CN116448425A - 一种基于改进随机森林的传送带轴承远程故障诊断方法及系统 - Google Patents
一种基于改进随机森林的传送带轴承远程故障诊断方法及系统 Download PDFInfo
- Publication number
- CN116448425A CN116448425A CN202310221108.2A CN202310221108A CN116448425A CN 116448425 A CN116448425 A CN 116448425A CN 202310221108 A CN202310221108 A CN 202310221108A CN 116448425 A CN116448425 A CN 116448425A
- Authority
- CN
- China
- Prior art keywords
- random forest
- data
- fault diagnosis
- module
- conveyor belt
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 125
- 238000007637 random forest analysis Methods 0.000 title claims abstract description 101
- 238000000034 method Methods 0.000 title claims abstract description 36
- 241000283153 Cetacea Species 0.000 claims abstract description 51
- 238000012549 training Methods 0.000 claims abstract description 43
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 37
- 238000005457 optimization Methods 0.000 claims abstract description 23
- 238000007781 pre-processing Methods 0.000 claims abstract description 22
- 238000012360 testing method Methods 0.000 claims abstract description 22
- 238000003066 decision tree Methods 0.000 claims abstract description 18
- 239000013598 vector Substances 0.000 claims abstract description 16
- 230000009466 transformation Effects 0.000 claims abstract description 12
- 230000008569 process Effects 0.000 claims description 8
- 230000001133 acceleration Effects 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 238000005096 rolling process Methods 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 2
- 230000006870 function Effects 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000001228 spectrum Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004171 remote diagnosis Methods 0.000 description 1
Classifications
-
- 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
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于改进随机森林的传送带轴承远程故障诊断方法，包括步骤：采集传送带轴承的原始振动信号数据和故障状态数据；采用经验小波变换算法分解原始振动信号数据获得不同频率的IMF分量，提取不同的特征向量，并与相应的故障状态数据构成训练集和测试集数据；建立随机森林故障诊断模型并训练，训练时采用鲸鱼优化算法优化随机森林决策树数量和随机森林分裂时最大的特征数；待诊断的振动信号数据并通过数据预处理模块分解提取特征向量后输入随机森林故障诊断模型并输出故障诊断结果。本发明还公开了基于上述方法的故障诊断系统。本发明提高了传送带轴承故障诊断的准确率。
Description
技术领域
本发明涉及一种轴承故障诊断方法及系统，特别是一种基于改进随机森林的传送带轴承远程故障诊断方法及系统。
背景技术
在物流车间中，通过控制电机驱动传送带运行，实现传送带传输货物。这对传送带电机的稳定性和可靠性提出了很高的要求，而轴承是电机运行中最容易损坏的零部件，起着支撑电机和引导旋转的作用。由于轴承在传送带内部，其故障状态难以识别，导致其故障诊断的精度受限。目前对轴承的振动信号进行故障诊断是最常见的方法，当电机轴承出现故障时振动信号会明显出现波动，若对振动信号的时频信号进行有效地提取，就能够为电机轴承的故障诊断提供数据基础。
现有的技术通常采用以下方法进行电机轴承的故障诊断：
(1)人工神经网络：将传送带电机定子和转子的电流和速度设定为故障值，输入到人工神经网络中进行训练。然而当训练样本的数量较少时，人工神经网络的无法的大充分训练，无法拟合，导致诊断效果较差。
(2)支持向量机：支持向量机通过非线性函数将训练样本映射到高维空间从而求的最优解。但当训练样本数量较多时，模型的训练时间较长，同时支持向量机的参数难以选取。
(3)深度信念网络：深度信念网络具有强大的特征提取能力，能够降低人为选取信号特征的不确定性，但随着网络层数的不断增加，深度信念网络需要众多的模型参数，导致其在训练时需要大量的标签数据，从而导致深度信念网络很难找到最优解，难以解决训练样本数量较少的问题。
上述方法，轴承故障诊断在很大程度上依赖于特征的提取，需要大量的信号分解技术、轴承故障诊断的专业知识等理论。同时需要大量的传感器采集运行数据，设置众多的诊断参数和诊断模块进行故障诊断，从而造成故障诊断系统体积大、成本高。现有技术也有采用随机森林进行故障诊断，但是在有限的资源限制下往往难以获得随机森林的最优的参数，从而导致故障诊断精度不高。
发明内容
针对上述现有技术缺陷，本发明的任务在于提供一种基于改进随机森林的传送带轴承远程故障诊断方法，克服现有技术方法需要大量的训练数据、超多的参数以及难以获得最优参数的不足，提高传送带轴承故障诊断的准确率。本发明的另一任务在于提供一种基于改进随机森林的传送带轴承远程故障诊断系统。
本发明技术方案如下：一种基于改进随机森林的传送带轴承远程故障诊断方法，包括以下步骤：
步骤1、通过数据采集模块采集传送带轴承的原始振动信号数据和故障状态数据；
步骤2、数据预处理模块采用经验小波变换算法分解原始振动信号数据获得不同频率的IMF分量，提取不同的特征向量，并与相应的故障状态数据构成训练集和测试集数据；
步骤3、故障诊断模块建立随机森林故障诊断模型，由所述训练集和测试集数据对所述随机森林故障诊断模型进行训练和测试；所述训练时，采用鲸鱼优化算法优化随机森林的参数，所述随机森林的参数为随机森林决策树数量和随机森林分裂时最大的特征数；
步骤4、所述数据采集模块采集传送带轴承的振动信号数据并通过数据预处理模块分解提取特征向量后输入所述步骤3训练和测试完成后的随机森林故障诊断模型，由所述随机森林故障诊断模型输出故障诊断结果。
理论上随机森林决策树数量是越大越好，但是计算时间也相应增长。所以，并不是取得越大就会越好，预测效果最好的将会出现在合理的树个数；每个决策树在随机选择的随机森林分裂时最大的特征数特征里找到某个“最佳”特征，使得模型在该特征的某个值上分裂之后得到的收益最大化。随机森林分裂时最大的特征数越少，方差就会减少，但同时偏差就会增加。本发明在鲸鱼优化算法中将随机森林决策树数量和随机森林分裂时最大的特征数分别作为座头鲸的位置，这样就会快速得到最优的随机森林决策树数量从而减少掉冗余的计算量以及最佳的特征值从而让模型收益最大化。
进一步地，所述采用鲸鱼优化算法优化随机森林的参数的具体步骤包括：
(a)初始化鲸鱼优化算法的参数；
(b)建立初始的随机森林故障诊断模型，从原始的训练集中随机有放回地抽取n个子集构成初始特征子集；
(c)采用鲸鱼优化算法优化随机森林的参数选择，包括步骤(c1)至(c7)，
(c1)设置鲸鱼种群当前的迭代次数为1，将随机森林决策树数量和分裂时最大特征数两个参数作为初始种群；
(c2)利用当前鲸鱼种群个体位置建立基于随机森林的故障诊断模型，将初始的特征子集输入到故障诊断模型进行训练，得到当前迭代次数故障诊断模型的准确率，将该准确率作为鲸鱼优化算法的适应度值；
(c3)将当前适应度值最大的鲸鱼个体设置为局部最优解，并淘汰适应度值较低的鲸鱼个体；
(c4)判断随机数p是否小于0.5，是则直接进入c5步骤，否则采用气泡网捕食机制，螺旋更新鲸鱼种群个体的位置，进行局部搜索，随后进入c6步骤；
(c5)判断收敛因子|A|的大小，如果|A|＜1，则包围猎物，随后进入c6步骤，否则全局随机搜索猎物,寻找最优解，随后进入c6步骤；
(c6)位置更新结束，计算每条鲸鱼的适应度，判断当前最后个体是否优于前一代最优个体，若为是的话则产生新的种群个体替换前一代最优个体，鲸鱼个体按下式产生局部抖动，随后进入c7步骤，若为否时则直接进入c7步骤；
(c7)判断迭代次数是否达到最大迭代次数，否则以新的鲸鱼种群个体作为随机森林模型参数进行新一轮迭代，重复步骤(c2)-(c7)；
(d)将最优参数赋值给随机森林，形成故障诊断模型。
进一步地，所述步骤2中采用经验小波变换算法分解原始振动信号数据前对原始振动信号数据进行归一化处理，所述归一化处理按如下公式将数据归一化到[0,1]：
其中，Xmax表示原始振动信号数据构成的样本数据集中最大值，Xmin表示原始振动信号数据构成的样本数据集中最小值，Xnor表示归一化后的值。通过该处理将数据归一化在0-1之间是统计的概率分布，一方面后面数据处理的方便，另外保证了程序运行时收敛加快。
进一步地，所述鲸鱼个体产生局部抖动，产生新的种群个体时按以下公式进行：
X(t+1)＝D×ebl×cos(2πl)+X*(t)
式中，X(t+1)为位置向量，X*(t)是目前得到的最佳解的位置向量，D为第i个猎物和目标之间的距离，b表示对数螺线的形式，l表示[-1,1]随机数。这种方式产生新个体并最终得到最优解的优势：机制简单、参数少、寻优能力强。
一种基于改进随机森林的传送带轴承远程故障诊断系统，包括数据采集模块、数据转发模块、数据预处理模块、故障诊断模块和诊断结果输出模块，所述数据采集模块用于采集传送带轴承的原始振动信号数据和故障状态数据；所述数据转发模块用于将所述数据采集模块采集的数据转发至数据预处理模块；所述数据预处理模块用于采用经验小波变换算法分解原始振动信号数据获得不同频率的IMF分量，提取不同的特征向量，并与相应的故障状态数据构成训练集和测试集数据，以及用于对待诊断的振动信号数据采用经验小波变换算法分解获得不同频率的IMF分量得到待诊断数据；所述故障诊断模块用于建立随机森林故障诊断模型并获取数据预处理模块得到的训练集、测试集数据对所述随机森林故障诊断模型进行训练和测试以及用于将待诊断数据输入训练后的随机森林故障诊断模型，所述训练时，采用鲸鱼优化算法优化随机森林的参数，所述随机森林的参数为随机森林决策树数量和随机森林分裂时最大的特征数；所述诊断结果输出模块用于输出随机森林故障诊断模型对待诊断数据的诊断结果。
进一步地，所述数据预处理模块、故障诊断模块和诊断结果输出模块位于远程服务器。
进一步地，所述数据采集模块包括安装于传送带的电机滚动轴承的位置的振动加速度传感器。
进一步地，包括执行模块，所述执行模块用于根据所述诊断结果输出模块输出的诊断结构从数据库匹配相应的措施并下发。
本发明基于上传的振动信号数据进行轴承故障诊断，实现了对传送带轴承远程诊断，无需工作人员亲自到物流车间，提高了轴承故障诊断的效率，降低了企业的运行成本。
本发明与现有技术相比的优点在于：
1、采用鲸鱼优化算法对随机森林的参数选择进行优化，相比传统的参数调优算法，简化了计算量大的问题，降低了数据冗余，提高了模型的运行效率。
2、将经验小波变换(EWT)、鲸鱼优化算法(IWOA)和随机森林(RF)相结合，建立传送带轴承的故障诊断模型，传送带轴承系统的故障诊断模型由随机森林算法得出，构造随机森林模型最重要的两个参数分别为随机森林决策树数量和随机森林分裂时最大的特征数，这两大参数的数据来源于实际中采集传送带轴承的原始振动信号数据和故障状态数据，对于采集到的原始振动信号数据采用经验小波变换算法进行分解获得不同频率的IMF分量，提取不同的特征向量，并与相应的故障状态数据构成训练集和测试集数据。对于随机森林算法来说，理论上随机森林决策树数量与特征数数量是越大越好，但是计算时间也相应增长，这时就可采取鲸鱼优化算法对将随机森林决策树数量和分裂时最大特征数进行迭代运算分别求其最优解，这样可以减少掉冗余的计算量并且让模型收益最大化，提高了诊断模型故障诊断的准确率，和传统的故障诊断方法相比，诊断的准确率更高。
附图说明
图1为基于改进随机森林的传送带轴承远程故障诊断系统模块示意图。
图2为基于改进随机森林的传送带轴承远程故障诊断方法流程示意图。
图3为鲸鱼优化算法优化随机森林模型参数流程示意图。
具体实施方式
下面结合实施例对本发明作进一步说明，但不作为对本发明的限定。
本发明的基于改进随机森林的传送带轴承远程故障诊断方法通过基于改进随机森林的传送带轴承远程故障诊断系统实现，如图1所示，该系统包括数据采集模块1、数据转发模块2、数据预处理模块3、故障诊断模块4和诊断结果输出模块5。
在本实施例中，数据采集模块1包括在传送带的电机滚动轴承的位置加装的振动加速度传感器，用于采集不同故障类型下的原始振动信号数据。具体是采集不同位置和方向的加速度信号，作为故障诊断模块4中故障诊断模型的训练和测试实际样本数据，也为后续故障诊断的依据。这些加速度信号主要包括：滚动轴承在正常状态、外圈故障状态、内圈故障状态和滚动体故障状态下的径向振动加速度信号。另外数据采集模块1还用于实际采集物流车间轴承状态信息，同时将原始振动信号数据以及状态信息构成轴承样本数据发送至数据转发模块2。
数据转发模块2：是指网关控制器，网关控制器会接受来自不同轴承的原始振动信号数据以及状态信息，并将这些数据转发至远程服务器100用于故障诊断；
数据采集模块1、数据转发模块2均是物流车间现有的控制器，各个不同模块可以负责不同传感器信息采集、执行器驱动，并通过不同控制器间信息交互配合完成系统功能。在一个优选的实施例中，数据采集模块1通过485/CAN通信将采集到的所有数据传输至数据转发模块2，数据转发模块2图通过有线将数据传输至远程服务器100，便于远程服务器100根据轴承的状态信息进行故障诊断。
远程服务器100包括有三部分，分别是数据预处理模块3、故障诊断模块4和诊断结果输出模块5。
数据预处理模块3：利用经验小波变换(EWT)算法分解原始振动信号数据获得不同频率的本征模态函数(IMF)分量，提取不同的特征向量，构成原始的样本集；在本实施例中，利用EWT算法进行对每组振动信号进行特征提取，构造原始的特征集，从多个尺度上全面构造滚动轴承高维故障特征集。
故障诊断模块4：接受来自数据预处理模块3的数据，建立基于经验小波变换和随机森林的故障诊断模型，利用原始的特征集进行诊断；
诊断结果输出模块5：输出故障诊断模型的诊断结果，根据不同的诊断结果从数据库中选择不同的应对策略，去处理不同的故障信息。如果发生故障，远程服务器100根据故障诊断模型的诊断结果和服务器中故障诊断信息进行对比，若比对成功，则执行相对应的故障处理措施，远程服务器100将对应的处理措施通过数据转发模块2下发至车间运维人员，执行对应的处理措施；若比对失败，则表示远程服务器100数据库中不存在当前的故障信息，则表示当前故障不是典型故障，则将当前故障信息存储到远程服务器100中，后期相关的运维人员可更新远程服务器100的故障信息数据库，便于后续远程服务器100的故障信息数据库自动诊断出当前的故障信息。
在一个优选的实施例中，可以将故障诊断模块4集成封装成APP，物流车间的运维人员可以下载安装APP，能够随机随地监测车间轴承的运行状态，提高了轴承故障诊断的灵活性。
请结合图2所示，基于改进随机森林的传送带轴承远程故障诊断方法包括以下步骤：
一、由数据预处理模块3进行数据预处理
通过数据归一化、经验小波变换和数据划分，将轴承样本的原始数据转换成目标数据类型，并进行标签化处理获取训练集和测试集，其包含以下步骤：
首先，将数据进行归一化处理，公式如下：
其中，Xmax表示样本数据集中最大值，Xmin表示样本数据集中最小值，Xnor表示归一化后的值，将数据归一化到[0,1]。
然后采用python中EWT方法对归一化后的数据进行分解，在传送带电机轴承的故障诊断中，EWT可以用于含有高斯白噪声的振动加速度信号进行分解，进而初步提取信号频域特征，增强信号中故障特征频率表征，提高轴承故障诊断的效果。EWT先将轴承样本数据f(t)进行傅里叶变换，然后将频谱[0,π]自适应划分成一组正交小波滤波器组。本质上是对原始信号的频谱进行划分，根据频域的极值点确定各自的边界，最后根据分解好的频谱构建小波滤波器组的信号分解方法。具体过程为：
(1)构建小波滤波器组。根据香农原则，将信号频谱前n个最大局部极大值和极小值设置为信号区间的边界wn，共有N+1的边界，则每个区间可表示为：
Λn＝[ωn-1,ωn]
其中n＝1,2,3,...,N，ω0＝0，ωN＝0
完成频谱的区间划分后，采用Meyer小波的构造方法，经验小波函数ψn(ω)和经验尺度函数φn(ω)如下：
式中：ω为频率，ωn为第n个边界频率，τn＝γωn(0＜γ＜1),β(x)＝x4(35-84x+70x2-20x3)，/>
(2)利用经验小波函数和尺度函数进行经验小波变换，得到的逼近系数和细节系数为：
式中，t是连续的时间自变量,f(t)表示原始信号，τ表示时间，<,>表示内积，φ1(t)表示尺度函数，ψk(t)表示经验小波函数，和/>分别表示φ1(t)和ψk(t)的傅里叶变换。
(3)进行分量计算，原始信号f(t)可表示为：
式中：为卷积运算，/>为逼近系数，/>为细节系数，/>为x(t)的经验小波变换。
原始信号f(t)分解为：
式中，IMF分量f0(t)由逼近系数和经验尺度函数/>的卷积构成，代表原始信号的整体变化趋势部分，IMF分量fk(t)由细节系数/>和经验小波函数ψk(t)的卷积构成，可看作特征分量。
标签化处理的具体操作为：对经验小波变换后的数据以0～i的形式添加相应的故障标签，其中i为类别总数。通过对第一部分采集的轴承数据进行上述预处理，将预处理分解后的数据划分成训练集和测试集，训练集用于故障诊断模型的训练，测试集用于检验故障诊断模型的准确率。在一个具体实施例中可以利用Mysql数据库建立传送带轴承的数据库管理系统，实现数据的存储和实时交互。
由远程服务器100的故障诊断模块4根据训练集和测试集的数据进行故障诊断模型的训练和测试。如图3所示，故障诊断模型的训练过程如下：
(a)根据鲸鱼优化算法的编码规则，初始化鲸鱼优化算法的相关参数，包括鲸鱼种群的数量，最大的迭代次数和各参数的上下界及初值，鲸鱼个体为二进制编码，表示随机森林决策树数量和随机森林分裂时最大的特征数；
(b)建立初始的随机森林故障诊断模型，采用Bootstrap方法从原始的训练集中随机有放回地抽取n个子集构成初始特征子集；
(c)采用鲸鱼优化算法优化随机森林的参数选择；
(c1)设置鲸鱼种群当前的迭代次数为1，将随机森林决策树数量和分裂时最大特征数两个参数作为初始种群；
(c2)利用当前鲸鱼种群个体位置建立基于随机森林的故障诊断模型，将初始的特征子集输入到故障诊断模型进行训练，得到当前迭代次数故障诊断模型的准确率，将该准确率作为鲸鱼优化算法的适应度值；
(c3)将当前适应度值最大的鲸鱼个体设置为局部最优解，并淘汰适应度值较低的鲸鱼个体；
(c4)判断随机数p是否小于p*,p*为[0,1]的随机数，我们定义其值域为0.5，是则直接进入c5步骤，否则采用气泡网捕食机制，螺旋更新鲸鱼种群个体的位置，进行局部搜索，随后进入c6步骤；
(c5)判断收敛因子|A|的大小，如果|A|＜1，则包围猎物，随后进入c6步骤，否则全局随机搜索猎物,寻找最优解，随后进入c6步骤；
(c6)位置更新结束，计算每条鲸鱼的适应度，判断当前最后个体是否优于前一代最优个体，若为是的话则产生新的种群个体替换前一代最优个体，鲸鱼个体按下式产生局部抖动，随后进入c7步骤，若为否时则直接进入c7步骤；
X(t+1)＝D×ebl×cos(2πl)+X*(t)
式中，X(t+1)为位置向量，X*(t)是目前得到的最佳解的位置向量，D为第i个猎物和目标之间的距离，b表示对数螺线的形式，l表示[-1,1]随机数；
(c7)判断迭代次数是否达到最大迭代次数，否则以新的鲸鱼种群个体作为随机森林模型参数进行新一轮迭代，重复步骤(c2)-(c7)；
(d)将最优参数赋值给随机森林，形成故障诊断模型，对模型进行测试，完成故障诊断模型的建立。
故障诊断模型建立后，由数据采集模块1采集轴承的新的原始振动信号数据通过数据转发模块2给数据预处理模块3处理，对原始振动信号数据进行归一化并分解后输入故障诊断模型输出得到故障诊断结果。
应当指出的是，上述实施例的具体方法可分步骤形成计算机程序产品，该计算机程序产品可存储在一个或多个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。另外本申请可采用硬件、软件或者硬件与软件结合的方式进行实施，或者是构成至少包含一个处理器及存储器的计算机装置，该存储器即储存了实现上述流程步骤的计算机程序，处理器用于执行该存储器上的计算机程序形成上述的实施例的方法步骤。
Claims (8)
1.一种基于改进随机森林的传送带轴承远程故障诊断方法，其特征在于，包括以下步骤：
步骤1、通过数据采集模块采集传送带轴承的原始振动信号数据和故障状态数据；
步骤2、数据预处理模块采用经验小波变换算法分解原始振动信号数据获得不同频率的IMF分量，提取不同的特征向量，并与相应的故障状态数据构成训练集和测试集数据；
步骤3、故障诊断模块建立随机森林故障诊断模型，由所述训练集和测试集数据对所述随机森林故障诊断模型进行训练和测试；所述训练时，采用鲸鱼优化算法优化随机森林的参数，所述随机森林的参数为随机森林决策树数量和随机森林分裂时最大的特征数；
步骤4、所述数据采集模块采集传送带轴承的待诊断的振动信号数据并通过数据预处理模块分解提取特征向量后输入所述步骤3训练和测试完成后的随机森林故障诊断模型，由所述随机森林故障诊断模型输出故障诊断结果。
2.根据权利要求1所述的基于改进随机森林的传送带轴承远程故障诊断方法，其特征在于，所述采用鲸鱼优化算法优化随机森林的参数的具体步骤包括：
(a)初始化鲸鱼优化算法的参数；
(b)建立初始的随机森林故障诊断模型，从原始的训练集中随机有放回地抽取n个子集构成初始特征子集；
(c)采用鲸鱼优化算法优化随机森林的参数选择，包括步骤(c1)至(c7)，
(c1)设置鲸鱼种群当前的迭代次数为1，将随机森林决策树数量和分裂时最大特征数两个参数作为初始种群；
(c2)利用当前鲸鱼种群个体位置建立基于随机森林的故障诊断模型，将初始的特征子集输入到故障诊断模型进行训练，得到当前迭代次数故障诊断模型的准确率，将该准确率作为鲸鱼优化算法的适应度值；
(c3)将当前适应度值最大的鲸鱼个体设置为局部最优解，并淘汰适应度值较低的鲸鱼个体；
(c4)判断随机数p是否小于0.5，是则直接进入c5步骤，否则采用气泡网捕食机制，螺旋更新鲸鱼种群个体的位置，进行局部搜索，随后进入c6步骤；
(c5)判断收敛因子|A|的大小，如果|A|＜1，则包围猎物，随后进入c6步骤，否则全局随机搜索猎物,寻找最优解，随后进入c6步骤；
(c6)位置更新结束，计算每条鲸鱼的适应度，判断当前最后个体是否优于前一代最优个体，若为是的话则产生新的种群个体替换前一代最优个体，鲸鱼个体按下式产生局部抖动，随后进入c7步骤，若为否时则直接进入c7步骤；
(c7)判断迭代次数是否达到最大迭代次数，否则以新的鲸鱼种群个体作为随机森林模型参数进行新一轮迭代，重复步骤(c2)-(c7)；
(d)将最优参数赋值给随机森林，形成故障诊断模型。
3.根据权利要求1所述的基于改进随机森林的传送带轴承远程故障诊断方法，其特征在于，所述步骤2中采用经验小波变换算法分解原始振动信号数据前对原始振动信号数据进行归一化处理，所述归一化处理按如下公式将数据归一化到[0,1]：
其中，Xmax表示原始振动信号数据构成的样本数据集中最大值，Xmin表示原始振动信号数据构成的样本数据集中最小值，Xnor表示归一化后的值。
4.根据权利要求2所述的基于改进随机森林的传送带轴承远程故障诊断方法，其特征在于，所述鲸鱼个体产生局部抖动，产生新的种群个体时按以下公式进行：
X(t+1)＝D×ebl×cos(2πl)+X*(t)
式中，X(t+1)为位置向量，X*(t)是目前得到的最佳解的位置向量，D为第i个猎物和目标之间的距离，b表示对数螺线的形式，l表示[-1,1]随机数。
5.一种基于改进随机森林的传送带轴承远程故障诊断系统，其特征在于，包括数据采集模块、数据转发模块、数据预处理模块、故障诊断模块和诊断结果输出模块，所述数据采集模块用于采集传送带轴承的原始振动信号数据和故障状态数据；所述数据转发模块用于将所述数据采集模块采集的数据转发至数据预处理模块；所述数据预处理模块用于采用经验小波变换算法分解原始振动信号数据获得不同频率的IMF分量，提取不同的特征向量，并与相应的故障状态数据构成训练集和测试集数据，以及用于对待诊断的振动信号数据采用经验小波变换算法分解获得不同频率的IMF分量得到待诊断数据；所述故障诊断模块用于建立随机森林故障诊断模型并获取数据预处理模块得到的训练集、测试集数据对所述随机森林故障诊断模型进行训练和测试以及用于将待诊断数据输入训练后的随机森林故障诊断模型，所述训练时，采用鲸鱼优化算法优化随机森林的参数，所述随机森林的参数为随机森林决策树数量和随机森林分裂时最大的特征数；所述诊断结果输出模块用于输出随机森林故障诊断模型对待诊断数据的诊断结果。
6.根据权利要求5所述的基于改进随机森林的传送带轴承远程故障诊断系统，其特征在于，所述数据预处理模块、故障诊断模块和诊断结果输出模块位于远程服务器。
7.根据权利要求5所述的基于改进随机森林的传送带轴承远程故障诊断系统，其特征在于，所述数据采集模块包括安装于传送带的电机滚动轴承的位置的振动加速度传感器。
8.根据权利要求5所述的基于改进随机森林的传送带轴承远程故障诊断系统，其特征在于，包括执行模块，所述执行模块用于根据所述诊断结果输出模块输出的诊断结构从数据库匹配相应的措施并下发。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310221108.2A CN116448425B (zh) | 2023-03-09 | 2023-03-09 | 一种基于改进随机森林的传送带轴承远程故障诊断方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310221108.2A CN116448425B (zh) | 2023-03-09 | 2023-03-09 | 一种基于改进随机森林的传送带轴承远程故障诊断方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116448425A true CN116448425A (zh) | 2023-07-18 |
| CN116448425B CN116448425B (zh) | 2023-11-21 |
Family
ID=87126289
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310221108.2A Active CN116448425B (zh) | 2023-03-09 | 2023-03-09 | 一种基于改进随机森林的传送带轴承远程故障诊断方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116448425B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108181107A (zh) * | 2018-01-12 | 2018-06-19 | 东北电力大学 | 计及多分类目标的风电机组轴承机械故障诊断方法 |
| US20200200648A1 (en) * | 2018-02-12 | 2020-06-25 | Dalian University Of Technology | Method for Fault Diagnosis of an Aero-engine Rolling Bearing Based on Random Forest of Power Spectrum Entropy |
| CN113837096A (zh) * | 2021-09-24 | 2021-12-24 | 合肥工业大学 | 一种基于ga随机森林的滚动轴承故障诊断方法 |
| CN114880948A (zh) * | 2022-06-02 | 2022-08-09 | 国网重庆市电力公司电力科学研究院 | 一种基于随机森林优化算法的谐波预测建模方法和系统 |
| CN115371988A (zh) * | 2022-10-27 | 2022-11-22 | 北谷电子有限公司 | 基于多特征融合的工程机械故障诊断方法及系统 |
| CN115409052A (zh) * | 2022-07-26 | 2022-11-29 | 湖南第一师范学院 | 一种数据失衡下风力发电机组轴承的故障诊断方法及系统 |
-
2023
- 2023-03-09 CN CN202310221108.2A patent/CN116448425B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108181107A (zh) * | 2018-01-12 | 2018-06-19 | 东北电力大学 | 计及多分类目标的风电机组轴承机械故障诊断方法 |
| US20200200648A1 (en) * | 2018-02-12 | 2020-06-25 | Dalian University Of Technology | Method for Fault Diagnosis of an Aero-engine Rolling Bearing Based on Random Forest of Power Spectrum Entropy |
| CN113837096A (zh) * | 2021-09-24 | 2021-12-24 | 合肥工业大学 | 一种基于ga随机森林的滚动轴承故障诊断方法 |
| CN114880948A (zh) * | 2022-06-02 | 2022-08-09 | 国网重庆市电力公司电力科学研究院 | 一种基于随机森林优化算法的谐波预测建模方法和系统 |
| CN115409052A (zh) * | 2022-07-26 | 2022-11-29 | 湖南第一师范学院 | 一种数据失衡下风力发电机组轴承的故障诊断方法及系统 |
| CN115371988A (zh) * | 2022-10-27 | 2022-11-22 | 北谷电子有限公司 | 基于多特征融合的工程机械故障诊断方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 秦喜文 等: "基于变分模态分解与随机森林的滚动轴承故障诊断", 制造业自动化, vol. 42, no. 1, pages 1 - 6 * |
| 耿琪深;王丰华;金霄;: "基于Gammatone滤波器倒谱系数与鲸鱼算法优化随机森林的干式变压器机械故障声音诊断", 电力自动化设备, vol. 40, no. 08, pages 191 - 196 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116448425B (zh) | 2023-11-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chen et al. | Fault feature extraction and diagnosis of rolling bearings based on wavelet thresholding denoising with CEEMDAN energy entropy and PSO-LSSVM | |
| Sun et al. | Fast bearing fault diagnosis of rolling element using Lévy Moth-Flame optimization algorithm and Naive Bayes | |
| CN113834656B (zh) | 一种轴承故障诊断方法、系统、设备及终端 | |
| Harvey et al. | Automated feature design for numeric sequence classification by genetic programming | |
| CN110044623B (zh) | 经验模态分解剩余信号特征的滚动轴承故障智能识别方法 | |
| CN112183581A (zh) | 基于自适应迁移神经网络的半监督机械故障诊断方法 | |
| CN112396109A (zh) | 基于递归图与多层卷积神经网络的电机轴承故障诊断方法 | |
| CN111538947B (zh) | 风力发电机轴承故障分类模型的构建方法 | |
| CN104616033A (zh) | 基于深度学习和支持向量机的滚动轴承故障诊断方法 | |
| CN114282579A (zh) | 基于变分模态分解和残差网络的航空轴承故障诊断方法 | |
| CN109871891B (zh) | 一种物体识别方法、装置和存储介质 | |
| CN112541511A (zh) | 基于卷积神经网络的多通道时间序列数据故障诊断方法 | |
| CN115290326A (zh) | 一种滚动轴承故障智能诊断方法 | |
| CN112541510A (zh) | 基于多通道时间序列数据的智能故障诊断方法 | |
| Larocque-Villiers et al. | Automating predictive maintenance using state-based transfer learning and ensemble methods | |
| CN114610881A (zh) | 应用日志分析方法、装置、设备和存储介质 | |
| CN116107834A (zh) | 日志异常检测方法、装置、设备及存储介质 | |
| CN117150359A (zh) | 基于模型无关元学习的小样本故障诊断方法、系统、装置及介质 | |
| CN116448425B (zh) | 一种基于改进随机森林的传送带轴承远程故障诊断方法及系统 | |
| CN113758709A (zh) | 结合边缘计算和深度学习的滚动轴承故障诊断方法及系统 | |
| Wang et al. | Data fused motor fault identification based on adversarial auto-encoder | |
| CN113614746A (zh) | 一种用于构建针对工业传感器数据的深度隐特征提取器的方法 | |
| He et al. | Simultaneous bearing fault diagnosis and severity detection using a LAMSTAR network‐based approach | |
| Sohaib et al. | Gearbox fault diagnosis using improved feature representation and multitask learning | |
| CN117725402B (zh) | 一种基于设备运行音频的设备异常状态确定方法及系统 |
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 |