[發(fā)明專利]一種基于TPE-XGBoost的旋轉(zhuǎn)機械多參數(shù)健康狀態(tài)評估方法

在審

• 申請?zhí)枺?/td>: 202110590308.6
• 申請日: 2021-05-28
• 公開（公告）號: CN113505639A
• 公開（公告）日: 2021-10-15
• 發(fā)明（設(shè)計）人: 馮坤;楊李平;李周正;江志農(nóng)
• 申請（專利權(quán)）人: 北京化工大學(xué)
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 重慶宏知億知識產(chǎn)權(quán)代理事務(wù)所(特殊普通合伙) 50260
• 代理人: 梁山丹

一種基于TPE?XGBoost的旋轉(zhuǎn)機械多參數(shù)健康狀態(tài)評估方法，針對機械設(shè)備上采集的振動信號，首先使用巴特沃斯濾波器進行濾波得到高于1KHz與低于1KHz兩部分，再提取有效值、峭度因子、峰值因子、歪度因子、裕度因子五個振動敏感參數(shù)；然后使用SMOTE?ENN方法進行訓(xùn)練樣本均衡；最后使用TPE優(yōu)化算法進行XGBoost模型指定超參數(shù)空間進行迭代尋優(yōu)，在最優(yōu)參數(shù)下訓(xùn)練得到評估模型。兩個實際工業(yè)案例證明本發(fā)明獲得的評估模型可以輸出狀態(tài)概率，能夠充分反映機械設(shè)備的健康狀態(tài)信息，提高故障診斷準確率。

技術(shù)領(lǐng)域

本發(fā)明涉及一種旋轉(zhuǎn)機械的健康評估方法，特別涉及一種基于TPE-XGBoost的多參數(shù)融合旋轉(zhuǎn)機械健康評估方法。

背景技術(shù)

設(shè)備故障自動識別是工業(yè)互聯(lián)網(wǎng)領(lǐng)域中一個重要研究領(lǐng)域。一般大型設(shè)備中包含有許多中小型的旋轉(zhuǎn)機械部件，準確地預(yù)測這些中小型旋轉(zhuǎn)機械的健康狀態(tài)對大型設(shè)備的健康穩(wěn)定運行不可或缺。在旋轉(zhuǎn)機械設(shè)備上安裝傳感器，可以監(jiān)測到若干參數(shù)，通過監(jiān)測某些特定參數(shù)可以識別出設(shè)備是否發(fā)生故障。故障診斷工程師們在對設(shè)備進行診斷時，通過觀測多個參數(shù)、分析并整合這些參數(shù)所傳達出來的信息，從而對設(shè)備的健康狀態(tài)進行準確的評估。一般來說，觀測的參數(shù)越多，這些參數(shù)所反映出設(shè)備的健康狀態(tài)越準確。但是這會增加工程師們的工作難度，一定程度上降低監(jiān)測效率。另外，為了及早地發(fā)現(xiàn)機械出現(xiàn)了的微小故障，健康狀態(tài)監(jiān)測方法還應(yīng)該能夠根據(jù)以往的運行數(shù)據(jù)預(yù)測出未來短時間內(nèi)的運行數(shù)據(jù)，以做到及時預(yù)警。

為了改善由于同時觀測大量參數(shù)而導(dǎo)致的工作難度增加和監(jiān)測效率降低的問題，一些方法根據(jù)觀測到的多個參數(shù)來構(gòu)造出特定的健康指數(shù)表征設(shè)備健康狀態(tài)，這種方法往往對工程師的專家知識要求較高。一般來說，觀測參數(shù)越多，所反映出的設(shè)備健康狀態(tài)也越準確，但這會進一步增加工作難度，降低監(jiān)測效率與有效性。

為了改善由于同時觀測大量參數(shù)而導(dǎo)致的工作難度增加和監(jiān)測效率降低的問題，一些方法嘗試構(gòu)造出某個指定指數(shù)來反映設(shè)備的運行狀態(tài)。這種方法包括簡單指數(shù)法和復(fù)雜指數(shù)法兩種。簡單指數(shù)法主要指從原始振動信號中提取特定的特征參數(shù)構(gòu)建健康指數(shù)模型，復(fù)雜指數(shù)法大多基于實驗數(shù)據(jù)展開，如采用試驗方法，計算正常軸承振動信號與已知性能退化軸承信號的互相關(guān)系數(shù)，用它作為健康指數(shù)表征軸承的健康狀態(tài)并用于軸承剩余壽命預(yù)測。然而，建模和對比所用數(shù)據(jù)集均為實驗數(shù)據(jù)，因此模型泛化性可能較低。

近年來，機器學(xué)習(xí)方法已被證明可以有效解決上述問題。如針對生產(chǎn)系統(tǒng)中成分的退化和機械的磨損，利用ANN技術(shù)實現(xiàn)故障的檢測和診斷；使用支持向量機和聚類方法對故障模式進行識別等。上述方法均在各個工業(yè)案例中得到了較好的驗證。但是，神經(jīng)網(wǎng)絡(luò)算法的基礎(chǔ)時基于漸進理論的傳統(tǒng)統(tǒng)計學(xué)，只有在學(xué)習(xí)樣本數(shù)目趨于無窮大時，其識別性能才能有理論上的保證。支持向量機等機器學(xué)習(xí)方法則對模型超參數(shù)有較高要求，同時無法有效解決訓(xùn)練樣本不平衡的問題。

發(fā)明內(nèi)容

本發(fā)明的目的是為了克服已有技術(shù)中訓(xùn)練樣本不平衡時模型表現(xiàn)性能差、超參數(shù)優(yōu)化效率低、預(yù)測精度低的問題。本發(fā)明提出的方法是一種融合SMOTE-ENN方法、 TPE(Tree-structured Parzen Estimator,樹狀Parzen估計)優(yōu)化算法和XGBoost(eXtremeGradient Boosting,極值梯度提升樹)的自動機器學(xué)習(xí)方法。該方法可以有效解決本領(lǐng)域研究中訓(xùn)練樣本不均衡、故障樣本少的問題，構(gòu)建出一個高性能的訓(xùn)練集，并使用TPE優(yōu)化算法對模型超參數(shù)進行優(yōu)化，避免了繁瑣低效的超參數(shù)調(diào)試。該方法通過對已有全生命周期數(shù)據(jù)樣本的離線訓(xùn)練，可以在線評估出正在服役設(shè)備的健康狀態(tài)。

該方法在實際應(yīng)用中主要包含以下具體流程：

(1)離線訓(xùn)練：

a)獲取設(shè)備全生命周期運行數(shù)據(jù)，并結(jié)合專家經(jīng)驗方法對明顯設(shè)備狀態(tài)進行少量標簽。

b)對每一時段波形使用高低通濾波法分離出低于1KHz與高于1KHz的兩部分波形數(shù)據(jù)，對這兩部分數(shù)據(jù)提取五個振動敏感時域參數(shù)：有效值、峭度因子、峰值因子、歪度因子、裕度因子。