基于改進決策樹的高速公路施工機械設備故障檢測研究

摘要： 目前高速公路施工機械設備故障檢測主要采用聚類算法， 但此方法易受到高頻特征信號波動性的影響，導致檢測準確性較低． 為此， 提出一種基于改進決策樹的高速公路施工機械設備故障檢測方法． 首先， 根據高速公路施工機械設備正常運行與異常運行的差異性， 提取設備的故障信號特征; 然后， 基于信號特征的不同屬性，引入增益率對高頻信號進行分割， 以平抑信號波動性， 并以故障特征數據為輸入， 引入改進決策樹算法， 通過節點分裂計算與代價復雜度計算構建故障檢測模型; 最后， 以此模型為依據， 結合分類誤差率對故障概率進行計算， 實現施工設備故障檢測． 實驗結果表明， 所提方法能夠有效且準確地檢測出設備故障類型， 檢測效果較好．

關鍵詞： 改進決策樹; 高速公路; 施工機械設備; 故障檢測

中圖分類號： TN ９ ６ ７ 文獻標志碼： A

Research on Fault Detection of Highway Construction

Machinery Equipment Based on Improved Decision Tree

GE Jun-hai

（China Railway 18th Bureau Group Municipal Engineering Co.， Ltd.， Tianjin 300222， China）

Abstract：The conventional clustering algorithm is mainly used for faults of highway construction machinery and equipment at present， but this method is susceptible to the fluctuation of high-frequency feature signals， resulting in low detection accuracy. Therefore， a study on fault detection of highway construction machinery equipment based on improved decision trees is proposed. Firstly， based on the differences between normal and abnormal operation of highway construction machinery and equipment， the vibration signal characteristics of equipment under abnormal operating conditions is collected， secondly， based on their different attribute values， gain rate is introduced to segment high-frequency signals to suppress signal volatility， fault feature data is used as input， and an improved decision tree algorithm is introduced to construct a fault detection model through node splitting calculation and cost complexity calculation. Finally， a fault detection model is constructed， the classification cumulative error function is used to calculate the abnormal probability of equipment， and then complete the fault identification. The experimental results show that the designed method has higher accuracy for fault identification， and the detection effect is good.

Key words： improve the decision tree; expressway; construction machinery and equipment; fault detection

0 引言

施工機械設備的穩定運行是保證公路施工安全和質量的前提條件． 公路施工設備的體積大、 結構復雜， 施工過程中一旦出現故障或損壞， 不僅會增加維修難度， 而且會延長工期， 制約施工進度．因此， 對施工設備故障進行有效、 準確的診斷和識別， 確保設備的健康運行， 對公路建設項目具有重要的現實意義． 郭曉菡等[ １]采用激光干涉技術構建激光自適應混合干涉技術的理論模型， 采集設備激光信號與干涉信號， 并對其進行時頻域分析后， 結合貝葉斯網絡算法完成故障檢測． 但該方法對于設備信號的成像要求較高， 且故障診斷精度較低． 董天波等[ ２]采用命名識別算法對設備運行信息進行擴展處理， 根據故障特征構建信息匹配模型， 并 采用模糊理論實現故障檢測． 但此方法對于設備信息處理的能力較差， 且檢測效率較低，因此實際應用具有較大的局限性．

根據每個屬性值與輸出值的相關值， 選擇決策樹的根節點測試屬性和內部節點測試屬性． 由于部件故障的位置參數與軸承故障狀態的輸出值之間的相關性最強， 因此選擇部件故障的定位參數作為故障診斷的根節點屬性． 根節點下有３個分支， 其中分支１的樣本均為外圈故障類型; 分支２下的樣本均為無效數據故障類型; 分支３包含剩余的樣本， 這些樣本被分為內圈故障和正常狀態． 繼續計算樣本屬性的分割值， 并選擇分割值最高的故障參數作為下一個測試屬性． 重復上述操作， 直到所有屬性和節點的訓練樣本類別不可分割或所有選定的屬性都用完為止． 至此， 完成決策樹檢測模型的建立．

2.2 實驗說明

為驗證本文方法的實際應用效果， 對設備元件故障、 軸承故障、 外圈故障和內圈故障， 共設定６個實驗組別進行實驗， 其相關信息如表２所列．

如上表所示， 在實驗中設置的６組信息量和設備故障概率并不相同， 表明每個實驗設置都有顯著差異， 同時結合故障模擬信號， 可以滿足故障檢測方法應用性能的測試要求．

2.3 故障檢測結果分析

以上述實驗準備與實驗組別的設置為基礎，采用本文方法對研究對象進行故障檢測實驗． 通過實驗獲得的設備故障發生概率如圖３所示．

利用設計的方法對 T BM ５ ０ ０型號盾構機的元件、 軸承、 外圈與內圈故障進行檢測， 得到的故障發生概率與表３中設定的實際發生概率基本一致， 其中最大誤差為組別２結果是０． １． 由此可知， 本文方法對于高速公路施工機械的故障具有較高的檢測準確性．

2.4 檢測誤差對比實驗分析

為進一步體現本文方法在高速公路施工機械故障檢測準確性方面的優越性能， 與文獻[ １] 激光干涉技術（ 方法１） 、 文獻[ ２] 命名識別算法（ 方法２） 進行對比． 以上述設置的實驗組別為基礎， 分別采用３種方法對設備進行故障檢測， 并統計３種方法的檢測相對誤差， 對比結果如圖４所示．

分析圖４可知， 分別采用不同方法對實驗設備故障進行檢測， 本文得到的檢測相對誤差遠小于對比方法， 相對誤差范圍為５％～３ ２％， 方法１與方法２的檢測相對誤差范圍分別為２ ５％～７ １％和３ ５％～８ ５％． 分析原因可知， 方法１由于選取合適的代價復雜度使得檢測結果易陷入過擬合現象; 方法２在處理存在較大噪聲與冗余屬性的測試樣本時， 其抗干擾能力較差， 導致檢測準確

率較低． 本文采用分類誤差率的方法對決策樹進行剪枝操作， 有效提高了檢測準確性， 并結合訓練字典進一步為檢測效果提供保障． 實驗對比結果表明， 本文設計的方法對于高速公路施工機械故障能夠實現準確檢測， 檢測效果更好．

3 結語

針對常規方法對于高速公路施工機械設備故障檢測準確性較低的問題， 引入改進決策樹算法，通過提取設備故障特征與構建故障檢測模型， 結合分類誤差率計算故障發生概率， 進而完成設備故障檢測， 仿真實驗證明了本文方法具有高精度檢測的性能． 在后續研究中， 將深入分析數據離散性對算法的影響， 以實現檢測技術的最佳化．

參考文獻：

[1]郭曉菡，李旭陽，李凌云，等.基于激光干涉技術的電 力設備故障診斷方法[J].自動化技術與應用，2023， 42（6）：28-32.

[2]董天波，鐘保強.基于命名識別算法的IT設備故障快速識別方法研究[J].電子設計工程，2023，31（14）：173-176，181.

[3]趙軍富，靳永勝，李建軍.物聯網下智能制造設備故障 預測分析[J].內蒙古科技大學學報，2023，42（2）：123-127.

[4]劉明.船舶電氣自動化的發展及其設備故障排除方法[J].船舶物資與市場，2023，31（6）：77-79.

[5]劉陽，粟航，何倩，等.基于云一邊協同變分自編碼神 經網絡的設備故障檢測方法[J].計算機工程與科學，2023，45（7）：1188-1196.

[6]葉志暉，石釘科，王柳婧，等.基于小波熵理論的動力 發電設備故障自動檢測方法[J].自動化技術與應用，2023，42（6）：66-69.

[7]魏偉，趙小強，吳進.基于VMD-ICSO-GRU的高鐵列控車載設備故障率時間序列預測[J].鐵道學報，2023，45（6）：58-68.

[8]張江鵬，付云偉，吳純治，等.面向多工況設備故障診 斷的改進灰色關聯分析法[J].機械，2023，50（6）：67-73.

[9]胡磊，柳楊，郭卿超，等.AFDX網絡設備故障診斷技術[J].西北工業大學學報，2023，41（3）：546-556.

[10]吳洋.電氣自動化設備故障的預防及檢修方法[J].化工管理，2023（17）：110-113.

[11]朱明皓.基于改進PCA-SARMA的電廠除塵設備故障預警方法及應用[J].內蒙古電力技術，2023，41（3）：86-90.

[12]阮翔，鄭宏軍，葉棟，等.基于ANSYS仿真的某艦載監控設備故障分析與優化設計[J].環境技術，2023， 41（5）：11-16，23.

[責任編輯：李嵐]