[發(fā)明專利]基于差異演化的互補分類回歸樹的故障診斷方法及系統(tǒng)

有效

• 申請?zhí)枺?/td>: 202011211079.4
• 申請日: 2020-11-03
• 公開（公告）號: CN112507790B
• 公開（公告）日: 2023-09-29
• 發(fā)明（設(shè)計）人: 馬速良;李建林;李金林;李雅欣;李窮;譚宇良
• 申請（專利權(quán)）人: 北方工業(yè)大學(xué);北京聯(lián)智匯能科技有限公司;安徽綠沃循環(huán)能源科技有限公司
• 主分類號: G06F18/24
• 分類號: G06F18/24;G06F18/213;G06F18/2411;G06F18/214
• 代理公司: 北京高沃律師事務(wù)所 11569
• 代理人: 王立普

本發(fā)明涉及一種基于差異演化的互補分類回歸樹的故障診斷方法及系統(tǒng)。該方法包括：獲取樣本集合；樣本集合包括多種故障類別對應(yīng)的樣本信號，每個樣本信號為對應(yīng)故障類型下設(shè)備的運行信號；對樣本集合中每個樣本信號進行分析，得到所有樣本特征向量組成的樣本特征向量集合；根據(jù)樣本特征向量集合，以遺傳算法為差異性演化基礎(chǔ)獲得互補分類回歸樹模型；互補分類回歸樹模型包括原始分類回歸樹和互補分類回歸樹；基于分類回歸樹所有葉節(jié)點的基尼指數(shù)之和與葉節(jié)點數(shù)量，確定互補分類回歸樹模型中最優(yōu)的分類回歸樹，得到設(shè)備的故障診斷模型；基于設(shè)備的運行信號，采用設(shè)備的故障診斷模型對設(shè)備進行故障診斷。本發(fā)明可以提高設(shè)備故障診斷的性能。

技術(shù)領(lǐng)域

本發(fā)明涉及故障診斷領(lǐng)域，特別是涉及一種基于差異演化的互補分類回歸樹的故障診斷方法及系統(tǒng)。

背景技術(shù)

隨著機器學(xué)習(xí)和智能優(yōu)化技術(shù)的發(fā)展，面向運行設(shè)備狀態(tài)辨識的智能化監(jiān)測服務(wù)需求日益增加。分類回歸樹算法具有方法簡單易實現(xiàn)、解釋性強、可圖形化等優(yōu)勢常被用于運行設(shè)備健康情況監(jiān)控之中。但受數(shù)據(jù)噪聲和人為經(jīng)驗影響，往往提取運行設(shè)備監(jiān)測信號的特征龐大，易存在無效、冗余特征影響模型的診斷性能。為了獲得更為優(yōu)質(zhì)的診斷模型性能，智能優(yōu)化技術(shù)開始被應(yīng)用于優(yōu)化診斷模型參數(shù)或者分析特征重要程度之中。目前，對于基于智能優(yōu)化算法優(yōu)化模型參數(shù)的研究較多，一般基于額外的驗證數(shù)據(jù)或者交叉驗證方式設(shè)計對診斷模型性能的評價，對診斷模型參數(shù)實現(xiàn)有方向性的迭代優(yōu)化過程，形成優(yōu)質(zhì)的強診斷模型。但是，在訓(xùn)練數(shù)據(jù)集合測試數(shù)據(jù)集外，增加額外驗證數(shù)據(jù)的方式往往只有在大數(shù)據(jù)樣本規(guī)模的應(yīng)用中才有意義；而將訓(xùn)練數(shù)據(jù)集拆分多個子集的交叉驗證方式存在過程復(fù)雜、計算量較大、樣本集合劃分影響較大、易造成訓(xùn)練數(shù)據(jù)容量降低等問題。從另外一個角度上講，故障診斷性能受數(shù)據(jù)、特征、模型等多個方面影響，過度強調(diào)診斷模型參數(shù)的優(yōu)化忽視了特征優(yōu)劣造成的影響，造成診斷性能提升有限。

為了降低人逐一工排查部件故障的時間、成本以及提升故障診斷技術(shù)的應(yīng)用性能、適用性，靈活結(jié)合運行設(shè)備故障診斷方法和智能優(yōu)化方法，研發(fā)高效率、高精度的在運設(shè)備故障檢測方法具有重大而深遠的意義。

發(fā)明內(nèi)容

本發(fā)明的目的是提供一種基于差異演化的互補分類回歸樹的故障診斷方法及系統(tǒng)，以提高設(shè)備故障診斷的性能。

為實現(xiàn)上述目的，本發(fā)明提供了如下方案：

一種基于差異演化的互補分類回歸樹的故障診斷方法，包括：

獲取樣本集合；所述樣本集合包括多種故障類別對應(yīng)的樣本信號，每個樣本信號為對應(yīng)故障類型下設(shè)備的運行信號；

對所述樣本集合中每個樣本信號進行分析，得到每個樣本信號對應(yīng)的樣本特征向量，進而得到所有樣本特征向量組成的樣本特征向量集合；

根據(jù)所述樣本特征向量集合，以遺傳算法為差異性演化基礎(chǔ)獲得互補分類回歸樹模型；所述互補分類回歸樹模型包括原始分類回歸樹和互補分類回歸樹，所述原始分類回歸樹為原始種群對應(yīng)的分類回歸樹，所述互補分類回歸樹模型為互補種群對應(yīng)的分類回歸樹；

基于分類回歸樹所有葉節(jié)點的基尼指數(shù)之和與葉節(jié)點數(shù)量，確定所述互補分類回歸樹模型中最優(yōu)的分類回歸樹，得到設(shè)備的故障診斷模型；

基于所述設(shè)備的運行信號，采用所述設(shè)備的故障診斷模型對所述設(shè)備進行故障診斷。

可選的，所述根據(jù)所述樣本特征向量集合，以遺傳算法為差異性演化基礎(chǔ)獲得互補分類回歸樹模型，具體包括：

初始化遺傳算法的參數(shù)；所述遺傳算法的參數(shù)包括：初始種群和迭代停止條件，所述初始種群中每個個體用二進制編碼表示，每個個體的二進制編碼長度為樣本特征向量的特征數(shù)量；

對于每一次迭代，獲取當(dāng)前迭代的原始種群和互補種群；當(dāng)前迭代的所述互補種群中第j個個體的二進制編碼為所述原始種群中第j個個體的二進制編碼進行0和1互置后得到的編碼序列；當(dāng)當(dāng)前迭代為第1次迭代時，當(dāng)前迭代的原始種群為所述初始種群；