CN115215215A

CN115215215A - 一种大型门式造船起重机的智能预警与故障诊断方法

Info

Publication number: CN115215215A
Application number: CN202210705724.0A
Authority: CN
Inventors: 凌卫青; 裴锦玮
Original assignee: Tongji University
Current assignee: Tongji University
Priority date: 2022-06-21
Filing date: 2022-06-21
Publication date: 2022-10-21

Abstract

本发明涉及一种大型门式造船起重机的智能预警与故障诊断方法，包括：获取起重机历史工况数据和传感器数据、并进行预处理操作，以得到训练集数据；利用训练集数据，训练得到XGBoost预测模型；将起重机实际工况数据输入XGBoost预测模型，输出得到传感器数据预测值；计算传感器数据预测值与传感器数据实际值的时间残差序列，若超过残差阈值，则推送预警信息；根据专业知识构建知识图谱；根据预警信息，在构建的知识图谱中抽取子图，并进行诊断，得到诊断结果；在知识图谱中匹配与本次诊断结果相关的信息，并进行推送。与现有技术相比，本发明在缺少历史故障数据、历史运行数据无标注数据的情况下，能够可靠准确地进行大型门式造船起重机的智能预警及故障诊断。

Description

一种大型门式造船起重机的智能预警与故障诊断方法

技术领域

本发明涉及起重机数据分析处理技术领域，尤其是涉及一种大型门式造船起重机的智能预警与故障诊断方法。

背景技术

船舶制造业是基础性、战略性产业，作为现代制造业的重要组成部分，其发展水平反映了一个国家现代化工业发展的高度与质量。大型起重机作为一种主要的装卸机械，是船舶制造过程中的重要组成部分，在重大船厂工程项目建设中起着重要作用。因此，保证起重机的可靠稳定运行、减少起重机的停机时间对船厂的正常运行及工作效率至关重要。

然而，在大型起重机的实际运行中，普遍存在工况复杂、设备信息采集不到位、智能监控和故障预警缺失等问题。在日常使用和巡检时，操作者和管理者无法实时、科学地判定起重机的运行状态和健康状况，只能进行粗略判断，导致起重机在日常管理、检验检测和维修策略制定等诸多方面存在主观性和盲目性的缺陷。

目前常见的智能预警或故障预测方法需要大量有标注的历史数据作为支撑，然而，现实中大部分起重机投入使用年限较长，最早投入使用时也没有规划智能预警及故障诊断需求，往往是在起重机状况逐渐下降，需要进行预警和诊断时才装设传感器，由于传感器装设时间短、收集的起重机历史运行数据有限，且只包含少量、甚至不包含起重机的历史故障数据，并不能提供大量有效的历史运行数据，也就无法进行可靠准确的智能预警与故障诊断。

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大型门式造船起重机的智能预警与故障诊断方法，基于少量的历史运行数据，能够可靠准确地进行大型门式造船起重机的智能预警及故障诊断。

本发明的目的可以通过以下技术方案来实现：一种大型门式造船起重机的智能预警与故障诊断方法，包括以下步骤：

S1、获取起重机历史工况数据和传感器数据，并对获取的数据进行预处理操作，以得到训练集数据；

S2、利用训练集数据，训练得到XGBoost预测模型；

S3、将起重机实际工况数据输入XGBoost预测模型，输出得到传感器数据预测值；

S4、计算传感器数据预测值与传感器数据实际值的时间残差序列，若超过残差阈值，则推送预警信息；

S5、根据专业知识构建知识图谱；

S6、根据预警信息，在构建的知识图谱中抽取子图，并进行诊断，得到诊断结果；

S7、在知识图谱中匹配与本次诊断结果相关的信息，并进行推送。

进一步地，所述步骤S1中获取的数据包括低频的工况信号数据和高频的传感器数据，所述工况信号数据具体为PLC控制系统数据，所述传感器数据包括振动传感数据和主梁应变传感数据，所述步骤S1中对获取的数据进行预处理操作的过程包括特征提取、缺失值填充以及归一化处理。

进一步地，所述特征提取的具体过程为：对于高频的传感器信号数据，采用傅里叶分解将时域信号转变为频域信号，再根据不同部位的特征频率提取其对应的幅值，将特征频率的幅值作为不同部位对应的信号特征值，从而在减少信息损失的情况下实现高频数据向低频数据对齐的目的。

进一步地，所述缺失值填充具体是采用KNN(K-Nearest Neighbor，K最邻近)算法进行缺失值填充操作，即将待填充的缺失值作为预测目标，利用非缺失的数据进行拟合，建立数据预测模型，然后对缺失值的数据进行预测；

所述归一化处理具体是将所有数据均压缩至(0，1)之间。

进一步地，所述步骤S2中XGBoost预测模型的训练过程包括以下步骤：

S21、初始化样本值；

S22、定义损失函数；

S23、计算损失函数的导数；

S24、根据导数生成新的树；

S25、采用新的树预测样本值，并和之前的值进行累加；

S26、循环训练决策树，直到满足损失函数出口值。

进一步地，所述步骤S3的具体过程为：对起重机实际的PLC控制系统数据进行清洗后输入XGBoost预测模型，输出得到对应的振动传感数据预测值和应变传感数据预测值。

进一步地，所述步骤S4具体包括以下步骤：

S41、计算传感器数据预测值与传感器数据实际值之间的残差序列，若没有超过设定的残差阈值，则判断起重机当前处于正常状态，否则执行步骤S42；

S42、计算残差序列的均方根误差，得到每个小时内所有残差的均方根误差值，若所有残差的均方根误差值的波动频率大于或等于设定的波动阈值，则判断起重机当前发生故障、输出预警信息，否则判断起重机当前处于正常状态。

进一步地，所述步骤S5具体是结合起重机故障领域的数据来源及特点，通过设定规则的方式抽取三元组，将知识以三元组的形式建进知识图谱中，完成起重机故障知识图谱的构建。

进一步地，所述步骤S6具体包括以下步骤：

S61、根据预警信息，从知识图谱中匹配同时关联到预警部位、预警传感器的所有故障记录ID，再查询这些故障ID的一度关系作为本次预警相关子图；

S62、在预警相关子图中匹配所有的故障原因，并按PageRank算法计算所有故障原因的中心度，将所有故障原因按照其中心度进行排序，中心度越高表明历史记录中因其导致的故障越多，将排序前N个中心度对应的故障原因作为故障诊断结果；

所述PageRank计算方法为：

其中：PR(A)为A的中心度，d为阻尼系数，其范围为[0，1)，C(A)为Page A的外连接数，n为指向A的节点个数。

进一步地，所述步骤S7中推送的信息包括故障结果、失效模式、失效原因、故障现象和影响范围。

与现有技术相比，本发明针对当前起重机历史故障数据量不足、数据无标注的问题，提出一种利用起重机工况数据预测传感器数据的方案，基于XGBoost算法，结合历史工况数据和传感器数据，以训练得到XGBoost预测模型，由此能够利用实际工况数据预测得到传感器数据预测值，通过与传感器数据实际值进行比较，以实现起重机的预警，即本发明充分利用现有的少量数据，能够实现大型起重机的智能预警。

本发明基于知识图谱技术，将知识图谱应用于大型起重机智能诊断，通过分析机器学习的预警结果，再结合构建的起重机知识图谱，以实现大型起重机的故障诊断，本发明以知识模型替代数据模型，在故障数据不足的情况下以已有大量存在的知识作为诊断依据，充分利用业内专家的经验知识，有效弥补数据层面的不足，能够有效提高故障诊断的准确性和效率。

附图说明

图1为本发明的方法流程示意图；

图2为实施例的应用过程示意图；

图3a为实施例中主梁应变预测值波形图；

图3b为实施例中起升机构振动预测值波形图；

图4为实施例中构建的知识图谱结构示意图；

图5为实施例中故障诊断结果信息示意图。

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。

实施例

如图1所示，一种大型门式造船起重机的智能预警与故障诊断方法，包括以下步骤：

S2、利用训练集数据，训练得到XGBoost预测模型；

S5、根据专业知识构建知识图谱；

本实施例应用上述技术方案，如图2所示，主要包括：

步骤1、获取起重机历史工况数据和传感器数据、并进行数据预处理，得到训练集：

起重机工况数据为PLC控制系统数据，传感器数据包括应变传感器采集的主梁应变传感数据以及振动传感器采集的起升机构振动传感数据。

数据预处理的过程包括特征提取(即数据对齐)、缺失值处理和归一化处理，具体的，在特征提取操作时，考虑到收集的起重机运行数据中，有高频的传感器数据和低频的工况信号数据，对于高频的振动传感器信号，采用傅里叶分解将时域信号转变为频域，再根据不同部位的特征频率提取其对应的幅值，将特征频率的幅值作为不同部位对应的信号特征值，从而在尽可能减少信息损失的情况下实现高频数据向低频数据对齐的目的。

通过傅里叶分析将振动信号从时域转到频域，再利用机理模型针对特定的频率提取其相应的赋值作为这一秒内振动信号的特征值，利用特征值与PLC信号对齐。这样既解决了数据频率不一致导致的数据不对齐问题，又能解决在对齐数据时产生的重要信息丢失问题。将起重机的振动信号转换成频域后，重点关注起重机起升机构上的关键部位，由起重机相关专业知识得到相应部位的特征频率计算方法。

计算出不同部位相应的频率后，根据频率查找对应的幅值，通过对应的幅值作为不同部位的监控依据数值。这种对齐方法通过结合专业知识和数据充分提取传感器信号中的重要信息，弥补了传统对其方法中信息缺失的问题，为后续的基于机器学习的故障预测提供数据基础。

特征值提取后，再采用K最近邻(KNN)算法来填充缺失值。该算法填充缺失值的基本思想是把要填充的值作为预测目标，利用非缺失的数据进行拟合，建立数据预测模型然后对缺失数据进行预测。

最后进行归一化处理，将数据都压缩在(0，1)之间。

步骤2、训练XGBoost预测模型：

根据处理好的训练集训练模型，训练流程如下：(1)初始化样本值；(2)定义损失函数；(3)计算损失函数的导数；(4)根据导数生成新的树；(5)用新的树预测样本值，并和之前的值进行累加；(6)循环训练决策树，直到满足损失函数出口值。

本实施例中，通过构造获取单元和训练单元，以完成XGBoost预测模型的训练，其中，获取单元，用于获取样本集Y：

Y＝{(x_1i,x_2i,…,x_ni,y_1i,y_2i,…,y_mi)}(|Y|＝o,x_ni∈R^p,y_mi∈R)

式中，x_ni为第i条数据中的第n维工况数据值，y_mi为第i条数据中的第m维传感器数据的特征值，o为样本数，p为样本特征数；

训练单元，用于基于样本集Y，构造梯度提升树，采用CART回归树作为弱学习器，通过迭代的方式增加弱学习器，最终用多个弱学习器组合形成最终的强学习器。

步骤3、预测传感器数据特征值：

将清洗后的反应工况的PLC数据输入XGBoost预测模型，输出分别对应于振动传感器的特征值以及应变传感器的特征值。

步骤4、信号评价：

采用残差时间序列的方法对一段时间内的信号指进行综合估计，以一段时间内的传感器数据预测值和实际值序列作为输入进行残差计算，输出为该段时间内的信号评价值，用该评价值替代瞬时幅值作为判断依据，其步骤如下：

(1)输入预测值和实际值的残差序列，计算其二者的残差序列，如果残差没有超过阈值，则认为起重机处于正常状态。

(2)如果残差超过了阈值，则进一步计算残差序列的均方根误差(root-mean-square-error，RMSE)：

式中，D为均方根误差，N为样本数，z为预测值，z_j为实际值。

通过计算每个小时内所有残差的RMSE，来综合评价该短时间内起重机的运行状况。观察RMSE每小时的变化，如果出现剧烈的波动，则预测大型门式造船起重机将会发生故障，需要及时的采取维护措施。

步骤5、知识图谱构建：

结合起重机故障领域的数据来源及特点，通过人工或规则的方式抽取三元组，将知识以三元组的形式建进知识图谱中，完成起重机故障知识图谱的构建与应用。

步骤6、故障诊断：

根据预警信息，匹配同时关联到预警部位、预警传感器的所有故障记录ID，再查询这些故障ID的一度关系作为本次预警相关子图；

在子图中匹配所有的故障原因，并按PageRank算法计算所有故障原因的中心度：

式中，PR(A)是A的中心度，d是一个阻尼系数，其范围为0(包括)到1(不包括)之间，C(A)是Page A的外连接数，n是指向A的节点个数；

将所有故障原因按照其中心度进行排序，中心度越高说明其历史记录中因其导致的故障越多，本次诊断结果正确的可能性也就越大，最终推送排名前一定条数的故障原因。

步骤7、故障信息推送：

根据诊断结果，在知识图谱中匹配相应的信息，并推送给用户，推送信息包括故障结果、失效模式、失效原因、故障现象、影响范围。

本实施例中，现有大型门式造船起重机，收集到其运行数据共有180维PLC数据，用于反应工况，采样频率为1秒1次；8维振动传感器数据，传感器主要分布在起升机构的关键部位，用于监测大型门式造船起重机起升机构的运行状态，采样频率为1秒1000次；8维应变传感器数据，其中有效传感器数据为6维，传感器主要分布在主梁关键部位，用于监测大型门式造船起重机主梁的运行状态，采样频率为1秒1000条。

首先对工况数据和传感器数据进行基于傅里叶的特征值提取、缺失值处理、数据变换的操作后得到清洗过的数据，将清洗后的数据拆分模型的训练集和测试集。

将训练集中的工况数据作为模型的输入值，将传感器的特征值做为目标值，进行预测模型的训练。

将测试集的工况数据输入进预测模型中，得到模型输出的传感器特征值(分别如图3a和图3b所示)。计算预测出的传感器特征值和测试集中真实的传感器特征值的时间残差序列。

判断若残差值超过设定的阈值则发出报警。

收集大量专业知识，对其中的信息采用规则的方法提取的三元组，并根据这些三元组建立大型门式造船起重机知识图谱(如图4所示)。

根据发出报警信息提取大型门式造船起重机知识图谱中的对应子图，并匹配所有相关的故障原因。

计算匹配到的故障原因的中心度，并进行排序，推送排序中前指定条故障原因作为本次故障诊断的结果，最后根据推送出的结果在知识图谱中匹配相关信息，如图5所示，推送信息有：故障结果、失效模式、失效原因、故障现象、影响范围。

综上所述，本技术方案针对大型门式造船起重机，基于大数据、人工智能和知识图谱技术，在缺少历史故障数据、历史运行数据无标注数据的情况下，实现了大型门式造船起重机起升机构和主梁的智能预警与故障诊断功能。提出了基于XGBoost算法的大型起重机智能预警方案，该方案针对当前数据量不足、数据无标注的问题，采用以工况数据预测传感器数据的方式，能够充分利用现有的数据进行大型起重机智能预警；除此之外，还将知识图谱用于大型起重机智能诊断，通过分析机器学习的预警结果，再结合知识图谱，实现大型起重机的智能诊断功能，能够在当前数据不足的情况下，充分利用业内专家的经验知识，来补足数据层面的不足。

Claims

1.一种大型门式造船起重机的智能预警与故障诊断方法，其特征在于，包括以下步骤：

S2、利用训练集数据，训练得到XGBoost预测模型；

S5、根据专业知识构建知识图谱；

2.根据权利要求1所述的一种大型门式造船起重机的智能预警与故障诊断方法，其特征在于，所述步骤S1中获取的数据包括低频的工况信号数据和高频的传感器数据，所述工况信号数据具体为PLC控制系统数据，所述传感器数据包括振动传感数据和主梁应变传感数据，所述步骤S1中对获取的数据进行预处理操作的过程包括特征提取、缺失值填充以及归一化处理。

3.根据权利要求2所述的一种大型门式造船起重机的智能预警与故障诊断方法，其特征在于，所述特征提取的具体过程为：对于高频的传感器信号数据，采用傅里叶分解将时域信号转变为频域信号，再根据不同部位的特征频率提取其对应的幅值，将特征频率的幅值作为不同部位对应的信号特征值，从而在减少信息损失的情况下实现高频数据向低频数据对齐的目的。

4.根据权利要求2所述的一种大型门式造船起重机的智能预警与故障诊断方法，其特征在于，所述缺失值填充具体是采用KNN算法进行缺失值填充操作，即将待填充的缺失值作为预测目标，利用非缺失的数据进行拟合，建立数据预测模型，然后对缺失值的数据进行预测；

所述归一化处理具体是将所有数据均压缩至(0，1)之间。

5.根据权利要求1所述的一种大型门式造船起重机的智能预警与故障诊断方法，其特征在于，所述步骤S2中XGBoost预测模型的训练过程包括以下步骤：

S21、初始化样本值；

S22、定义损失函数；

S23、计算损失函数的导数；

S24、根据导数生成新的树；

S25、采用新的树预测样本值，并和之前的值进行累加；

S26、循环训练决策树，直到满足损失函数出口值。

6.根据权利要求2所述的一种大型门式造船起重机的智能预警与故障诊断方法，其特征在于，所述步骤S3的具体过程为：对起重机实际的PLC控制系统数据进行清洗后输入XGBoost预测模型，输出得到对应的振动传感数据预测值和应变传感数据预测值。

7.根据权利要求6所述的一种大型门式造船起重机的智能预警与故障诊断方法，其特征在于，所述步骤S4具体包括以下步骤：

8.根据权利要求1所述的一种大型门式造船起重机的智能预警与故障诊断方法，其特征在于，所述步骤S5具体是结合起重机故障领域的数据来源及特点，通过设定规则的方式抽取三元组，将知识以三元组的形式建进知识图谱中，完成起重机故障知识图谱的构建。

9.根据权利要求8所述的一种大型门式造船起重机的智能预警与故障诊断方法，其特征在于，所述步骤S6具体包括以下步骤：

所述PageRank计算方法为：

10.根据权利要求9所述的一种大型门式造船起重机的智能预警与故障诊断方法，其特征在于，所述步骤S7中推送的信息包括故障结果、失效模式、失效原因、故障现象和影响范围。