[发明专利]一种矿用风机的故障诊断方法

摘要

本发明公开了一种矿用风机的故障诊断方法，利用SCADA对风机运行的实时状态进行检测，采用机器学习及深度学习相结合的方式，对在风机各种工作状态下所监测到的数据进行训练，采用GBDT‑CNN模型，对风机设备进行故障诊断，该诊断方法在确定在判断整体设备故障位置后，进而确定该位置的具体故障程度，包括轻微故障、中度故障、重度故障。进而提醒工作人员在尽量节省成本的同时选择合适的设备维护方式。对设备的故障诊断是分步进行的，在第一步判断设备部存在故障的情况下不进行具体故障的判断，节省计算机的运算能力的同时提高诊断效率。由于所监测数据属性与所判断的故障类型存在相对容易捕获的联系，所以采用GBDT集成学习算法，拥有较高的准确率。

主权项

1.一种矿用风机的故障诊断方法，其特征在于：该方法的实施过程如下，S1、对矿用风机的运行进行监测，保留其正常运行及各种故障情况下的各项数据，检测指标包括：电机定子温度a、电机定子温度b、电机定子温度c、电机轴伸端轴承温度、电机非轴伸端轴承温度、风机轴承温度a、风机轴承温度b、风机轴承温度c、风机轴承温度d、风机X向震动、风机Y向震动、风机Z向震动、风机进风口气压、风机出风口气压、电机电流、电机电压；对八套矿用风机进行监测；S2、将所监测数据进行整理、标记，所监测故障类型有电机轴伸端轴承故障表示为0、电机非轴伸端轴承故障表示为1、电机定子故障表示为2、风机轴承故障表示为3、风机叶片故障表示为4；在确定故障位置后对故障程度进行识别，其程度分为轻微故障“0”、中度故障“1”、重度故障“2”；S3、在第一步诊断过程中，使用集成学习模型，在GBDT中个体学习器采用CART回归树，构造决策树时，利用数据的基尼值来划分属性：监测样本集合D中第k类样本所占的比例为p_k，k＝1,2,3,…,|y|；属性a的基尼指数计算如下：假设监测属性a对应V个取值点{a¹,a²,a³,...,a^V}，若使用属性a对样本集进行划分，则会产生V个分支节点，其中第v个分支节点包含了样本集D中所有在属性a上取值为a^v的样本，记为D^v，计算出用属性a对样本集D进行划分所获得的的基尼指数为：从候选属性中选择基尼指数最小的属性作为节点划分：a_*＝arg_a∈AminGini_index(D,a)a*的含义是在候选属性A中，选择那个使得划分后基尼指数最小的属性a_*作为最优划分属性；整个决策树搭建完成之后，利用S1、S2中采集处理的数据，对模型进行训练进而得到诊断模型，训练个体学习器采用Gradient Boosting算法，再由个体弱分类器得到强分类模型；输入：训练样本D＝{(x₁，y₁)，(x₂，y₂)，…，(x_m，y_m)}，x_i∈χ＝Rⁿ，y_i∈γ＝{‑1，+1}，i＝1，2，...，m；m是检测样本的总是，i从1开始取值一直取到第m个；χ表示的是有实数R构成的一个集合是监测到的数据；γ是一个只有两个元素的集合‑1和1，用于判断；输出：回归树F(x)训练GBDT模型的步骤如下：初始化弱学习器：L为损失函数，将弱学习器初始化为是损失函数最小是对应的拟合值c对于二元分类，使用负二项对数似然作为损失函数：L(y,f(x))＝log(1+exp(‑yf(x)))，其中，当前模型f_m‑1(x)的梯度值为：为负梯度误差；对拟合一棵回归树，得到第m棵树的叶结点区域R_m，j，j＝1，2，...J，即由j个叶子结点组成的树，以遍历式计算最优叶子结点值，J为叶节点的总数目：c_m，j为各个叶子节点的最佳负梯度拟合值；由于此式难以优化，所以使用牛顿‑拉夫森近似得到：更新f_m(x)：I为第m棵树的叶结点区域R_m，j中的j属性对应的全部样本点，即x∈R_m，j得到强分类模型：M为弱分类器的总数量；S4、在第二步诊断过程中，使用CNN卷积神经网络模型；因为具体位置的故障标签与数据之间的关系，通过手动选取特征并不能很好的表现出来，所以选用深度学习模型，让模型根据数据学习特定故障于监测数据之间的关系。