利要求1所述的一种基于优化BN网络的球磨机特征融合故障诊断方法，其特征在于，所述步骤S3中，根据所述个体适应度，生成新种群，包括：收集所述个体适应度高于预设阈值的个体作为精英集合，生成新种群。
CN202210161387.3A 2022-02-22 2022-02-22 一种基于优化bn网络的球磨机特征融合故障诊断方法 Active CN114547796B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210161387.3A CN114547796B (zh) 2022-02-22 2022-02-22 一种基于优化bn网络的球磨机特征融合故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210161387.3A CN114547796B (zh) 2022-02-22 2022-02-22 一种基于优化bn网络的球磨机特征融合故障诊断方法

Publications (2)

Publication Number Publication Date
CN114547796A CN114547796A (zh) 2022-05-27
CN114547796B true CN114547796B (zh) 2023-04-18

Family

ID=81677189

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210161387.3A Active CN114547796B (zh) 2022-02-22 2022-02-22 一种基于优化bn网络的球磨机特征融合故障诊断方法

Country Status (1)

Country Link
CN (1) CN114547796B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116679617B (zh) * 2023-07-27 2023-09-29 兰州理工大学 一种复杂曲面数控加工工艺规划自动生成方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107480768A (zh) * 2017-08-07 2017-12-15 海南海大信息产业园有限公司 贝叶斯网络结构自适应学习方法和装置、存储设备以及终端设备
CN108664400A (zh) * 2018-05-11 2018-10-16 北京航空航天大学 一种基于相依贝叶斯网络的故障诊断技术的构建方法
CN110006649A (zh) * 2018-12-24 2019-07-12 湖南科技大学 一种基于改进蚁狮算法和支持向量机的轴承故障诊断方法
CN110645153A (zh) * 2018-06-27 2020-01-03 北京金风科创风电设备有限公司 风力发电机组故障诊断方法、装置和电子设备
CN112766047A (zh) * 2020-12-29 2021-05-07 广东麦德克斯科技有限公司 一种制冷系统故障诊断方法及制冷装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107480768A (zh) * 2017-08-07 2017-12-15 海南海大信息产业园有限公司 贝叶斯网络结构自适应学习方法和装置、存储设备以及终端设备
CN108664400A (zh) * 2018-05-11 2018-10-16 北京航空航天大学 一种基于相依贝叶斯网络的故障诊断技术的构建方法
CN110645153A (zh) * 2018-06-27 2020-01-03 北京金风科创风电设备有限公司 风力发电机组故障诊断方法、装置和电子设备
CN110006649A (zh) * 2018-12-24 2019-07-12 湖南科技大学 一种基于改进蚁狮算法和支持向量机的轴承故障诊断方法
CN112766047A (zh) * 2020-12-29 2021-05-07 广东麦德克斯科技有限公司 一种制冷系统故障诊断方法及制冷装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王进花 等.《基于AESL-GA 的BN 球磨机滚动轴承故障诊断方法》.《北京航空航天大学学报》.2022,全文. *

Also Published As

Publication number Publication date
CN114547796A (zh) 2022-05-27

Similar Documents

Publication Publication Date Title
US11586913B2 (en) Power equipment fault detecting and positioning method of artificial intelligence inference fusion
Chen et al. A just-in-time-learning-aided canonical correlation analysis method for multimode process monitoring and fault detection
JP2020119605A (ja) 異常検出システム、異常検出方法、異常検出プログラム及び学習済モデル生成方法
CN110598851A (zh) 一种融合lstm和gan的时间序列数据异常检测方法
CN109816031B (zh) 一种基于数据不均衡度量的变压器状态评估聚类分析方法
CN113344134B (zh) 一种低压配电监控终端数据采集异常检测方法及系统
CN106053067A (zh) 基于量子遗传算法优化支持向量机的轴承故障诊断方法
CN107730084A (zh) 基于灰色预测和风险评估的变压器检修决策方法
CN112529341A (zh) 一种基于朴素贝叶斯算法的钻井漏失机率预测方法
CN115099260A (zh) 双螺杆输油泵在线监测机械故障实时诊断方法
KR101984248B1 (ko) 원자력 발전설비의 기계학습식 예측진단장치
CN111538311A (zh) 一种基于数据挖掘的机械设备柔性多状态自适应预警方法及装置
CN114547796B (zh) 一种基于优化bn网络的球磨机特征融合故障诊断方法
CN113609770A (zh) 基于分段线性拟合hi及lstm的滚动轴承rul预测方法
CN117032165A (zh) 一种工业设备故障诊断方法
KR101991296B1 (ko) 원자력 발전설비의 기계학습식 예측진단장치
CN112732787B (zh) 面向动车组重要部件的设备画像与个性化运维服务方法
Zeng et al. Rail break prediction and cause analysis using imbalanced in-service train data
CN116956197B (zh) 基于深度学习的能源设施故障预测方法、装置及电子设备
CN117312972A (zh) 一种刮板输送机减速器健康状态识别方法
KR101967633B1 (ko) 원자력 발전설비의 기계학습식 예측진단장치
CN114167837B (zh) 一种铁路信号系统的智能故障诊断方法及系统
CN113919237B (zh) 一种风机设备在线工况分割及故障诊断的方法
CN114298413A (zh) 一种水电机组振摆趋势预测方法
CN108763728B (zh) 用并联型深度神经网络分层特征提取的机械故障诊断方法

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