[发明专利]基于改进随机森林算法的电机轴承故障诊断方法及系统

说明书

本发明涉及一种基于改进随机森林算法的电机轴承故障诊断方法，该方法包括以下顺序的步骤：(1)获取数据集；(2)振动信号分解；(3)计算相关系数；(4)提取特征数据；(5)生成改进随机森林故障诊断模型；(6)现场电机轴承故障诊断；(7)故障提示。本发明还公开了一种实施基于改进随机森林算法的电机轴承故障诊断方法的系统。本发明提出的改进随机森林算法中决策树以特征选择原理不同的改进C4.5、CART算法分别进行生成，提高了各决策树间诊断差异；本发明提出的改进随机森林算法对各决策树按其先验知识进行了权重分配，按其漏报率、准确率大小分为议长AA及议员BB两类，最终集成后，有效提高了诊断准确率、降低了漏报率。

技术领域

本发明涉及电机轴承故障诊断技术领域，尤其是基于改进随机森林算法的电机轴承故障诊断方法及系统。

背景技术

电机轴承在工业生产中扮演着重要角色，其运行可靠性直接关系企业安全生产及经济效益，对其进行监测和故障诊断可给电机正常运行提供可靠保障。但电机轴承在内圈、滚动体、外圈上易产生故障，若故障轴承未被检测出而带载运行易造成严重的安全事故，因此识别精度高、漏报率低的电机轴承故障诊断方法成为了国内外研究的热点。

目前，机器学习中很多分类算法被应用于电机轴承故障诊断中。丁瑞成等人通过局部均值分解提取出电机轴承振动信号故障特征后，将其输入到粒子群优化的支持向量机中，实现了对故障诊断分类。郑兰天等人采用小波分解对电机轴承振动信号进行特征提取，然后通过自组织神经网络建立的分类模型对电机轴承进行诊断。于天剑等人以历史数据为基础，提出了一种基于多个隐马尔科夫模型与蚁群算法和神经网络相结合的电机轴承故障诊断方法，该方法将隐马尔科夫与自适应神经模糊推理系统相结合提取轴承振动特征，用蚁群聚类算法对故障分类，最后用隐马尔科夫模型对故障进行预测。

然而这些方法只分析了电机轴承的诊断准确率，但在故障漏报率方面考虑较少。而在现实生产中，对于电机轴承的三类故障，分类器若将内圈故障诊断为外圈或滚动体故障，企业仍会安排专人对其检修，对安全生产影响较小；但分类器若将故障轴承诊断为正常，则电机很可能因缺乏检修而引起安全事故，对企业造成较大损失。

目前常用的机器学习算法中，随机森林算法由于其强抗噪力、可调参数少、适应力强等优点广泛应用于密码学、生物信息学、生态学等领域。但随机森林中的传统决策树算法在连续特征属性值数目过大时，算法复杂度高、运算效率低下、易过拟合；且其集成投票方法未考虑强分类器和弱分类器间差异，集成后会降低随机森林算法准确率、提高算法漏报率。

综上所述，现有的电机轴承故障诊断系统将传统随机森林模型嵌入到控制系统后，使得电机轴承故障诊断系统诊断准确率低漏报率高、设备反应慢，而这些问题的解决必然需要对随机森林算法进行改进。

发明内容

本发明的首要目的在于提供一种算法复杂度低、诊断速度快、诊断准确率高、漏报率低、设备可靠性高的基于改进随机森林算法的电机轴承故障诊断方法。

为实现上述目的，本发明采用了以下技术方案：一种基于改进随机森林算法的电机轴承故障诊断方法，该方法包括以下顺序的步骤：

(1)获取数据集：用加速度传感器对电机轴承的四种振动信号分别进行采集，将采集得到的数据通过无线传输模块输入到树莓派中，获得电机轴承振动信号数据集；所述四种振动信号是指正常、内圈故障、滚动体故障和外圈故障信号；

(2)振动信号分解：在树莓派中通过python的PyEMD模块中的EEMD方法对得到的振动信号数据集进行EEMD集合经验模态分解，取前8个本征模态函数IMF；

(3)计算相关系数：计算各IMF分量与原振动信号的相关系数：