基于极限学习机的机械设备故障诊断研究.doc

基于极限学****机的机械设备故障诊断研究
摘 要:针对机械设备工况传感数据维度高、数据量大的特点,提出了一种基于极限学****机的故障诊断方法。首先,将机械设备传感器收集到的数据进行规范化处理,并采用过采样方法解决样本数据类别不平衡的问iN)进行单位向量化,得到x''i=(x''i1, x''i2, ..., x''iN):
(7)
数据分布调整
由于机械设备在多数时间处于正常工作状态,因此,传感器采集到的设备工况数据多为正常狀态数据,只有很少的故障状态数据。为了缓解少数类故障数据与多数类正常数据之间的不平衡程度,我们对规范化后的数据进行数据分布调整。考虑到若采用删除过多正常状态数据的欠采样方法会丢失较多信息,所以在数据分布调整中采用过采样方式。过采样即通过对少数类样本进行多次复制,并将生成的样本集合添加到少数类中,由此得到与多数类数量相同的少数类集合。假设有K个少数类样本Xp1, Xp2, ..., XpK,有L个多数类样本Xn1, Xn2, ..., XnL,K<<L,则对少数类样本进行复制,得到L个样本X'p1, X'p2, ..., X'pL: , pi=1, 2, ..., L (8)
极限学****机的实现
极限学****机采用三层结构,包括输入层、隐含层、输出层。输入层节点数目与样本属性数目一致,输出层节点数目与故障分类数目一致。我们采用增量法来确定隐层节点数目。的值从1开始逐渐增加,步长为5,利用测试数据获取隐层节点数目为时ELM的性能;随后在能取得较好性能值的隐层节点数目附近以步长1确定最佳节点数目。
3 实验结果分析
实验数据集
气压系统APS(Air Pressure System)数据集来源于瑞典重型Scania卡车工况传感器采集的数据。卡车的气压系统产生刹车和齿轮变速等各种功能需要的压缩空气,对卡车的安全行驶具有重要意义。在APS数据集中,正例数据记录气压系统在故障状态下的工况信息,反例记录正常状态下的工况信息。所有数据均经过专家人工检查[5]。
APS数据集属于类别不平衡的数据集。此外,APS数据还具有属性值差异大、属性缺失率较高等特点。APS数据特性见表1所列。
评价指标
混淆矩阵是统计机器学****中分类模型预测结果的情形分析表,以矩阵形式将数据的真实类别与预测类别进行统计。其中矩阵的行表示真实值,列表示预测值,内部数据表示相应类别的样本数目。二分类任务的混淆矩阵形式见表2所列。
在故障诊断任务中,由于故障状态数据的准确分类更为重要,所以表示真实故障状态数据预测准确程度的查全率(Recall)是評价模型的重要指标,计算公式如下:
(9)
此外,APS数据集定义了不同类的误分代价,并建议采用各类误分代价之和Score值作为评价标准。误分代价之和Score值在重点考虑查全率的同时,兼顾对正常状态数据预测准确度的考量,其值越小说明模型性能越好。代价矩阵见表3所列。
(10)
在设计ELM后,利用APS数据集中的训练集进行训练,然后利用APS数据集中的测试集数据评价ELM模型的性能。实验结果表明,要获得模型的最佳性能,ELM