基于故障树和迁移学习的堆垛机故障诊断方法技术

本发明专利技术公开了基于故障树和迁移学习的堆垛机故障诊断方法，包括如下步骤：采集堆垛机的故障信息；将所述故障信息分类为数字信息及文字信息；对所述数字信息进行预处理得到故障数据有效IMF分量的瞬时振幅；利用迁移学习故障诊断模型对故障数据有效IMF分量的瞬时振幅进行分析，生成第一故障原因信息；利用故障树模型对文字信息进行分析，生成第二故障原因信息。本发明专利技术公开的基于故障树和迁移学习的堆垛机故障诊断方法能够实时采集堆垛机的数据，及时发现故障，且能够准确判断引起故障的原因。

【技术实现步骤摘要】
基于故障树和迁移学习的堆垛机故障诊断方法
本专利技术涉及故障检测
，尤其涉及基于故障树和迁移的堆垛机故障诊断方法。
技术介绍
随着科技水平的不断提高，物流业、存储业、管理业在市场扮演着必不可少的角色，而这也推动了自动化立体仓库在汽车、电子、医药、烟草、建材、邮电等行业的应用越来越广泛，使得自动化成为实现物流系统合理化的关键，在加快物流速度、提高劳动生产率、降低生产成本都有重要意义。其中，堆垛机必是自动化立体仓库中最重要的搬运、起重、堆垛设备，对立体仓库的工作效率有重要影响。在堆垛机工作的过程中不可避免产生一系列故障问题，而在这些故障中，必然存在由一个原因引起的故障，也会存在由多个原因引发的故障。现有技术中，堆垛机故障检测方法一直处于传统的定时检修模式，不能及时发现故障，且难以准确判断引起故障的原因。因此，本专利技术公开了基于故障树和迁移的堆垛机故障诊断方法及系统，能够实时采集堆垛机的数据，及时发现故障，且能够准确判断引起故障的原因。
技术实现思路
针对现有技术存在的上述不足，本专利技术公开了基于故障树和迁移学习的堆垛机故障诊断方法，能够实时采集堆垛机的数据，及时发现故障，且能够准确判断引起故障的原因。为解决上述技术问题，本专利技术采用了如下的技术方案：基于故障树和迁移学习的堆垛机故障诊断方法，包括如下步骤：采集堆垛机的故障信息；将所述故障信息分类为数字信息及文字信息；对所述数字信息进行预处理得到故障数据有效IMF分量的瞬时振幅；利用迁移学习故障诊断模型对故障数据有效IMF分量的瞬时振幅进行分析，生成第一故障原因信息；利用故障树模型对文字信息进行分析，生成第二故障原因信息。优选地，所述数字信息为使用堆垛机上安装的霍尔电流传感器测量得到的堆垛机运行电流信息。优选地，获取的数字信息存储在excel文件内，对数字信息进行预处理包括如下步骤：利用区间均值平滑算法对获得的数字信息进行处理，使得数据在每一个距离区间内分布均衡；利用插值算法对区间均值平滑后的数字信息进行插值，获得完整的故障数据；对完整的故障数据进行EEMD分解，计算分解后的故障数据与未分解的故障数据的相关系数，获取相关系数最大的预设个数个故障数据，将所述故障数据分解后的IMF分量作为所述故障数据有效IMF分量；利用希尔伯特变换获得所述故障数据有效IMF分量的瞬时振幅。优选地，对数字信息进行区间均值平滑的过程如下所示：利用MTALAB软件中的xlsread函数读取保存数字信息的excel文件中的data数据；在data数据中搜索等于NAN的元素，并将其去除；设置均值区间，均值区间内的数据点集为DI(t)，其中，DI(t)＝[d1(t)d2(t)…dM(t)]，I表示第I个距离区间，M表示距离区间里的数据点个数，第I个距离区间的数据点的均值为DI'(t)，其中，j1＝1，2，3，…，M，dj1(t)表示第I个距离区间里的第j1个数据点。优选地，建立迁移学习故障诊断模型的步骤如下：获取源数据及辅助数据，所述源数据为堆垛机历史运行数据，所述辅助数据为实验室中的堆垛机运行数据；对源数据进行EEMD分解，计算分解后的源数据与未分解的源数据的相关系数，获取相关系数最大的m个分解后的源数据的IMF分量作为源数据有效IMF分量；利用希尔伯特变换获得所述源数据有效IMF分量的瞬时振幅；基于有效IMF分量的瞬时振幅生成源数据样本Ta，其中，i1＝1,2,...,m，是第i1个源数据有效IMF分量的瞬时振幅，是第i1个源数据有效IMF分量对应的故障类别；对辅助数据进行EEMD分解，计算分解后的辅助数据与未分解的辅助数据的相关系数，获取相关系数最大的n个分解后的辅助数据的IMF分量作为辅助数据有效IMF分量；利用希尔伯特变换获得所述辅助数据有效IMF分量的瞬时振幅；基于有效IMF分量的瞬时振幅生成辅助数据样本Tb，其中，j2＝1,2,...,n，是第j2个辅助数据有效IMF分量的瞬时振幅，是第j2个辅助数据有效IMF分量对应的故障类别；利用迁移学习中的TrAdaBoost算法基于源数据样本Ta及辅助数据样本Tb训练迁移学习故障诊断模型。优选地，训练迁移学习故障诊断模型的方法包括：步骤1：将数据集T＝{Ta,Tb}作为训练样本，将数据集作为测试样本，设置迭代总次数为N，设置当前迭代次数t为0，其中k为训练样本中的样本个数；步骤2：初始化权重向量其中，m+n为训练样本总数，是每个样本的权重；设置步骤3：将当前迭代次数t的值加1，计算q为第q个训练样本；步骤4：利用朴素贝叶斯分类算法，得到测试集S上的分类器ht；步骤5：计算分类器ht在数据集Ta上的错误率εt，其中其中表示第t次迭代的第l2个样本的权重；步骤6：计算βt＝εt/(1-εt)，设置分类器ht的权重参数为步骤7：更新权重，即若t＜N，执行步骤3，若t＝N，执行步骤8；步骤8：得到最终分类器优选地，故障树的根节点为堆垛机故障，堆垛机故障的下一层节点包括运行机构故障、通信故障及任务中断故障；运行机构故障的下一层节点包括水平运行机构故障、起升机构故障及货叉伸缩机构故障；水平运行机构故障的下一层节点包括水平导向轮故障、激光测距仪故障、水平变频器故障及运行轨道故障；起升机构故障的下一层节点包括货物超载、起升变频器故障及载货台导向轮故障；货叉伸缩机构故障的下一层节点包括货叉轴承故障及检测器故障；通信故障的下一层节点包括PLC控制器故障及光通信故障；PLC控制器故障的下一层节点包括PLC硬件损坏及PLC存储卡损坏；光通信故障的下一层节点包括通信链路断及通信模块电源故障；通信链路断的下一层节点包括通信硬件接口损坏及通信线缆损坏；任务中断故障的下一层节点包括非法任务地址、满入及空出；满入的下一层节点包括放货货位被占用及放货通道被占用；放货货位被占用的下一层节点包括探货检测安装位置偏差及放货货位被占用误报；空出的下一层节点包括取货货位被占用及取货通道被占用；取货货位被占用的下一层节点包括探货检测安装位置偏差及取货货位被占用误报。优选地，采用Fussell算法对故障树进行从上到下的搜寻，计算故障树的最小割集，将故障树的最小割集作为第二故障原因信息。综上所述，本专利技术公开了基于故障树和迁移学习的堆垛机故障诊断方法，包括如下步骤：采集堆垛机的故障信息；将所述故障信息分类为数字信息及文字信息；对所述数字信息进行预处理得到故障数据有效IMF分量的瞬时振幅；利用迁移学习故障诊断模型对故障数据有效IMF分量的瞬时振幅进行分析，生成第一故障原因信息；利用故障树模型对文字信息进行分析，生成第二故障原因信息。本专利技术公开的基于故障树和迁移学习的堆垛机故障诊断方法能够实时采集堆垛机的数据，及时发现故障，且能够准确判断引起故障的原因。附图说明图1为本专利技术公开的基于故障树和迁移学习的堆垛机故障诊断方法的流程图；图2为本专利技术中故障树的示意图。具体实施方式为了使本专利技术的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术作进一步的详细描述说明。如图1所示，本专利技术公开了基于故障树和迁移学习的堆垛机故障诊断方法，包括如下步骤：S101、采集堆垛机的故障信息；S102、将故障信息分类为数字信息及文字信息；S103、对数字信息进行预处理得到故障数据有效IMF分量的瞬时振幅；S10本文档来自技高网...

【技术保护点】
1.基于故障树和迁移学习的堆垛机故障诊断方法，其特征在于，包括如下步骤：采集堆垛机的故障信息；将所述故障信息分类为数字信息及文字信息；对所述数字信息进行预处理得到故障数据有效IMF分量的瞬时振幅；利用迁移学习故障诊断模型对故障数据有效IMF分量的瞬时振幅进行分析，生成第一故障原因信息；利用故障树模型对文字信息进行分析，生成第二故障原因信息。

【技术特征摘要】
1.基于故障树和迁移学习的堆垛机故障诊断方法，其特征在于，包括如下步骤：采集堆垛机的故障信息；将所述故障信息分类为数字信息及文字信息；对所述数字信息进行预处理得到故障数据有效IMF分量的瞬时振幅；利用迁移学习故障诊断模型对故障数据有效IMF分量的瞬时振幅进行分析，生成第一故障原因信息；利用故障树模型对文字信息进行分析，生成第二故障原因信息。2.如权利要求1所述的基于故障树和迁移学习的堆垛机故障诊断方法，其特征在于，所述数字信息为使用堆垛机上安装的霍尔电流传感器测量得到的堆垛机运行电流信息。3.如权利要求1所述的基于故障树和迁移学习的堆垛机故障诊断方法，其特征在于，获取的数字信息存储在excel文件内，对数字信息进行预处理包括如下步骤：利用区间均值平滑算法对获得的数字信息进行处理，使得数据在每一个距离区间内分布均衡；利用插值算法对区间均值平滑后的数字信息进行插值，获得完整的故障数据；对完整的故障数据进行EEMD分解，计算分解后的故障数据与未分解的故障数据的相关系数，获取相关系数最大的预设个数个故障数据，将所述故障数据分解后的IMF分量作为所述故障数据有效IMF分量；利用希尔伯特变换获得所述故障数据有效IMF分量的瞬时振幅。4.如权利要求3所述的基于故障树和迁移学习的堆垛机故障诊断方法，其特征在于，对数字信息进行区间均值平滑的过程如下所示：利用MTALAB软件中的xlsread函数读取保存数字信息的excel文件中的data数据；在data数据中搜索等于NAN的元素，并将其去除；设置均值区间，均值区间内的数据点集为DI(t)，其中，DI(t)＝[d1(t)d2(t)…dM(t)]，I表示第I个距离区间，M表示距离区间里的数据点个数，第I个距离区间的数据点的均值为D'I(t)，其中，dj1(t)表示第I个距离区间里的第j1个数据点。5.如权利要求1所述的基于故障树和迁移学习的堆垛机故障诊断方法，其特征在于，建立迁移学习故障诊断模型的步骤如下：获取源数据及辅助数据，所述源数据为堆垛机历史运行数据，所述辅助数据为实验室中的堆垛机运行数据；对源数据进行EEMD分解，计算分解后的源数据与未分解的源数据的相关系数，获取相关系数最大的m个分解后的源数据的IMF分量作为源数据有效IMF分量；利用希尔伯特变换获得所述源数据有效IMF分量的瞬时振幅；基于有效IMF分量的瞬时振幅生成源数据样本Ta，其中，是第i1个源数据有效IMF分量的瞬时振幅，是第i1个源数据有效IMF分量对应的故障类别；对辅助数据进行EEMD分解，计算分解后的辅助数据与未分解的辅助数据的相关系数，获取相关系数最大的n个分解后的辅助数据的IM...

【专利技术属性】
技术研发人员：黄大荣，李书盼，周文娟，冉高伟，李坤阳，李彦，
申请(专利权)人：重庆交通大学，
类型：发明
国别省市：重庆,50