一种基于机器学习算法的故障发生时间精准定位方法技术

本申请提供一种基于机器学习算法的故障发生时间精准定位方法，包括：通过数据采集设备获取包含故障信息的多通道振动信号，并将信号转换为可读取文件保存至计算机中；将可读取文件进行信号预处理，去除噪声信号与异常值；将预处理后的信号数据基于时域频域特征的故障特征参数提取，并基于主成分分析法进行特征降维处理；建立随机森林分类器模型，对特征降维处理得到的样本进行拆分后，对随机森林分类器模型进行训练；引入梯度下降方法，对随机森林分类器模型进行优化，得到最终故障分类器模型，和样本数据集准确的故障发生时间。本申请提高了预测精度。提高了预测精度。提高了预测精度。

【技术实现步骤摘要】
一种基于机器学习算法的故障发生时间精准定位方法


[0001]本申请涉及机器学习和机械结构故障诊断
，特别涉及一种基于机器学习算法的故障发生时间精准定位方法。

技术介绍

[0002]随着对机械结构安全性与可靠性不断提高的要求，准确判断故障发生变得越来越重要。得到精确的故障发生时间可以让操作者及时采取避险措施，减小甚至消除机械结构因为发生故障而带来的重大损失。对于维修保障人员来说，尽早得知故障的产生，及时介入，以更小的代价修复损伤的部分，提高结构的使用效率，显得至关重要。因此传统的定期检修模式已无法适应现代需求。如何准确、高效、及时地识别故障，定位故障发生时间已经成为新的研究重点。
[0003]现阶段机械结构的故障判断与排查多通过“听、看、摸、闻”等传统手段，大型结构运作期间，往往不能频繁拆卸检查，确认故障的发生时间。而根据振动信号判断故障的方法也存在信号复杂，噪声干扰，定位不准，故障分类困难等缺点。目前普遍采用的故障诊断方法通常存在以下不足：1、检测周期的间隔长，无法及时发现故障的发生；2、基于单个信号特征进行判别，准确性与有效性都存在偏差；3、单纯基于振动信号的判别，无法深入机械结构的故障机理，判别结果不准确；4、故障发生时间的判定不准确，导致后续对数据的分析出现偏差，无法正确显示机械结构运行规律；5、不准确的故障发生时间影响机器学习算法样本质量，对于样本分类标签产生误导，进而导致样本数据误导算法训练，得到错误预测模型。因此如何高效准确地找到故障发生时间成为一个亟待解决的问题。

技术实现思路
r/>[0004]本申请提供了一种基于机器学习算法的故障发生时间精准定位方法，可用于解决现有技术中对机械结构故障的判断准确性偏低的问题。
[0005]本申请提供了一种基于机器学习算法的故障发生时间精准定位方法，所述方法包括：
[0006]步骤S1，通过数据采集设备获取包含故障信息的多通道振动信号，并将信号转换为可读取文件保存至计算机中；
[0007]步骤S2，将可读取文件进行信号预处理，去除噪声信号与异常值；
[0008]步骤S3，将预处理后的信号数据基于时域频域特征的故障特征参数提取，并基于主成分分析法进行特征降维处理；
[0009]步骤S4，建立随机森林分类器模型，对特征降维处理得到的样本进行拆分后，对随机森林分类器模型进行训练；
[0010]步骤S5，引入梯度下降方法，对随机森林分类器模型进行优化，得到最终故障分类器模型，并得到样本数据集准确的故障发生时间；
[0011]步骤S6，将新的振动信号数据经过处理后制成预测样本集导入最终故障分类器模
型，预测真实故障发生时间。
[0012]可选的，将预处理后的信号数据基于时域频域特征的故障特征参数提取，包括：
[0013]将预处理后的信号数据基于时域频域特征提取出故障特征参数；故障特征包括有量纲时域特征参数、无量纲时域特征参数以及频域特征参数；有量纲时域特征参数包括：最大值、最小值、峰值、峰峰值、平均值、绝对平均值、方根幅值、方差、标准差和有效值；无量纲时域特征参数包括：峭度、偏度、波形因子、峰值因子、脉冲因子、裕度因子、余隙因子；频域特征参数包括：平均频率、重心频率、均方频率、均方根频率、频率方差、频率标准差。
[0014]可选的，基于主成分分析法进行特征降维处理，包括：
[0015]将故障特征参数参数集投影到低维超平面，使投影保留最大的差异性；主成分分析法识别出对差异性的贡献程度最高的投影轴，将特征量集降至两维；
[0016]两个主成分通过对特征集矩阵X进行奇异值分解得到，公式为：X＝UΣV
T
，其中V包含定义所有主要成分的单位向量：C1和C2为前两个主成分的单位向量。
[0017]可选的，建立随机森林分类器模型，对特征降维处理得到的样本进行拆分后，对随机森林分类器模型进行训练，包括：
[0018]步骤S41，建立一个随机森林分类器模型，包含500个决策树，采用bagging采样方法；
[0019]步骤S42，随机假定故障发生时间t0，根据该时间将样本集进行标签划分，故障发生时间前的样本标记完好样本，该时间后的样本标记故障样本；
[0020]步骤S43，将划分好标签的样本集进行拆分，按4:1的比例划分为训练集与测试集；
[0021]步骤S44，将训练集带入随机森林分类器模型，进行训练，用测试集评估训练完成的随机森林分类器模型的性能指标，直至满足预设要求；
[0022]其中，预设要求通过分数确定；分数通过以下方法确定：
[0023][0024]式中，F1为分数，TP是真正类的数量，FP是假正类的数量，FN是假负类的数量。
[0025]可选的，引入梯度下降方法，对随机森林分类器模型进行优化，包括：
[0026]步骤S51，将设定的故障发生时间t作为参数θ，F1分数作为成本函数MSE(θ)，梯度下降的执行过程：
[0027][0028]η为学习率，决定了梯度下降的迭代步长；为成本函数的梯度向量，包含成本函数的偏导；θ为参数，为故障发生时间；θ
下一步
为新的设定故障发生时间；
[0029]步骤S52，使用网格搜索方法确定学习率η，以学习率η为超参尝试不同的数值范围，对数值范围内的每个模型进行训练，寻找最合适的参数；
[0030]步骤S53，确定学习率η后带入S51获取下一步的θ值，对应为新的设定故障发生时间t1；将t1带入步骤S42重新划分样本标签，重复步骤S43，步骤S44直至梯度为零；
[0031]将第n次重复后梯度为零的设定故障发生时间t
n
作为真实故障发生时间；所述最终故障分类器模型为停止迭代后最后一次完成训练的随机森林分类器模型。
[0032]可选的，如果在一个较小时间区域内存在多个梯度为零的极大值点，假定在该区域内模型分数呈正态分布，均值为μ，标准差为σ，查表得到在98％置信度下的置信区间，则认定故障发生时间在该极小区间内。
[0033]本申请具有以下有益效果：
[0034]1、本申请基于数据驱动定位故障发生时间，无需结构的精准失效模型，适用性广，数据格式要求宽泛，故障发生时间定位准确，定位效率高，尤其适合处理海量状态数据的复杂结构。训练完毕的模型可以用于预测新故障的发生。
[0035]2、相对于传统的故障发生时间定位方法，本申请不再依赖“听，看，摸，闻”等不稳定的人工经验，具有更高的可靠度。同时故障发生时间定位可依据实时传输数据，无需等待结构运转停止时进行检查判断，大大提高了故障判断的时效性。
[0036]3、故障发生时间对于结构运行有着极其重大的意义，判断故障的发生以及精准定位故障发生时间，能够在工程实践中避免事故的发生，及时检修维护，减少重大损失，提高结构使用寿命。为后续健康监测、寿命预测等功能的实现提供基础。
附图说明
[0037]图1为本申请实施例提供的故障本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习算法的故障发生时间精准定位方法，其特征在于，所述方法包括：步骤S1，通过数据采集设备获取包含故障信息的多通道振动信号，并将信号转换为可读取文件保存至计算机中；步骤S2，将可读取文件进行信号预处理，去除噪声信号与异常值；步骤S3，将预处理后的信号数据基于时域频域特征的故障特征参数提取，并基于主成分分析法进行特征降维处理；步骤S4，建立随机森林分类器模型，对特征降维处理得到的样本进行拆分后，对随机森林分类器模型进行训练；步骤S5，引入梯度下降方法，对随机森林分类器模型进行优化，得到最终故障分类器模型，并得到样本数据集准确的故障发生时间；步骤S6，将新的振动信号数据经过处理后制成预测样本集导入最终故障分类器模型，定位真实故障发生时间。2.根据权利要求1所述的方法，其特征在于，将预处理后的信号数据基于时域频域特征的故障特征参数提取，包括：将预处理后的信号数据基于时域频域特征提取出故障特征参数；故障特征包括有量纲时域特征参数、无量纲时域特征参数以及频域特征参数；有量纲时域特征参数包括：最大值、最小值、峰值、峰峰值、平均值、绝对平均值、方根幅值、方差、标准差和有效值；无量纲时域特征参数包括：峭度、偏度、波形因子、峰值因子、脉冲因子、裕度因子、余隙因子；频域特征参数包括：平均频率、重心频率、均方频率、均方根频率、频率方差、频率标准差。3.根据权利要求1所述的方法，其特征在于，基于主成分分析法进行特征降维处理，包括：将故障特征参数参数集投影到低维超平面，使投影保留最大的差异性；主成分分析法识别出对差异性的贡献程度最高的投影轴，将特征量集降至两维；两个主成分通过对特征集矩阵X进行奇异值分解得到，公式为：X＝UΣV
T
，其中V包含定义所有主要成分的单位向量：C1和C2为前两个主成分的单位向量。4.根据权利要求1所述的方法，其特征在于，建立随机森林分类器模型，对特征降维处理得到的样本进行拆分后，对随机森林分类器模型进行训练，包括：步骤S...

【专利技术属性】
技术研发人员：陶然，王婷婷，路林华，唐军军，姜年朝，
申请(专利权)人：中国人民解放军总参谋部第六十研究所，
类型：发明
国别省市：