[發明專利]一種引入權重因子的大型水力機械智能診斷方法

有效

• 申請號: 201811057945.1
• 申請日: 2018-09-11
• 公開（公告）號: CN109297689B
• 公開（公告）日: 2020-11-06
• 發明（設計）人: 田雨;雷曉輝;劉小蓮;劉梅;張備;王浩;蔣云鐘;樊紅剛;廖衛紅;蔡思宇
• 申請（專利權）人: 中國水利水電科學研究院
• 主分類號: G01M13/00
• 分類號: G01M13/00;G01M7/02
• 代理公司: 北京市盛峰律師事務所 11337
• 代理人: 梁艷

1.一種引入權重因子的大型水力機械智能診斷方法，其特征在于，包括如下步驟：

S1，在泵站機組工作時的每種工況下，獲取機組每個監測部件上的原始監測信號；

S2，利用深度森林的多粒度掃描對所述原始振動信號進行特征轉換，得到轉換后特征；

S3，將S2得到的轉化后的特征代入引入權重因子的深度森林的級聯森林中進行有監督的逐級訓練，根據收斂條件，得到各最終級別的估計類向量；

在訓練過程中，對每一級級聯森林輸出的特征向量均引入權重因子，得到改進的特征向量，并將該改進的特征向量作為下一級級聯森林的輸入；

S4,將S3中得到的各最終級別的估計類向量，以極端梯度提升法融合結果，得到最終的分類結果，完成故障診斷；

S3包括如下步驟；

S301,將S2得到的轉化后的特征帶入到上一級的隨機森林和完全隨機森林中，得到該級別的每個隨機森林對應生成的一個估計類向量；

S302,根據估計類向量與對應的樣本標簽，評估對應森林的分類準確率，基于對分類準確率高的森林對應的估計類向量賦予高的權重，分類準確率低的森林對應的估計類向量賦予低的權重的思想，對每個估計類向量引入權重因子，得到引入權重因子的估計類向量；

S303,將上一級得到的所述引入權重因子的估計類向量與該級別輸入的特征向量連接在一起形成一個新的特征向量，所述新的特征向量作為下一級級聯森林的輸入，所述新的特征向量帶入到該級別的隨機森林和完全隨機樹森林中，得到該級別的級聯森林對應生成的估計類向量；

S304,重復S303，進行逐級特征學習，直至k折交叉驗證的結果收斂，得到各最終級別的估計類向量；其中，K折交叉驗證是指初始采樣分割成K個子樣本，一個單獨的子樣本被保留作為驗證模型的數據，其他K-1個樣本用來訓練。

2.根據權利要求1所述的引入權重因子的大型水力機械智能診斷方法，其特征在于，S1具體為，在泵站機組的多個關鍵部位處設置振動測點，用加速度傳感器采集每個振動測點在多種工況下的不同故障原始振動信號。

3.根據權利要求2所述的引入權重因子的大型水力機械智能診斷方法，其特征在于，所述關鍵部位包括水泵基礎構件、軸承支架和電機基礎構件。

4.根據權利要求2所述的引入權重因子的大型水力機械智能診斷方法，其特征在于，所述多種工況包括泵站主設備開機的過渡過程、主設備開機停機的過渡過程、不同流量下的運行工況、不同水位下的運行工況和不同功率下的運行工況。

5.根據權利要求2所述的引入權重因子的大型水力機械智能診斷方法，其特征在于，所述原始振動信號包括不平衡故障信號、不對中故障信號、碰磨故障信號和不對中、碰撞組合故障信號。

6.根據權利要求1所述的引入權重因子的大型水力機械智能診斷方法，其特征在于，S2包括如下步驟：

S201，將每個所述原始振動信號均作為特征輸入，采用m種不同大小的滑動特征窗口掃描一個K維特征的原始振動信號，生成相應維度的訓練樣本，所述訓練樣本的個數采用如下公式計算；

其中，w_i為滑動特征窗口的大小，s_i為滑動步長，n_i為滑動特征窗口掃描一個K維特征的振動信號所產生的訓練樣本的個數；

S202，利用n_i個訓練樣本分別去訓練一個隨機森林和一個完全隨機樹森林，生成n_i個與故障類別數相同的類向量；

S203,將n_i個與故障類別數相同的類向量連接起來，作為多粒度掃描轉換后的特征向量。

7.根據權利要求6所述的引入權重因子的大型水力機械智能診斷方法，其特征在于，S202中，所述隨機森林的構建方法為：隨機選擇個特征，選擇最佳的基尼系數值的一個特征進行分裂，其中，基尼系數表達式為：

式中，d為第j個故障類別的故障樣本數量，n_i為每個振動信號樣本產生的子訓練樣本的數量。

8.根據權利要求7所述的引入權重因子的大型水力機械智能診斷方法，其特征在于，S202中，所述完全隨機樹森林的構建方法為：隨機選擇一個特征在決策樹的節點進行分裂，直到每個葉節點只包含同一類實例或者少于設置的最少樣本數。