基于IFOA-RotGBM的礦用挖掘機發動機故障診斷

顧清華 孫文靜 李學現

(1.西安建筑科技大學資源工程學院,陜西 西安 710055;2.西安市智慧工業感知計算與決策重點實驗室,陜西 西安 710055;3.西安建筑科技大學管理學院,陜西 西安 710055)

隨著“中國制造2025”戰略的提出,礦山機械設備故障診斷技術逐步向智能化方向發展,但由于復雜設備故障模式的多樣化,現階段設備故障診斷仍難以實現智能精準識別[1]。挖掘機是集機械、電子控制、液壓等技術于一體,自動化程度高的大型工程施工裝配,在礦山采掘作業中承擔著重要作用[2]。由于礦山惡劣復雜、高強度、高負荷的作業環境以及日常維修不當,其發動機極易發生磨損甚至致命故障,進而導致停機。如果故障不及時診斷,不僅影響礦山既定的生產計劃,給企業帶來經濟損失,嚴重時還會威脅人身安全[3]。因此,對礦用挖掘機發動機故障進行快速診斷,精準定位故障點,實現早期預警,對保障礦山安全高效開采以及實現經濟效益最大化至關重要。

目前對挖掘機的故障診斷研究大都集中于對液壓系統的診斷,對發動機的診斷研究相對匱乏[4-5]。由于挖掘機體型較大,各系統組成之間故障關聯性較強,導致大多數發動機故障具有一定的復雜性和隱蔽性。雖然目前國內幾大重工企業都上線了遠程監控與診斷平臺,但是智能化程度較國外差距很大,很多故障仍需依賴工程師停機診斷,導致診斷精度和效率很低[6],所以尋找一種魯棒精確的故障識別方法作為輔助很有必要。為了提高診斷精度,各種基于人工智能的復雜機械設備故障診斷方法被應用到發動機故障診斷中,如神經網絡[7]、支持向量機[8]、深度學習[9]、隨機森林[10]等。張攀等[7]針對角加速度分析法對于發動機單缸失火診斷的局限性,提出一種將瞬時轉速信號和人工神經網絡相結合的發動機失火診斷方法。本研究團隊[8]為了提高礦用卡車發動機的故障檢測精度,提出一種基于CSSA 參數優化的FSVM 模型對礦用卡車發動機進行故障預測。白雲杰等[9]針對柴油機缸蓋振動信號非線性特點,提出一種改進變分模態分解和深度神經網絡相結合的柴油機混合故障診斷方法。魏東海等[10]提出將小波包分解和隨機森林相結合用于發動機故障預測,該方法比單一分類器能更準確地診斷出柴油機的故障狀態。上述方法對于提升故障診斷精度發揮了一定的作用,但由于算法本身的不足導致診斷方法存在一定的局限性。例如SVM、神經網絡等都屬于單一分類器,存在泛化能力弱、過擬合等問題;深度學習算法雖然特征信息提取方便,但訓練時間很長,不利于故障診斷的及時性;隨機森林模型雖然泛化能力強,但是其訓練受決策樹數目影響,在噪聲較大的數據集上容易過擬合。

基于隨機森林中隨機性注入可以提高分類精度的思想,RODRIGUEZ 等[11]提出了旋轉森林(Rotation Forest,RotForest)算法,利用主成分分析(PCA)來轉換原始特征空間,以促進基分類器間的多樣性來提高分類精度。然而旋轉森林需要執行多個PCA 計算來生成旋轉特征空間,存在一定的訓練耗時。LightGBM 作為一種新的集成學習框架,不僅具有較快的訓練速度,而且分類性能也很好。但LightGBM 的超參數很多,存在較大的不確定性,對分類精度有很大影響。文獻[12-13]分別選用PSO、GWO 算法對Light-GBM 進行參數尋優,但這些算法存在收斂速度慢、易陷入局部極值等不足,影響了LightGBM 的分類性能。

針對以上問題,本研究提出了一種基于改進果蠅算法優化RotGBM的礦用挖掘機發動機故障診斷方法。首先通過RF-RFE 方法對發動機的故障數據進行特征提取,減少不必要的資源消耗。其次從兩個方面對旋轉森林進行改進生成RotGBM 分類模型。然后考慮到LightGBM 中超參數的不確定性會給故障診斷結果帶來很大影響,選用改進的果蠅算法對Light-GBM 的重要超參數進行優化,構建最終的IFOA-Rot-GBM 故障診斷模型,實現挖掘機發動機故障的快速精準診斷。

1 理論基礎

1.1 RF-RFE 特征提取

RF-RFE 算法由隨機森林(Random Forest,RF)和遞歸特征消除(Recursive Feature Elimination,RFE)兩者構成[14]。該方法先通過RF 對故障數據計算特征重要性并排序;然后用RFE 算法迭代剔除重要性較小的特征,最終得到一個特征數量最少、分類性能最好的發動機故障特征集[15]。

1.2 旋轉森林

旋轉森林的總體思想是利用PCA 旋轉原始特征軸,將不同的訓練集分配給每個基分類器,以促進多樣性。通過保留全部主成分訓練基分類器來尋求準確性。

假定有一個數據集H=[X,Y],其中X={x1,x2,…,xm}是一個具有m個樣本和n個特征的訓練集,Y={y1,y2,…,ym}表示訓練集X對應的類標簽。用D1,…,Di,…,DL表示L個基分類器,F代表特征集,則該模型的訓練步驟為:首先,將F隨機分成k個子集,每個子集都具有r(r=F/k)個特征;其次,對于每個特征子集Fij(j=1,2,…,k),提取相應的樣本子集進行重采樣,然后將PCA 應用到該樣本子集上得到新樣本子集;重復上述步驟,得到多個新樣本子集,并在新樣本子集上建立基分類器Di(i=1,2,…,L);最后集成這L個基分類器,得到最終的旋轉森林模型。

1.3 LightGBM

LightGBM 是一種新的基于GBDT 的集成學習框架,主要針對現有的GBDT 和XGBoost 在節點分裂準則和解決高維問題方面存在不足而提出的[16]。相比于GBDT 和XGBoost,LightGBM 分別采用基于梯度的單邊采樣(GOSS)和互斥特征綁定(EFB)技術來處理大規模數據樣本和高維特征,并基于直方圖算法尋找最優特征分割點,再通過具有深度限制的leaf-wise 策略生成決策樹。LightGBM 還支持投票并行、數據并行和特征并行,在保證準確率的同時大大提升了訓練速度。

2 基于IFOA 優化的RotGBM 故障診斷模型

2.1 RotGBM 模型

根據RotForest 基本原理分析可知,訓練一個RotForest 模型比較耗時。本研究從降低PCA 的計算復雜度和整個模型訓練時PCA 的計算次數兩個方面對旋轉森林進行改進。RotGBM 算法框架如圖1 所示。RotGBM 保留了原始RotForest 的主要結構,但也增加了一些變化來減少訓練時間。

圖1 RotGBM 算法框架Fig.1 Framework of RotGBM algorithm

2.1.1 PCA 計算復雜度降低策略

傳統的PCA 需要先計算特征的協方差矩陣,然后對其分解得到旋轉矩陣。當數據維數較高時,分解協方差矩陣的計算量很大,消耗大量的計算時間。而奇異值分解(SVD)則可以直接對特征矩陣進行分解得到旋轉矩陣,無需計算協方差矩陣。因此,本研究采用SVD 來實現PCA 運算,以降低PCA 的計算復雜度。快速PCA 運算的主要步驟如下:

步驟1:對數據集X用式(1)進行標準化處理,得到均值為0、標準差為1 的矩陣Xm×n,而Xm×n對應的特征矩陣為Fm×n。

式中,xi為標準化值;x為原始值;xmean為x的平均值;xstd為x的標準差。

步驟2:根據式(2)對Fm×n進行奇異值分解,得到Fm×n的特征向量和特征值矩陣:

步驟3:利用式(3)將數據集映射到新的特征空間得到旋轉后的數據集Xrotate:

2.1.2 PCA 計算次數縮減策略

為提升整個模型的訓練速度,使用LightGBM 來訓練基分類器。假設最終的RotForest 模型包含L棵樹,即RotForest 的集成大小為L,特征集被隨機分為Q個特征子集。對于基本的RotForest,需要很長時間來訓練這L棵樹,因為每生成一棵樹,都要對每個特征子集進行PCA 計算,所以整個過程中PCA 共被計算L×Q次。但當使用LightGBM 作為基分類器時,在總計生成L棵樹的條件下,將RotForest 和LightGBM的集成大小分別設為S和T(S×T=L)。換言之,一個RotForest 包含S個LightGBM 基分類器,一個LightGBM 基分類器包含T棵樹,因此RotGBM 中PCA 總計只執行S×Q次,如此便可在保證分類精度的同時顯著提升訓練速度。最后通過多數投票策略將各基分類器的預測結果進行整合,得到最終的預測類別。對于一個樣本x,其預測標簽可通過式(4)得出。

2.2 果蠅優化算法及其改進

果蠅優化算法(FOA)是潘文超于2011年提出的一種群智能進化算法[17]。相比于其他智能優化算法,該算法求解流程簡單,可調整參數少,同時具有較快的搜索速度和較低的算法復雜度,已在復雜函數優化、神經網絡、SVM 分類器參數優化等領域取得了較好的應用效果[18-20]。但是傳統的FOA 算法在收斂速度和求解能力方面還存在一定的不足,并且容易陷入局部收斂。本研究從兩個方面對果蠅算法進行改進,提出了一種新的改進果蠅算法(IFOA)。

2.2.1 加入動態調整步長策略

在FOA 算法中,搜索步長R固定為常數,若R設置過小,則收斂速度慢;若R設置過大,則局部尋優能力降低。故本研究通過加入動態調整步長策略,平衡算法的全局搜索與局部搜索能力,主要步長更新公式為

式中,Xaxis和Yaxis是果蠅群體的初始位置;e0為初始權重,設為1.5;a為權重系數,設為0.9;g為當前迭代次數;c為過渡參數;Gmax為最大迭代次數。則R的變化曲線如圖2所示。

圖2 搜索步長R 的變化曲線Fig.2 Variation curve of search step size R

由圖2 可知:隨著迭代次數增大,R呈非線性遞減趨勢變化。在迭代初期,R較大,使果蠅能在全局范圍內搜索;在算法后期,R逐步減小,使果蠅能夠在某一區域更加精細地搜索。

2.2.2 引入萊維飛行策略

在果蠅搜索過程中,一旦發現最優個體,所有果蠅都會向最優位置靠攏,若該位置只是局部最優而非全局最優位置,則整個種群都會陷入局部最優。萊維飛行是遵循萊維分布的隨機搜索方法,可以產生長短不一的搜尋距離,當算法跳入局部區域時,偶爾的長距離可以幫助算法跳出局部最優。故引入萊維飛行策略,在果蠅搜尋過程中增添合理的隨機性來保證種群多樣性,防止跳入局部最優。主要改進策略如下:

式中,Xbest和Ybest是上一代找到的果蠅最優位置;?為點乘;Levy(λ)為遵循Levy分布的搜尋路徑且1<λ<3。

一般采用Mantegna 提出的計算公式來求解Levy(λ)[21]:

式中,s為搜索路徑Levy(λ);β∈(0,2),一般取β=1.5;參數μ、ν是服從式(10)的正態分布隨機數;其相應的標準差取值滿足:

2.3 IFOA 優化RotGBM 的故障診斷流程

在上述建立的RotGBM 模型中,由于LightGBM的超參數很多,存在很大的不確定性,影響最終的診斷結果。為了提高整體診斷模型的精度,本研究采用IFOA 對LightGBM 中的5 個重要超參數進行尋優,以得到更為精確的發動機故障診斷模型,超參數的具體信息見表1。

表1 LightGBM 超參數基本信息Table 1 Basic information of LightGBM hyperparameter

IFOA 對LightGBM 進行超參數優化的具體步驟如下:

(1)設置IFOA 算法的基本參數及LightGBM 的超參數范圍,并初始化果蠅群體位置。

(2)將發動機故障數據用RF-RFE 算法進行特征提取,然后分為訓練集和測試集。

(3)對故障訓練集采用LightGBM 模型進行5 折交叉驗證,將平均準確率作為適應度函數,計算果蠅個體的適應度值。

(4)降序排列適應度值,取適應度值最大的個體位置為最優個體位置(即當前最優超參數組合),同時記錄最佳適應度值。

(5)按照式(5)～式(7)更新果蠅搜索步長R,根據式(8)～式(11)更新果蠅群體位置。

(6)對更新后的果蠅群體計算其適應度值并與最佳適應度值進行比較,從而更新最優個體位置和最佳適應度值。

(7)判斷是否滿足終止條件,若不滿足則返回步驟(4),否則,輸出最優超參數組合,尋優結束。

經過上述尋優過程找到最優參數組合后,將其代入RotGBM 模型中,得到最優故障診斷模型對發動機故障訓練集進行訓練。在故障測試集上進行測試診斷,輸出最終的診斷結果。基于IFOA 優化RotGBM的礦用挖掘機發動機故障診斷流程如圖3所示。

圖3 基于IFOA-RotGBM的礦用挖掘機發動機故障診斷流程Fig.3 Flow of fault diagnosis of mine excavator engine based on IFOA-RotGBM

3 仿真試驗與結果分析

為了測試IFOA-RotGBM 診斷模型的性能,本研究借助河南某露天礦濰柴挖掘機的智多星監測裝置,采集了濰柴WP13G530E310 發動機的259 組19 維有效故障數據,并在Python3.8 環境中進行多次仿真試驗,驗證本研究方法應用于礦用挖掘機發動機故障診斷的可行性。

3.1 數據集分布及評估指標

本研究采集了8 種發動機故障類型,分別是正常、高壓油泵故障、進氣管路堵塞、增壓器故障、空濾堵塞故障、風扇故障、中冷器故障、低壓油路故障,編號為0～7。從采集的259 組數據中隨機抽取59 組作為測試集,其余均作為訓練集,并對訓練集采用5 倍交叉驗證方法進行訓練。為避免不同量綱的影響,在訓練前對故障數據用式(1)進行標準化處理。訓練集和測試集樣本數據分布見表2。

表2 樣本數據分布Table 2 Distribution of sample data

一個良好的故障診斷模型不僅要具備更高的診斷精度,還要具有較低的誤報率和漏檢率。為了全面衡量IFOA-RotGBM 診斷模型的有效性,選取準確率(ACC)、AUC值、誤報率(FPR)、漏檢率(FNR)和調和均值(F1-Score)作為評估指標。其中,ACC代表診斷精度,AUC值用于檢驗模型的魯棒性,FPR和FNR分別表示模型誤報和漏報的概率,F1用于綜合評估模型的性能。ACC、AUC、F1指標值越高,FPR、FNR指標值越低,表示模型性能越好。上述指標的計算公式為

式中,TP是將故障樣本正確預測為故障類別的樣本數量;FP是將正常樣本錯誤預測為故障樣本的數量;TN是將正常樣本正確識別為正常類別的樣本數量;FN是將故障樣本錯誤識別為正常樣本的數量;Pre為精確率;Rec為召回率。

3.2 特征提取前后算法性能比較

由于采集的發動機故障數據有19 維特征,為了提升模型訓練速度,采用RF-RFE 算法對其進行特征提取,選取重要特征子集。故障特征個數和分類精度之間的關系如圖4所示。

圖4 特征個數與準確率的關系Fig.4 Relationship between the number of features and accuracy

由圖4 可知:當特征個數為10 時,診斷精度最高,此時相應的由RF 算法計算得到的特征重要性及特征重要性排序見表3。最終選擇F2、F3、F7、F9、F11、F12、F14、F15、F18、F19這10 個重要特征組成最終的故障特征集進行挖掘機發動機故障診斷。由于F17同步信號狀態特征的重要性為0,故表3 中未列出其特征重要性及排序。

表3 特征重要性排序Table 3 Rank of feature importance

為了進一步分析重要特征提取對于發動機故障診斷效率和精度的影響,對RF-RFE 特征提取前后的訓練時間和診斷精度進行了對比分析,結果見表4。由表4 可知:特征維數的縮減可以有效提高故障診斷的效率和精度。

表4 RF-RFE 特征提取前后對比Table 4 Comparison before and after of RF-RFE feature extraction

3.3 不同算法優化LightGBM 的性能比較

為了驗證IFOA 對LightGBM 優化的有效性,將訓練集進行數據標準化后用IFOA 算法對LinghtGBM進行參數優化。在測試集樣本上進行測試,診斷結果與FOA、PSO 和ACO 算法優化LightGBM 的結果進行對比,結果見表5,診斷結果可視化結果如圖5所示。

表5 LightGBM 尋優精度結果Table 5 LightGBM optimization precision results

圖5 不同算法優化LightGBM 的診斷結果Fig.5 Diagnostic results of LightGBM optimized by different algorithms

由表5 可知:IFOA-LightGBM 模型的整體分類精度最高,具有最低的誤報率和漏檢率。而且IFOA 對LightGBM 進行調參的運行時間最少,這些都反映出IFOA 優化LightGBM 的優越性。

由圖5 可知:PSO-LightGBM 模型對正常狀態、高壓油路故障、中冷器故障和低壓油路故障的識別能力較弱;FOA-LightGBM 和ACO-LightGBM 提高了對高壓油路故障的診斷能力,但是對正常、中冷器和低壓油路故障的識別率依然較低;IFOA-LightGBM 相較其他3 種方法具有更好的診斷能力,特別是在對正常和中冷器故障的診斷上性能有了明顯提升。

3.4 不同故障診斷模型診斷結果分析

為了驗證IFOA-RotGBM 故障診斷模型的優越性,本研究選取SVM、BP 神經網絡、隨機森林、Light-GBM 和旋轉森林與其進行診斷性能對比。為確保比較的公平性,對于SVM 和BP 神經網絡,參數都設為默認值;對于集成模型來說,基學習器個數是影響模型分類性能的重要因素。對于IFOA-RotGBM 模型,其集成大小為L(L=S×T),其中S設為10,T為需要優化的參數。當IFOA-RotGBM 中T值確定后,4 種集成模型的集成大小均設為L,其余參數設為默認值。每個模型在59 組測試樣本上對應于每種故障的識別精度見表6,6 種模型的診斷性能對比見表7。

表6 不同模型對于每種故障的識別精度Table 6 Identification accuracy of different models for each fault%

表7 不同模型診斷精度Table 7 Diagnostic accuracy of different models

由表6 可知:IFOA-RotGBM 相比于其他5 種模型具有最高的平均識別精度,而且其對正常狀態、高壓油路故障、進氣管路故障、增壓器故障、空濾堵塞、風扇故障和低壓油路故障的診斷能力很強,都能達到100%的故障識別率。特別是對于低壓油路故障,其他模型的識別精度只能達到75%和87.5%,而所提模型能達到100%的識別率。

由表7 可知:IFOA-RotGBM 故障診斷模型性能總體上優于其他模型。相比于經典RotForest 模型,預測性能提升了9.4%,而且能達到98.31%的診斷精度、0.22%的誤報率和2.5%的漏檢率。能夠在有限的數據樣本條件下獲得優異的診斷性能,增強礦用挖掘機發動機診斷模型的容錯能力,保證生產正常進行,降低維修成本。

4 結論

針對礦山挖掘機發動機運行機理復雜、故障診斷效率低且精度不高的問題,提出了一種基于IFOA 優化RotGBM的礦用挖掘機發動機故障診斷方法。通過試驗分析得出以下結論:

(1)通過RF-RFE 算法對發動機故障數據進行重要特征提取,減少特征維數可以有效縮短訓練時間并提高診斷精度。

(2)利用改進的FOA 算法對LightGBM 進行參數尋優,提高了LightGBM 的泛化能力,減小了因參數不確定性對RotGBM 模型精度的影響。

(3)通過一系列的仿真對比試驗,本研究提出的IFOA-RotGBM 礦用挖掘機發動機故障診斷方法的精度達到98.31%,高于其他典型故障診斷方法,而且誤報率和漏檢率也很低,具有一定的理論意義和工程實用價值。