一种基于遗传算法和LightGBM的鼓风机电机故障诊断方法技术

本发明专利技术属于电机故障诊断技术领域，特别涉及一种基于遗传算法和LightGBM的鼓风机电机故障诊断方法。所述诊断方法包括：采集鼓风机设备信号数据组，将信号数据组分为训练样本和测试样本，将相应的故障类型序列数据作为训练样本的标签；根据编码规则初始化种群基因序列、最大进化代数、种群数量、染色体长度和染色体基因维数，构建初始LightGBM模型；将训练样本输入初始LightGBM模型，并结合遗传算法对初始LightGBM模型进行参数调优。本发明专利技术中采用遗传算法进行参数调优，提高了LightGBM参数寻优效率，改善了数据冗余，提高了LightGBM模型故障诊断的精确率。障诊断的精确率。障诊断的精确率。

【技术实现步骤摘要】
一种基于遗传算法和LightGBM的鼓风机电机故障诊断方法


[0001]本专利技术属于电机故障诊断
，特别涉及一种基于遗传算法和LightGBM的鼓风机电机故障诊断方法。

技术介绍

[0002]当前，鼓风机广泛应用于钢铁企业，作为钢铁企业的基础重要设备之一，其运行故障的诊断预测对生产顺利进行有着至关重要的作用。由于制造生产环境复杂，特别是鼓风机的电机容易发生故障，例如电机轴承损坏、定子绕组局部损坏、定子绕组短路和轴承松动等。这些故障影响设备的正常运行，进而影响生产的正常运行，甚至造成产品质量异常和产品交付延迟等问题。因此准确地诊断鼓风机电机的故障，对工程应用和生产决策具有重要作用。
[0003]鼓风机电机故障的诊断首先要获取重要的电机特征信号，然后通过一定方法进行预处理，最终获取相关故障的初始样本数据。鼓风机电机故障的诊断方法有许多种，常见的有支持向量机、决策树、各类神经网络等。但这些方法也存在某些局限，例如，支持向量机计算复杂度较高，核函数难以选择；神经网络数据需求大，训练速度慢，模型较大，收敛速度也慢。因此，研究提出一种能进行较好高效快速诊断鼓风机电机故障，同时可以有效改进模型预测精度的诊断方法就尤为关键。

技术实现思路

[0004]针对上述问题，本专利技术提供一种基于遗传算法和LightGBM的鼓风机电机故障诊断方法，所述诊断方法包括：采集鼓风机设备信号数据组，将信号数据组分为训练样本和测试样本，将相应的故障类型序列数据作为训练样本的标签；根据编码规则初始化种群基因序列、最大进化代数、种群数量、染色体长度和染色体基因维数，构建初始LightGBM模型；将训练样本输入初始LightGBM模型，并结合遗传算法对LightGBM模型进行参数调优；对参数调优后的LightGBM模型进行训练；将测试样本输入训练后的LightGBM模型进行测试，得到鼓风机电机的故障诊断结果。
[0005]优选地，所述信号数据组包括设备信号数据组和故障类型信号数据组；其中，设备信号数据组包括：定子电流数据、主电机左点轴承振动数据、主电机右点轴承振动数据、风机轴承振动数据、风机进气侧振动数据和风机排气侧振动数据。
[0006]优选地，所述构建初始LightGBM模型，包括：对种群进行初始化，得到初始种群；采用boosting方法训练样本，设置抽样率，并按照抽样率从训练样本中进行抽样
得到特征样本子集。
[0007]优选地，所述初始化种群包括：设置种群规模、种群个体的基因型、LightGBM树的最大深度max_depth、模型学习率learning_rate
×
100和叶子数num_leaves；其中，种群个体的基因型为一串二进制编码，代表着LightGBM树的最大深度max_depth,模型学习率learning_rate
×
100，指定叶子数num_leaves。
[0008]优选地，所述结合遗传算法对LightGBM模型进行参数调优，包括：确定迭代数y和初始迭代模型；以第y次迭代当前基因型参数构建LightGBM模型，对训练样本进行训练分类，训练方法使用五折交叉验证迭代训练，得到第y次迭代LightGBM模型的分类精确率，并以该次分类精确率作为遗传算法的第y次迭代的适应度值；再进行选择运算，具体包括：先计算出y次迭代种群中所有个体的适应度，再计算出每个个体的相对适应度的大小，即为每个个体被遗传到下一代群体中的概率，每个概率值组成一个区域，全部概率值之和为1；然后在0到1之间生成一个随机数，由随机数出现在各概率区域内次数来确定各个相应个体被选中的次数；适应度值最大的个体基因型表示的参数作为该次模型参数的局部最优解；再进行交叉运算，具体包括：在对种群进行随机配对后，随机产生交叉点位置，然后互相交换配对染色体之间的部分基因，产生新的个体基因；再进行变异运算，具体包括：随机产生的变异点位置，设置基因值变异概率，按基因值变异概率将变异点的原有基因值取反，产生新的个体基因；判断迭代数y是否达最大进化代数，否则以新的基因型参数作为LightGBM模型的模型参数进行新一轮迭代；当迭代数y达最大进化代数，选出该次迭代的局部最优解中对应的模型参数作为全局最优解，并以此模型参数构建LightGBM模型。
[0009]优选地，所述迭代数y的初始值为1；所述初始迭代模型为以初始群的基因型为参数的LightGBM模型。
[0010]本专利技术具有以下有益效果：本专利技术基于遗传算法和LightGBM的鼓风机电机故障诊断方法，提高了模型故障诊断的精确率。遗传算法的参数调优方法，改善了数据冗余，提高模型的效率和准确率。
[0011]本专利技术的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本专利技术而了解。本专利技术的目的和其他优点可通过在说明书以及附图中所指出的结构来实现和获得。
附图说明
[0012]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一简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，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，还可以根据这些附图获得其他的附图。
[0013]图1示出本专利技术实施例中一种基于遗传算法和LightGBM的鼓风机电机故障诊断方法图；
图2示出本专利技术实施例中训练阶段和预测阶段的示意图；图3示出本专利技术实施例中基于遗传算法和LightGBM的鼓风机电机故障诊断方法结构模型流程示意图；图4示出本专利技术实施例中一种基于遗传算法和LightGBM的鼓风机电机故障诊断系统图。
具体实施方式
[0014]现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本公开的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。
[0015]此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件单元或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
[0016]附图中所示的流程图仅是示例性说明，不是必须包括所有的步骤。例如，有的步骤还可以分解，而有的步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。...

【技术保护点】

【技术特征摘要】
1.一种基于遗传算法和LightGBM的鼓风机电机故障诊断方法，其特征在于，所述诊断方法包括：采集鼓风机设备信号数据组，将信号数据组分为训练样本和测试样本，将相应的故障类型序列数据作为训练样本的标签；根据编码规则初始化种群基因序列、最大进化代数、种群数量、染色体长度和染色体基因维数，构建初始LightGBM模型；将训练样本输入初始LightGBM模型，并结合遗传算法对LightGBM模型进行参数调优；对参数调优后的LightGBM模型进行训练；将测试样本输入训练后的LightGBM模型进行测试，得到鼓风机电机的故障诊断结果。2.根据权利要求1所述的基于遗传算法和LightGBM的鼓风机电机故障诊断方法，其特征在于，所述信号数据组包括设备信号数据组和故障类型信号数据组；其中，设备信号数据组包括：定子电流数据、主电机左点轴承振动数据、主电机右点轴承振动数据、风机轴承振动数据、风机进气侧振动数据和风机排气侧振动数据。3.根据权利要求1所述的基于遗传算法和LightGBM的鼓风机电机故障诊断方法，其特征在于，所述构建初始LightGBM模型，包括：对种群进行初始化，得到初始种群；采用boosting方法训练样本，设置抽样率，并按照抽样率从训练样本中进行抽样得到特征样本子集。4.根据权利要求1所述的基于遗传算法和LightGBM的鼓风机电机故障诊断方法，其特征在于，所述初始化种群包括：设置种群规模、种群个体的基因型、LightGBM树的最大深度max_depth、模型学习率learning_rate
×
100和叶子数num_leaves；其中，种群个体的基因型为一串二进制编码，代表着LightGBM树的最大深度max_depth,模型学习率learning_...

【专利技术属性】
技术研发人员：陈安志，何礼仁，李贵俊，何建均，
申请(专利权)人：成都星云智联科技有限公司，
类型：发明
国别省市：