[发明专利]基于C4.5决策树算法的地下铲运机故障诊断方法

说明书

本发明提供一种基于C4.5决策树算法的地下铲运机故障诊断方法，属于地下铲运机故障诊断技术领域。该方法首先采集并提取地下铲运机传感器样本数据，然后将采集的样本数据经健康状态标定后打上标签，划分数据集，将样本数据分为训练集和测试集，再利用训练集样本数据生成决策树模型，进行剪枝，最后利用测试集数据对剪枝后的决策树模型进行测试，直到达到要求，生成最终的决策树，对故障进行诊断。本发明通过机器学习的方法替代了人工进行故障诊断的过程，使地下铲运机的诊断过程更加省时省力且能够准确诊断出设备发生的故障，提高了故障诊断的效率，减少了诊断维修的成本。

技术领域

本发明涉及地下铲运机故障诊断技术领域，特别是指一种基于C4.5决策树算法的地下铲运机故障诊断方法。

背景技术

随着地下金属矿开采规模的扩大与采矿技术的发展，运用于地下矿山的机械设备的数量和种类也在不断增加，发生故障的概率也在逐渐变大。相关机械设备产生故障时，对高度机械化采矿系统的总作业成本有非常大的影响，而且可能导致工作人员的人身安全受到威胁，因此对矿山设备故障诊断问题的研究具有十分重要的现实意义。

目前广泛运用的故障诊断方法主要有基于经验模型和基于物理模型的传统故障诊断方法。专家系统是一种典型的基于经验模型的决策技术，在生产调度、故障诊断和管控成本等方面有广泛的应用，但是这种方法过于依赖先验知识，在某些情况下可靠性不足，且大多只能实现查询功能。物理模型是指将对系统机制的了解转化为数学公式，然而对于复杂的机电系统又不便于将其物理模型用数学方法准确地刻画出来，故而这种方法不适用于复杂的系统。因此，本发明提供了一种基于分类决策树算法的地下铲运机故障诊断方法来解决现有技术中的不足。

发明内容

本发明要解决的技术问题是提供一种基于C4.5决策树算法的地下铲运机故障诊断方法，高效准确地对地下铲运机的故障进行诊断，确保设备安全可靠地运行。

该方法首先采集并提取地下铲运机传感器样本数据，然后将采集的样本数据经健康状态标定后打上标签，划分数据集，将样本数据分为训练集和测试集，再利用训练集样本数据生成决策树模型，进行剪枝，最后利用测试集数据对剪枝后的决策树模型进行测试，直到达到要求，生成最终的决策树，对故障进行诊断。

具体包括步骤如下：

(1)采集并提取地下铲运机传感器样本数据，并对数据进行预处理；

(2)将预处理后的样本数据进行健康状态标定，根据模糊理论中的归一化方法将数据划分为健康、亚健康和故障三种类型；

(3)划分数据集，将样本数据分为训练集和测试集；

(4)利用训练集样本数据生成决策树模型，进行剪枝；

(5)利用测试集数据对剪枝后的决策树模型进行测试，直到达到要求，生成最终的决策树，对实际出现的故障进行诊断。

其中，步骤(1)中采集的数据包括发动机油温、发动机油压、发动机进气歧管压力、发动机进气歧管温度、发动机冷却液温度、发动机转速、发动机扭矩、发动机燃油率、发动机负载、大臂与铲斗压力、转向泵压力、变速箱油温、变速箱油压、液压油温度、前轴制动压力、后轴制动压力、制动液压油温度、制动回路气压、右前轮胎压力、油门踏板位置、车速共21维参数；数据预处理包括数据清洗、数据插补和特征参数选取。

步骤(2)中归一化方法具体为：设样本数据中总共有n个维度的参数，其中第i维参数某一次提取的数据为x_i，样本中该维度参数的最大值为x_s，最小值为x_z，上阈值为x_y，其中x_s≥x_y，则数据x_i经过归一量化后的值可由下式得到：

其中，λ_i为数据x_i归一化后的值，