一种基于数据驱动的锯床故障定位方法技术

本发明专利技术公开了一种基于数据驱动的锯床故障定位方法，包括以下步骤：S1：获取与锯床故障相关的特征数据集，并对所述特征数据集进行预处理；S2：基于k

【技术实现步骤摘要】
一种基于数据驱动的锯床故障定位方法


[0001]本专利技术涉及锯床设备
，更具体的说是涉及一种基于数据驱动的锯床故障定位方法。

技术介绍

[0002]随着锯床设备自动化程度的逐渐提高，其内部结构也越发复杂，相应的锯床出现故障的概率也越来越大，目前部分锯床设备已装有故障诊断系统，其虽然可以一定程度上方便技术人员进行故障定位，但大多数故障定位还需要综合考虑多个数据才可以确定，即无法实现快速及时的定位，故障定位不及时还需要人工的介入进行一一排查，从而影响了企业加工生产效率；
[0003]因此如何提供一种可以对锯床故障进行快速、准确定位的方法是本领域技术人员亟需解决的问题。

技术实现思路

[0004]有鉴于此，本专利技术的目的是提供一种基于数据驱动的锯床故障定位方法，其可以实现对锯床故障的快速、准确定位。
[0005]为了实现上述目的，本专利技术采用如下技术方案：一种基于数据驱动的锯床故障定位方法，包括以下步骤：
[0006]S1：获取与锯床故障相关的特征数据集，并对所述特征数据集进行预处理；
[0007]S2：基于k
‑
means算法对预处理后的特征数据集进行特征聚类，获得特征聚类后的数据集；
[0008]S3：基于CatBoost算法对所述特征聚类后的数据集进行训练，获得初步锯床故障定位模型；
[0009]S4：基于所述初步锯床故障定位模型确定CatBoost的待优化参数，并采用GA算法对CatBoost的待优化参数进行优化，得到最终锯床故障定位模型；
[0010]S5：将待识别的锯床数据输入到所述最终锯床故障定位模型，获得该锯床的故障定位信息。
[0011]优选的，S1中的预处理包括：剔除异常数据处理、填充缺失数据处理、数据类型的均衡处理以及数据归一化处理。
[0012]优选的，所述数据类型的均衡处理进一步包括：采用SMOTE方法实现少数类数据的数据增强。
[0013]优选的，所述数据归一化处理的公式为：
[0014][0015]其中x、x
normal
依次为归一化前的特征数据和归一化后的特征数据，x
min
、x
max
依次为所述特征数据集中的最小值和最大值。
[0016]优选的，S2进一步包括以下步骤：
[0017]S21：计算每个特征的均值和标准差，每一个计算完均值和标准差的特征作为一个样本点；
[0018]S22：随机选取若干样本点作为初始质心，并将所述初始质心分为N类；
[0019]S23：对所述N类初始质心进行迭代计算，直到每一类的当代质心与上一代质心的距离小于预设阈值，获得N组特征聚类数据集。
[0020]优选的，S3进一步包括以下步骤：
[0021]S31:基于CatBoost算法对所述N组特征聚类数据集进行训练，获得N个CatBoost预测模型；
[0022]S32：选取所述N个CatBoost预测模型中准确率最高的M个CatBoost预测模型作为初步锯床故障定位模型，其中，M<N。
[0023]优选的，所述N＝2n/3，n表示总特征数。
[0024]优选的，S4进一步包括以下步骤：
[0025]S41：获取CatBoost的各个待优化参数并确定各个待优化参数的区间；
[0026]S42：基于所述各个待优化参数的区间随机获得初始种群；对所述初始种群进行编码并确定GA算法的遗传代数；所述初始种群中的每一个个体编码表示一个参数组合；
[0027]S43：基于所述CatBoost预测模型的准确度确定GA算法的适应度函数；基于所述适应度函数计算初始种群中每个个体的适应度；
[0028]S44：基于每个个体的适应度选择进行遗传操作的个体；对所述进行遗传操作的个体进行交叉、变异操作，并计算其适应度；
[0029]S45：判断是否达到最大迭代次数，没有达到则执行S44，达到则停止迭代并执行S46；
[0030]S46：对适应度最大的个体进行解码，获得最优参数组合；
[0031]S47：利用所述最优参数组合对所述初始锯床故障定位模型进行训练，选择正确率最高的初始锯床故障定位模型作为最终锯床故障定位模型。
[0032]优选的，待优化参数包括迭代次数、树的深度、树的数量、树的最大数量、学习速率、代价函数的L2正则化项的系数和损失函数。
[0033]经由上述的技术方案可知，与现有技术相比，本专利技术公开提供了一种基于数据驱动的锯床故障定位方法，其可以获得以下有益技术效果：
[0034]1、本专利技术中使用k
‑
means算法进行特征聚类，对数据集进行优化，降低了特征工程的难度，同时提高了后续模型诊断的准确性；
[0035]2、本专利技术基于CatBoost模型进行模型训练，该模型具有高效性、鲁棒性和准确性等优点；其可以很好地处理大规模数据且训练速度快
[0036]3、本专利技术使用GA算法对CatBoost参数进行优化，不需要人为的测试来选择CatBoost参数以提高CatBoost模型的性能，本专利技术以自动化的方式进行锯床故障定位，减少了诊断周期，实现了对锯床故障的快速定位，提高了诊断的鲁棒性和准确性。
附图说明
[0037]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现
有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
[0038]图1为本专利技术的整体流程图；
[0039]图2为本专利技术基于k
‑
means算法进行特征聚类的流程图；
[0040]图3为本专利技术基于CatBoost算法获得初步锯床故障定位模型的流程图；
[0041]图4为本专利技术基于GA算法获得最终锯床故障定位模型的流程图。
具体实施方式
[0042]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0043]如图1
‑
图4所示，本专利技术实施例公开了一种基于数据驱动的锯床故障定位方法，包括以下步骤：
[0044]S1：获取与锯床故障相关的特征数据集，并对所述特征数据集进行预处理；
[0045]在某一实施例中，S1中的预处理包括：剔除异常数据处理、填充缺失数据处理、数据类型的均衡处理以及数据归一化处理。
[0046]在本实施例中，所述数据类型的均衡处理进一步包括：采用SMOTE方法实现少数类数据的数据增强。
[0047]在本实施例中，所述数据本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于数据驱动的锯床故障定位方法，其特征在于，包括以下步骤：S1：获取与锯床故障相关的特征数据集，并对所述特征数据集进行预处理；S2：基于k
‑
means算法对预处理后的特征数据集进行特征聚类，获得特征聚类后的数据集；S3：基于CatBoost算法对所述特征聚类后的数据集进行训练，获得初步锯床故障定位模型；S4：基于所述初步锯床故障定位模型确定CatBoost的待优化参数，并采用GA算法对CatBoost的待优化参数进行优化，得到最终锯床故障定位模型；S5：将待识别的锯床数据输入到所述最终锯床故障定位模型，获得该锯床的故障定位信息。2.根据权利要求1所述的基于数据驱动的锯床故障定位方法，其特征在于，S1中的预处理包括：剔除异常数据处理、填充缺失数据处理、数据类型的均衡处理以及数据归一化处理。3.根据权利要求2所述的基于数据驱动的锯床故障定位方法，其特征在于，所述数据类型的均衡处理进一步包括：采用SMOTE方法实现少数类数据的数据增强。4.根据权利要求2所述的基于数据驱动的锯床故障定位方法，其特征在于，所述数据归一化处理的公式为：其中x、x
normal
依次为归一化前的特征数据和归一化后的特征数据，x
min
、x
max
依次为所述特征数据集中的最小值和最大值。5.根据权利要求1所述的基于数据驱动的锯床故障定位方法，其特征在于，S2进一步包括以下步骤：S21：计算每个特征的均值和标准差，每一个计算完均值和标准差的特征作为一个样本点；S22：随机选取若干样本点作为初始质心，并将所述初始质心分为N类；S23：对所述N类初始质心进行迭代计算，直到每一类的当代质心与上一代质心...

【专利技术属性】
技术研发人员：李斌胜，李斌超，杜敏鹏，应晓伟，卢勇波，李辉，
申请(专利权)人：浙江锯力煌工业科技股份有限公司，
类型：发明
国别省市：