基于IFOA-RotGBM的矿用挖掘机发动机故障诊断.pdf
《基于IFOA-RotGBM的矿用挖掘机发动机故障诊断.pdf》由会员分享,可在线阅读,更多相关《基于IFOA-RotGBM的矿用挖掘机发动机故障诊断.pdf(8页珍藏版)》请在咨信网上搜索。
1、Series No.567September 2023 金 属 矿 山METAL MINE 总 第567 期2023 年第 9 期收稿日期 2022-11-08基金项目 国家自然科学基金项目(编号:52074205);陕西省自然科学基础研究计划项目(编号:2020JC-44)。作者简介 顾清华(1981),男,教授,博士,博士研究生导师。基于 IFOA-RotGBM 的矿用挖掘机发动机故障诊断顾清华1,2 孙文静1,2 李学现2,3(1.西安建筑科技大学资源工程学院,陕西 西安 710055;2.西安市智慧工业感知计算与决策重点实验室,陕西 西安 710055;3.西安建筑科技大学管理学院,陕
2、西 西安 710055)摘 要 针对矿山挖掘机发动机工作机理复杂、故障诊断效率低且精度不高的问题,提出了一种基于 IFOA 优化RotGBM 的矿用挖掘机发动机故障诊断方法。首先利用随机森林-递归特征消除法(RF-RFE)对采集的挖掘机发动机故障数据进行特征提取,剔除冗余不相关特征;其次提出了一种改进的果蝇优化算法(IFOA)对 LightGBM 进行超参数寻优;然后融合旋转森林和 LightGBM 生成 RotGBM,构建了新的故障诊断模型;最后利用某矿山挖掘机发动机故障数据对模型进行了验证,并与其他常用方法进行了性能对比分析。仿真结果表明:所提方法的诊断性能优于其他诊断方法,能达到 98.
3、31%的诊断精度,0.22%的误报率和 2.5%的漏检率,满足矿山挖掘机发动机的故障诊断要求。关键词 矿用挖掘机发动机 故障诊断 旋转森林 LightGBM FOA 中图分类号TD67 文献标志码A 文章编号1001-1250(2023)-09-156-08DOI 10.19614/ki.jsks.202309021Fault Diagnosis of Mining Excavator Engine Based on IFOA-RotGBMGU Qinghua1,2 SUN Wenjing1,2 LI Xuexian2,3(1.School of Resources Engineering,X
4、ian University of Architecture and Technology,Xian 710055,China;2.Xian Key Laboratory for Intelligent Industrial Perception,Calculation and Decision,Xian 710055,China;3.School of Management,Xian University of Architecture and Technology,Xian 710055,China)Abstract Aiming at the complex working mechan
5、ism,low fault diagnosis efficiency and low accuracy in mining excavator engine,a fault diagnosis method of mining excavator engine based on RotGBM optimized by IFOA is proposed.Firstly,the ran-dom forest-recursive feature elimination method(RF-RFE)is utilized to extract the features from the fault d
6、ata of excavator engine and eliminate redundant irrelevant features.Secondly,an improved fruit fly optimization algorithm(IFOA)is proposed to optimize the hyper-parameter of LightGBM.Then,RotGBM is generated by combining Rotation Forest and LightGBM,and a new fault diagnosis model is constructed.Fin
7、ally,the fault data of a mine excavator engine is used to verify the model,and the performance is compared with other commonly used methods.The simulation results show that the proposed method has better diagnostic performance than other diagnosis methods,and can reach 98.31%diagnosis accuracy,0.22%
8、false positive rate and 2.5%missed detection rate,which meets the requirements of fault diagnosis of mine excavator engine.Keywords mining excavator engine,fault diagnosis,rotation forest,LightGBM,FOA 随着“中国制造 2025”战略的提出,矿山机械设备故障诊断技术逐步向智能化方向发展,但由于复杂设备故障模式的多样化,现阶段设备故障诊断仍难以实现智能精准识别1。挖掘机是集机械、电子控制、液压等技术于
9、一体,自动化程度高的大型工程施工装配,在矿山采掘作业中承担着重要作用2。由于矿山恶劣复杂、高强度、高负荷的作业环境以及日常维修不当,其发动机极易发生磨损甚至致命故障,进而导致停机。如果故障不及时诊断,不仅影响矿山既定的生产计划,给企业带来经济损失,严重时还会威胁人身安全3。因此,对矿用挖掘机发动机故障进行快速诊断,精准定位故障点,实现早期预警,对保障矿山安全高效开采以及实现经济效益最大化至关重要。目前对挖掘机的故障诊断研究大都集中于对液压系统的诊断,对发动机的诊断研究相对匮乏4-5。由于挖掘机体型较大,各系统组成之间故障关联性较强,导致大多数发动机故障具有一定的复杂性和隐蔽性。虽然目前国内几大
10、重工企业都上线了远程监控651与诊断平台,但是智能化程度较国外差距很大,很多故障仍需依赖工程师停机诊断,导致诊断精度和效率很低6,所以寻找一种鲁棒精确的故障识别方法作为辅助很有必要。为了提高诊断精度,各种基于人工智能的复杂机械设备故障诊断方法被应用到发动机故障诊断中,如神经网络7、支持向量机8、深度学习9、随机森林10等。张攀等7针对角加速度分析法对于发动机单缸失火诊断的局限性,提出一种将瞬时转速信号和人工神经网络相结合的发动机失火诊断方法。本研究团队8为了提高矿用卡车发动机的故障检测精度,提出一种基于 CSSA 参数优化的 F-SVM 模型对矿用卡车发动机进行故障预测。白雲杰等9针对柴油机缸
11、盖振动信号非线性特点,提出一种改进变分模态分解和深度神经网络相结合的柴油机混合故障诊断方法。魏东海等10提出将小波包分解和随机森林相结合用于发动机故障预测,该方法比单一分类器能更准确地诊断出柴油机的故障状态。上述方法对于提升故障诊断精度发挥了一定的作用,但由于算法本身的不足导致诊断方法存在一定的局限性。例如 SVM、神经网络等都属于单一分类器,存在泛化能力弱、过拟合等问题;深度学习算法虽然特征信息提取方便,但训练时间很长,不利于故障诊断的及时性;随机森林模型虽然泛化能力强,但是其训练受决策树数目影响,在噪声较大的数据集上容易过拟合。基于随机森林中随机性注入可以提高分类精度的思想,RODRIGU
12、EZ 等11提出了旋转森林(Rotation Forest,RotForest)算法,利用主成分分析(PCA)来转换原始特征空间,以促进基分类器间的多样性来提高分类精度。然而旋转森林需要执行多个 PCA 计算来生成旋转特征空间,存在一定的训练耗时。LightG-BM 作为一种新的集成学习框架,不仅具有较快的训练速度,而且分类性能也很好。但 LightGBM 的超参数很多,存在较大的不确定性,对分类精度有很大影响。文献12-13分别选用 PSO、GWO 算法对 Light-GBM 进行参数寻优,但这些算法存在收敛速度慢、易陷入局部极值等不足,影响了 LightGBM 的分类性能。针对以上问题,本
13、研究提出了一种基于改进果蝇算法优化 RotGBM 的矿用挖掘机发动机故障诊断方法。首先通过 RF-RFE 方法对发动机的故障数据进行特征提取,减少不必要的资源消耗。其次从两个方面对旋转森林进行改进生成 RotGBM 分类模型。然后考虑到 LightGBM 中超参数的不确定性会给故障诊断结果带来很大影响,选用改进的果蝇算法对 Light-GBM 的重要超参数进行优化,构建最终的 IFOA-Rot-GBM 故障诊断模型,实现挖掘机发动机故障的快速精准诊断。1 理论基础1.1 RF-RFE 特征提取RF-RFE 算法由随机森林(Random Forest,RF)和递归特征消除(Recursive F
14、eature Elimination,RFE)两者构成14。该方法先通过 RF 对故障数据计算特征重要性并排序;然后用 RFE 算法迭代剔除重要性较小的特征,最终得到一个特征数量最少、分类性能最好的发动机故障特征集15。1.2 旋转森林旋转森林的总体思想是利用 PCA 旋转原始特征轴,将不同的训练集分配给每个基分类器,以促进多样性。通过保留全部主成分训练基分类器来寻求准确性。假定 有 一 个 数 据 集 H=X,Y,其 中 X=x1,x2,xm是一个具有 m 个样本和 n 个特征的训练集,Y=y1,y2,ym 表示训练集 X 对应的类标签。用 D1,Di,DL表示 L 个基分类器,F 代表特征
15、集,则该模型的训练步骤为:首先,将 F 随机分成 k 个子集,每个子集都具有 r r=F/k()个特征;其次,对于每个特征子集 Fijj=1,2,k(),提取相应的样本子集进行重采样,然后将 PCA 应用到该样本子集上得到新样本子集;重复上述步骤,得到多个新样本子 集,并 在 新 样 本 子 集 上 建 立 基 分 类 器 Dii=1,2,L();最后集成这 L 个基分类器,得到最终的旋转森林模型。1.3 LightGBMLightGBM 是一种新的基于 GBDT 的集成学习框架,主要针对现有的 GBDT 和 XGBoost 在节点分裂准则和解决高维问题方面存在不足而提出的16。相比于 GBD
16、T 和 XGBoost,LightGBM 分别采用基于梯度的单边采样(GOSS)和互斥特征绑定(EFB)技术来处理大规模数据样本和高维特征,并基于直方图算法寻找最优特征分割点,再通过具有深度限制的 leaf-wise 策略生成决策树。LightGBM 还支持投票并行、数据并行和特征并行,在保证准确率的同时大大提升了训练速度。2基于 IFOA 优化的 RotGBM 故障诊断模型2.1 RotGBM 模型根据 RotForest 基本原理分析可知,训练一个RotForest 模型比较耗时。本研究从降低 PCA 的计算复杂度和整个模型训练时 PCA 的计算次数两个方面对旋转森林进行改进。RotGBM
17、 算法框架如图 1 所751 顾清华等:基于 IFOA-RotGBM 的矿用挖掘机发动机故障诊断 2023 年第 9 期示。RotGBM 保留了原始 RotForest 的主要结构,但也增加了一些变化来减少训练时间。图 1 RotGBM 算法框架Fig.1 Framework of RotGBM algorithm2.1.1 PCA 计算复杂度降低策略传统的 PCA 需要先计算特征的协方差矩阵,然后对其分解得到旋转矩阵。当数据维数较高时,分解协方差矩阵的计算量很大,消耗大量的计算时间。而奇异值分解(SVD)则可以直接对特征矩阵进行分解得到旋转矩阵,无需计算协方差矩阵。因此,本研究采用 SVD
18、来实现 PCA 运算,以降低 PCA 的计算复杂度。快速 PCA 运算的主要步骤如下:步骤 1:对数据集 X 用式(1)进行标准化处理,得到均值为 0、标准差为 1 的矩阵 Xmn,而 Xmn对应的特征矩阵为 Fmn。xi=x-xmeanxstd,(1)式中,xi为标准化值;x 为原始值;xmean为 x 的平均值;xstd为 x 的标准差。步骤 2:根据式(2)对 Fmn进行奇异值分解,得到 Fmn的特征向量和特征值矩阵:Fmn=UmmSmnVTnnUmm=eigvector FmnFTmn()Vnn=eigvector FTmnFmn()Smn=eigvalue FTmnFmn(),(2)
19、式中,矩阵 Fmn可以通过 SVD 方法直接分解为 Umm、Smn和 VTnn;Vnn是 Fmn的特征向量矩阵,即所需的旋转变换矩阵;Smn是由奇异值组成的对角矩阵;Umm为左奇异矩阵;eigvector()为求矩阵特征向量的函数;eigvalue()为求矩阵特征值的函数。步骤 3:利用式(3)将数据集映射到新的特征空间得到旋转后的数据集 Xrotate:Xrotate=Xmn Vnn.(3)2.1.2 PCA 计算次数缩减策略为提升整个模型的训练速度,使用 LightGBM 来训练基分类器。假设最终的 RotForest 模型包含 L 棵树,即 RotForest 的集成大小为 L,特征集被
20、随机分为Q 个特征子集。对于基本的 RotForest,需要很长时间来训练这 L 棵树,因为每生成一棵树,都要对每个特征子集进行 PCA 计算,所以整个过程中 PCA 共被计算 LQ 次。但当使用 LightGBM 作为基分类器时,在总计生成 L 棵树的条件下,将 RotForest 和 LightGBM的集成大小分别设为 S 和 T(ST=L)。换言之,一个RotForest 包含 S 个 LightGBM 基分类器,一个 LightG-BM 基分类器包含 T 棵树,因此 RotGBM 中 PCA 总计只执行 SQ 次,如此便可在保证分类精度的同时显著提升训练速度。最后通过多数投票策略将各基
21、分类器的预测结果进行整合,得到最终的预测类别。对于一个样本 x,其预测标签可通过式(4)得出。yx=arg maxyYQi=1I Six()=y.(4)2.2 果蝇优化算法及其改进果蝇优化算法(FOA)是潘文超于 2011 年提出的一种群智能进化算法17。相比于其他智能优化算法,该算法求解流程简单,可调整参数少,同时具有较快的搜索速度和较低的算法复杂度,已在复杂函数优化、神经网络、SVM 分类器参数优化等领域取得了较好的应用效果18-20。但是传统的 FOA 算法在收敛速度和求解能力方面还存在一定的不足,并且容易陷入局部收敛。本研究从两个方面对果蝇算法进行改进,提出了一种新的改进果蝇算法(IF
22、OA)。2.2.1 加入动态调整步长策略在 FOA 算法中,搜索步长 R 固定为常数,若 R 设置过小,则收敛速度慢;若 R 设置过大,则局部寻优能力降低。故本研究通过加入动态调整步长策略,平衡算法的全局搜索与局部搜索能力,主要步长更新公式为Xi=Xaxis+RRandvalueYi=Yaxis+RRandvalue,(5)R=e0agc,(6)c=gGmax+1-tangGmax(),(7)式中,Xaxis和 Yaxis是果蝇群体的初始位置;e0为初始权重,设为 1.5;a 为权重系数,设为 0.9;g 为当前迭851总第 567 期 金 属 矿 山 2023 年第 9 期代次数;c 为过渡
23、参数;Gmax为最大迭代次数。则 R的变化曲线如图 2 所示。图 2 搜索步长 R 的变化曲线Fig.2 Variation curve of search step size R由图 2 可知:随着迭代次数增大,R 呈非线性递减趋势变化。在迭代初期,R 较大,使果蝇能在全局范围内搜索;在算法后期,R 逐步减小,使果蝇能够在某一区域更加精细地搜索。2.2.2 引入莱维飞行策略在果蝇搜索过程中,一旦发现最优个体,所有果蝇都会向最优位置靠拢,若该位置只是局部最优而非全局最优位置,则整个种群都会陷入局部最优。莱维飞行是遵循莱维分布的随机搜索方法,可以产生长短不一的搜寻距离,当算法跳入局部区域时,偶尔
24、的长距离可以帮助算法跳出局部最优。故引入莱维飞行策略,在果蝇搜寻过程中增添合理的随机性来保证种群多样性,防止跳入局部最优。主要改进策略如下:Xi=Xi+R Xi-Xbest()Levy()Yi=Yi+R Yi-Ybest()Levy(),(8)式中,Xbest和 Ybest是上一代找到的果蝇最优位置;为点乘;Levy()为遵循 Levy 分布的搜寻路径且 13。一般采用 Mantegna 提出的计算公式来求解 Levy()21:s=1/,(9)式中,s 为搜索路径 Levy();0,2(),一般取 =1.5;参数、是服从式(10)的正态分布随机数;其相应的标准差取值满足:N 0,2()N 0,
25、2(),(10)=1+()sin/2()1+()/22-1()/21/=1 .(11)2.3 IFOA 优化 RotGBM 的故障诊断流程在上述建立的 RotGBM 模型中,由于 LightGBM的超参数很多,存在很大的不确定性,影响最终的诊断结果。为了提高整体诊断模型的精度,本研究采用IFOA 对 LightGBM 中的 5 个重要超参数进行寻优,以得到更为精确的发动机故障诊断模型,超参数的具体信息见表 1。表 1 LightGBM 超参数基本信息Table 1 Basic information of LightGBM hyperparameter超参数默认值寻优范围说明n_estimat
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 IFOA RotGBM 挖掘机 发动机 故障诊断
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。