[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

本發明公開了一種引入權重因子的大型水力機械智能診斷方法，涉及水力機械故障診斷技術領域。該方法，首先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，然后將轉換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，最終以極端梯度提升法(XGBoost)融合結果，得到最終分類結果，完成泵站機組智能診斷。利用深度森林模型，避免了深度神經網絡應用于故障診斷領域中的復雜的理論分析、繁瑣的調參過程；利用權重因子對類向量進行修正，提高了故障診斷的準確性和有效性；以極端梯度提升法(XGBoost)融合結果，進一步提高了診斷的智能化和準確性，實現了從原始監測數據的端對端的智能故障診斷。

技術領域

本發明涉及水力機械故障診斷技術領域，尤其涉及一種引入權重因子的大型水力機械智能診斷方法。

背景技術

泵站在工業、農業、生產生活中都舉足輕重，因此泵站的可靠運行至關重要。傳統的檢修措施是定期維修、事后維修，這種檢修方法存在很大的弊端，很多情況下機械設備已經明顯出現故障但是檢修期限還沒到，需要經過多層申請才能進行檢修，經常檢修是會出現機器已經出現嚴重磨損，達到了報廢的程度，也有時會發現檢修過程中機組的狀況良好，根本不用檢修，但是在檢修過程中反而使機組的配合不如檢修前，而引發一定的故障，這種維修政策下經常會遇到維修不足和過剩檢修，這樣不僅對機組產生損害，而且增加了機組的停機時間降低了機組的生產效率，增加了機組運行的成本。改變傳統的檢修方式，實現機組在線監測，在對泵機組故障診斷的基礎上實現按需維修，及時發現機組的故障，快速找到機組故障的位置，從而減少機組的停機時間，提高機組的工作效率，降低運行成本，同時也能夠減少泵站事故的發生，從而避免機毀人亡的惡性事故。在故障診斷的基礎上逐漸向泵站運行的智能化轉化，減少泵站運行人員從而實現少人值守或者無人值守。

由于大量的故障特征信息存在于振動信號之中，故振動信號分析是泵站機組狀態監測中的常用方法。目前基于泵站機組的原始振動信號進行故障診斷常采用的方法可描述為利用信號處理技術提取故障特征，利用機器學習技術對各種故障進行分類。然而從原始振動信號手工提取和選擇的敏感特征在很大程度上除了依賴于信號處理技術，往往還取決于對現場專業知識的了解。如果提取的手動特征不太好，那么得到的診斷結果就有很大的幾率不準確。其次，傳統的故障診斷往往利用支持向量機、決策樹等淺層分類方法，這種淺層學習方法往往無法自動識別各個特征的權重，從而導致診斷精度不高。

近年來，隨著深度學習在各個領域如語音識別，行為識別等的發展，基于深度學習理論的智能故障診斷技術有了很大突破，但直接利用深度神經網絡對原始振動信號進行端到端的特征提取和故障分類，不僅理論分析困難，調參極其復雜，計算耗時巨大，并且有時并不能取得很好的診斷效果。因此，深度森林的出現解決了上述問題，但針對為了進一步提高診斷的精度與效率，需對深度森林進行改進以更好地適用于基于原始振動信號的泵站端對端智能故障診斷。

發明內容

本發明的目的在于提供一種引入權重因子的大型水力機械智能診斷方法，從而解決現有技術中存在的前述問題。

為了實現上述目的，本發明采用的技術方案如下：

一種引入權重因子的大型水力機械智能診斷方法，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。