[发明专利]一种结合聚类思想进行特征提取的砼活塞故障预测方法

权利要求书

1.一种结合聚类思想进行特征提取的砼活塞故障预测方法，其特征在于，包括以下步骤：

第一步：利用安装在混凝土泵车上的工业物联网边缘计算盒子采集工况数据，并将采集的工况数据上传至云端工况数据库；

第二步：采集完工况数据后，首先对各个特征间进行可视化的皮尔森相关性分析，选出强相关性的特征，并对选出的强相关性的特征进行三聚类；

所述第二步中，基于获取的工况数据进行分析后，观察得到发动机转速，油泵转速和泵送压力三者两两间都具有0.65以上的相关性，因此将发动机转速，油泵转速和泵送压力三个特征工况数据复制出后以这三个特征建立新的数据集，并利用K-means聚类算法，对得到的新的数据集进行三聚类；

第三步：在得到聚类结果之后，对三聚类的三个中心点分别计算轮廓系数，得到三列新特征用于描述聚类的好坏；

正常情况下，砼活塞数据的发动机转速，油泵转速和泵送压力三种特征的数据变化更具有一致性，因此聚类效果更好，轮廓系数更大；若砼活塞数据的发动机转速，油泵转速和泵送压力三种特征出现紊乱，聚类效果变差，相应的轮廓系数变小，则预测砼活塞将发生故障；

第四步：利用Light GBM，XGBoost和CatBoost算法分别对数据进行训练和预测，最后取三个预测结果通过求均值的方法进行融合；

所述第四步中，在原有强相关性的特征组成的数据集中加入新特征，组成新的训练集；并在训练集的标签文件中记录对应的正常标签与故障标签，分别用0，1表示；其中0表示对应样本对应活塞在未来泵送2000方混凝土任务期间内未发生故障，1则表示对应样本对应的活塞在未来泵送2000方混凝土任务期间内发生了故障。

2.根据权利要求1所述的结合聚类思想进行特征提取的砼活塞故障预测方法，其特征在于：所述第一步中，利用传感器和边缘端物联网计算盒子采集混凝土泵车的工况数据，所采集的工况数据包括活塞工作时长，发动机转速，油泵转速，泵送压力，液压油温，流量档位，分配压力，排电流量，低压开关，高压开关，搅拌超压信号，正泵，反泵和设备类型。

3.根据权利要求1所述的结合聚类思想进行特征提取的砼活塞故障预测方法，其特征在于：所述第二步中，利用python中sklearn.cluster包下的KMeans函数对发动机转速，油泵转速和泵送压力三者构成的数据集进行三聚类。

4.根据权利要求3所述的结合聚类思想进行特征提取的砼活塞故障预测方法，其特征在于：对发动机转速，油泵转速和泵送压力三者构成的数据集进行三聚类时，聚类的个数，即K值的设定依据预测的准确度多次试验决定，选择预测结果最好的K值，参数设置为KMeans(K＝3)。

5.根据权利要求1所述的结合聚类思想进行特征提取的砼活塞故障预测方法，其特征在于：所述第三步中，利用python中sklearn.metrics包下的silhouette_samples对聚类结果计算轮廓系数。