一种基于深度森林的餐厨余设备故障诊断方法技术

本发明专利技术公开了一种基于深度森林的餐厨余设备故障诊断方法，包括如下步骤：(1)对原始数据进行预处理；(2)使用深度森林算法对训练样本进行训练；(3)利用餐厨余设备故障诊断模型进行故障诊断；(4)故障类型的统计分析。本发明专利技术通过将深度学习算法与的故障诊断相结合，改善传统方法在故障类型诊断方面的困难，将深度学习分类算法的优点引进故障诊断领域，与传统的深度学习算法分析故障类型相比，深度森林分类算法的参数设置简单，能够自动学习特征，能自动确定级联森林的层数，诊断的精度高，诊断的结果更直接。

【技术实现步骤摘要】
一种基于深度森林的餐厨余设备故障诊断方法
本专利技术涉及一种基于深度森林的餐厨余设备故障诊断方法。
技术介绍
在生活垃圾分类全面推进之际，餐厨垃圾处理亦有了新内涵。基于垃圾处理的现状，若希望到2020年底城市基本建立餐厨垃圾回收和再生利用体系，实现就地高效、环保、无害化、资源化处置垃圾及日常生活垃圾，需要开发餐厨余设备。未来餐厨余设备将通过云平台将大量的数据导入系统；因此，对餐厨余设备的监控尤其重要，以便对餐厨余设备的故障诊断这方面进行研究和分析。
技术实现思路
专利技术目的：为了克服现有技术中存在的不足，本专利技术提供一种基于深度森林的餐厨余设备故障诊断方法，以提高餐厨余设备故障诊断的效率与准确率。技术方案：为实现上述目的，本专利技术采用的技术方案为：深度森林算法是在深度学习理论以及深度神经网络的启发下，以随机森林算法为基础的一种有监督机器集成学习算法。作为一种具有一定深度的基于决策树的预测算法，深度森林算法将预测过程分为2个阶段：多粒度扫描阶段和级联森林阶段。本专利技术提出的一种基于深度森林的餐厨余设备故障诊断方法，包括如下步骤：(1)对原始数据进行预处理对餐厨余设备故障的原始数据进行故障分类，剥离出破碎故障、挤干故障、搅拌故障、相序故障、风机故障、油泵故障、温度故障和电流故障的特征数据，对剥离出的特征数据进行预处理，剔除无效特征数据，并利用线性插值算法对缺失的特征数据进行填补，得到训练样本；(2)使用深度森林算法对训练样本进行训练对深度森林算法进行超参数设置，使用训练样本对多粒度扫描阶段和级联森林阶段的森林模型进行构造，确定级联森林的级数，在全阶段得到餐厨余设备故障诊断模型；(3)利用餐厨余设备故障诊断模型进行故障诊断将预测样本的特征数据依次进行多粒度扫描阶段、级联森林阶段和全阶段的处理，得出故障类型，根据预测结果的准确性进行性能评估；在故障诊断过程中，若预测结果的准确性超出波动范围并出现下降趋势，则提高最近时间段内的所有故障的特征数据采集密度以增加新的训练样本，优化餐厨余设备故障诊断模型；(4)故障类型的统计分析统计各种故障类型的出现频次，根据各种故障的出现频次阈值，对高于阈值的故障类型进行特征数据的统计和趋势分析。具体的，该餐厨余设备的破碎电机、挤干电机、搅拌电机和油泵的供电接触器通过热继电器与PLC控制器连接，当发生过载过流情况时，热继电器的开关状态会发生变化，并将信息传输给PLC控制器；所述各种故障类型的特征数据包括：破碎故障：故障时破碎电机的电压和电流值、故障时热继电器的开关状态，以及故障时间点；挤干故障：故障时挤干电机的电压值和电流值、故障时热继电器的开关状态，以及故障时间点；搅拌故障：故障时搅拌电机的电压和电流值、故障时热继电器的开关状态，以及故障时间点；相序故障：故障时三相电的相序、相缺、短路和断路状态，以及故障时间点；风机故障：故障时风机电机的电压值和电流值，以及故障时间点；油泵故障：故障时油泵的电压值和电流值、故障时热继电器的开关状态，以及故障时间点；温度故障：温度超出报警阈值的设备，以及故障时间点；电流故障：电流超出报警阈值的设备，以及故障时间点。具体的，所述步骤(3)中，采用绝对误差和最大相对误差进行性能评估。具体的，所述步骤(2)中：在对多粒度扫描阶段，对超参数进行如下设置：森林数量＝2，决策树棵数＝500，决策树生长规则＝叶节点完全纯性或深度达到100，滑动窗口数量＝3，活动窗口大小＝[d/16]、[d/8]、[d/4]；其中，d为滑动窗口的长度。在级联森林阶段，对超参数进行如下设置：森林数量＝8，决策树棵数＝500，决策树生长规则＝叶节点完全纯性；全阶段，森林的类型包括完全随机森林和随机森林两种。具体的，所述步骤(1)中：餐厨余设备故障的原始数据均通过PLC控制器进行采集。具体的，所述各种故障类型的特征数据在故障时间点的特征数据，还包括在故障时间点前后设定时间段内的特征数据或特征数据曲线。有益效果：本专利技术提供的基于深度森林的餐厨余设备故障诊断方法，具有如下优势：1、本专利技术通过将深度学习算法与的故障诊断相结合，改善传统方法在故障类型诊断方面的困难，将深度学习分类算法的优点引进故障诊断领域，与传统的深度学习算法分析故障类型相比，深度森林分类算法的参数设置简单，能够自动学习特征，能自动确定级联森林的层数，诊断的精度高，诊断的结果更直接；2、本专利技术的故障诊断方法通过深度森林可以利用修正森林的预测概率向量，将修正的概率向量作为下一级的输入能够使得下一级森林在训练过程中不断优化并提高其预测精度，在一定程度上，不仅能提高最终预测精度，还可以减少扩展级数，极大减少训练的时长和计算资源消耗。附图说明图1为本专利技术的实施流程图。具体实施方式下面结合附图对本专利技术作更进一步的说明。如图1所示为一种基于深度森林的餐厨余设备故障诊断方法，包括如下步骤：步骤一：对原始数据进行预处理对餐厨余设备故障的原始数据进行故障分类，剥离出破碎故障、挤干故障、搅拌故障、相序故障、风机故障、油泵故障、温度故障和电流故障的特征数据，对剥离出的特征数据进行预处理，剔除无效特征数据，并利用线性插值算法对缺失的特征数据进行填补，得到训练样本。该餐厨余设备的破碎电机、挤干电机、搅拌电机和油泵的供电接触器通过热继电器与PLC控制器连接，当发生过载过流情况时，热继电器的开关状态会发生变化，并将信息传输给PLC控制器；各种故障类型的特征数据包括：破碎故障：故障时破碎电机的电压和电流值、故障时热继电器的开关状态，以及故障时间点挤干故障：故障时挤干电机的电压值和电流值、故障时热继电器的开关状态，以及故障时间点搅拌故障：故障时搅拌电机的电压和电流值、故障时热继电器的开关状态，以及故障时间点相序故障：故障时三相电的相序、相缺、短路和断路状态，以及故障时间点风机故障：故障时风机电机的电压值和电流值，以及故障时间点油泵故障：故障时油泵的电压值和电流值、故障时热继电器的开关状态，以及故障时间点温度故障：温度超出报警阈值的设备，以及故障时间点电流故障：电流超出报警阈值的设备，以及故障时间点所述各种故障类型的特征数据在故障时间点的特征数据，还包括在故障时间点前后设定时间段内的特征数据或特征数据曲线。步骤二：使用深度森林算法对训练样本进行训练对深度森林算法进行超参数设置，使用训练样本对多粒度扫描阶段和级联森林阶段的森林模型进行构造，确定级联森林的级数，在全阶段得到餐厨余设备故障诊断模型。在对多粒度扫描阶段，对超参数设置参照表1。表1超参数设置表步骤三：利用餐厨余设备故障诊断模型进行故障诊断将预测样本的特征数据依次进行多粒度扫描阶段、级联森林阶段和全阶段的处理，得出故障类型本文档来自技高网...

【技术保护点】
1.一种基于深度森林的餐厨余设备故障诊断方法，其特征在于：包括如下步骤：/n(1)对原始数据进行预处理/n对餐厨余设备故障的原始数据进行故障分类，剥离出破碎故障、挤干故障、搅拌故障、相序故障、风机故障、油泵故障、温度故障和电流故障的特征数据，对剥离出的特征数据进行预处理，剔除无效特征数据，并利用线性插值算法对缺失的特征数据进行填补，得到训练样本；/n(2)使用深度森林算法对训练样本进行训练/n对深度森林算法进行超参数设置，使用训练样本对多粒度扫描阶段和级联森林阶段的森林模型进行构造，确定级联森林的级数，在全阶段得到餐厨余设备故障诊断模型；/n(3)利用餐厨余设备故障诊断模型进行故障诊断/n将预测样本的特征数据依次进行多粒度扫描阶段、级联森林阶段和全阶段的处理，得出故障类型，根据预测结果的准确性进行性能评估；/n在故障诊断过程中，若预测结果的准确性超出波动范围并出现下降趋势，则提高最近时间段内的所有故障的特征数据采集密度以增加新的训练样本，优化餐厨余设备故障诊断模型；/n(4)故障类型的统计分析/n统计各种故障类型的出现频次，根据各种故障的出现频次阈值，对高于阈值的故障类型进行特征数据的统计和趋势分析。/n...

【技术特征摘要】
1.一种基于深度森林的餐厨余设备故障诊断方法，其特征在于：包括如下步骤：
(1)对原始数据进行预处理
对餐厨余设备故障的原始数据进行故障分类，剥离出破碎故障、挤干故障、搅拌故障、相序故障、风机故障、油泵故障、温度故障和电流故障的特征数据，对剥离出的特征数据进行预处理，剔除无效特征数据，并利用线性插值算法对缺失的特征数据进行填补，得到训练样本；
(2)使用深度森林算法对训练样本进行训练
对深度森林算法进行超参数设置，使用训练样本对多粒度扫描阶段和级联森林阶段的森林模型进行构造，确定级联森林的级数，在全阶段得到餐厨余设备故障诊断模型；
(3)利用餐厨余设备故障诊断模型进行故障诊断
将预测样本的特征数据依次进行多粒度扫描阶段、级联森林阶段和全阶段的处理，得出故障类型，根据预测结果的准确性进行性能评估；
在故障诊断过程中，若预测结果的准确性超出波动范围并出现下降趋势，则提高最近时间段内的所有故障的特征数据采集密度以增加新的训练样本，优化餐厨余设备故障诊断模型；
(4)故障类型的统计分析
统计各种故障类型的出现频次，根据各种故障的出现频次阈值，对高于阈值的故障类型进行特征数据的统计和趋势分析。


2.根据权利要求1所述的基于深度森林的餐厨余设备故障诊断方法，其特征在于：该餐厨余设备的破碎电机、挤干电机、搅拌电机和油泵的供电接触器通过热继电器与PLC控制器连接，当发生过载过流情况时，热继电器的开关状态会发生变化，并将信息传输给PLC控制器；所述各种故障类型的特征数据包括：
破碎故障：故障时破碎电机的电压和电流值、故障时热继电器的开关状态，以及故障时间点；
挤干故障：故障时挤干电机的电压值和电流值、故障时热继电器...

【专利技术属性】
技术研发人员：云曙先，
申请(专利权)人：南京云思顿环保科技有限公司，
类型：发明
国别省市：江苏;32