一种大型回转机组故障诊断方法及装置

技术领域

本发明涉及故障诊断领域，更具体涉及一种大型回转机组故障诊断方法及装置。

背景技术

目前大型回转机组在运行、维护和管理过程中，故障的查找与定位往往使用人工来进行判断，然而由于不同人员间的差异，使得故障的定位及原因分析具有一定的主观性和不确定性。此外，不同类型的故障有可能对应相同的故障表征，且故障的产生通常具有并发性，从而进一步加大了故障分析过程的复杂度，降低了准确性。由于以上原因导致大型回转机组的故障诊断及原因分析的效率较低，不利于其运维管理。

中国专利公开号CN110162014A，公开了一种集成多种智能算法的制冷系统故障诊断方法，包括：步骤1，通过模拟冷水机组故障实验，采集得到多个实验数据；步骤2，选取多个不同的成员诊断器，分别得到多个不同的成员诊断器的诊断模型，多个诊断模型包括：K近邻诊断器、支持向量机诊断器、决策树诊断器、随机森林诊断器及逻辑斯蒂回归诊断器；步骤3，对S2中多个不同的诊断模型进行集成，形成集成诊断器模型；步骤4，使用样本训练集数据对集成诊断器模型进行训练，得到训练好的集成诊断器模型；步骤5，使用测试样本集在训练好的集成诊断器模型对冷水机组进行故障诊断，得到故障诊断结果；步骤6，对成员诊断器与集成诊断器的故障诊断结果进行对比。但这些诊断算法均具有一定的局限性，精度不高、抗噪能力差、容易陷入过拟合，不适用于具有大量参数的大型回转机组，易导致诊断结果不够准确，诊断效率不高。

发明内容

本发明所要解决的技术问题在于现有技术缺乏适用于大型回转机组的故障诊断方法及装置，诊断结果不够准确，诊断效率不高。

本发明通过以下技术手段实现解决上述技术问题的：一种大型回转机组故障诊断方法，所述方法包括：

上位机获取用户选择信息，根据用户选择信息判断需要调用的诊断模型，利用调用的诊断模型进行故障诊断，所述诊断模型包括知识图谱推理模型和随机森林推理模型；

所述知识图谱模型对故障诊断领域的大量资料及案例进行存储，从中提取出能够反映故障征兆、故障机理、故障原因以及解决办法的信息，进行去重、消歧后，利用故障征兆、故障机理、故障原因以及解决办法之间的联系构建大型回转机组故障诊断知识图谱，将知识图谱中故障征兆、故障原因、故障机理以及解决办法均统一表示成三元组的形式，根据传感器采集到的实时数据，从故障征兆出发，查找对应的故障类型、故障机理、故障原因以及解决办法，直接完成故障诊断；

所述随机森林推理模型将故障征兆中的多种特征等效为征兆样本数据集，对所述征兆样本数据集随机抽取数据组成N个不同的训练样本集，每个训练样本集构造出一个决策树模型，将传感器采集到的实时数据作为测试样本，将测试样本输入N个决策树模型得到N个诊断结果，以众数投票确定最终的诊断结果，将诊断结果输出到人机交互界面。

本发明结合知识图谱推理和随机森林推理进行故障诊断，知识图谱推理采用多元信息及数据来对故障进行诊断，提高了诊断结果的准确性，随机森林推理采用集成分类算法进行故障诊断，无需进行特征提取，具有一定的抗噪能力，诊断结果具有更高的准确性，算法收敛快，诊断效率高，适用于大型回转机组的故障诊断。

优选的，所述故障征兆包括振动幅值、相位、轴心轨迹、全息谱以及温度。

优选的，所述故障原因包括设计制造缺陷、材质不均、操作不当、安装不当以及位置偏差。

优选的，所述故障机理包括额外激励力、磨损、弯曲变形以及振动不同步。

优选的，所述解决办法包括动平衡、重新安装以及重新设计。

优选的，所述根据传感器采集到的实时数据，从故障征兆出发，查找对应的故障类型、故障机理、故障原因以及解决办法，直接完成故障诊断，包括：故障征兆被表示成“实体-关系-实体”或“实体-关系-值”的三元组形式，如故障类型热变形所对应的故障征兆幅值1X占主导表示为三元组“热变形-1X占主导-幅值”，故障类型热变形所对应的故障征兆温度升高可表示为三元组“热变形-升高-温度”，将传感器采集到的多元数据及信息特征与故障征兆进行匹配，从而判断故障类型，如采集到的多元数据及信息特征为幅值1X占主导、随转速变化不敏感、方向上径向振动较大、温度升高，即可判定故障类型为热变形，根据故障类型即得到对应的故障机理，根据故障机理得到对应的故障原因，由故障原因提出对应的解决办法。

优选的，所述故障征兆中与多种特征等效的征兆样本数据集为D＝(D

优选的，所述决策树模型的构建过程为：

利用公式

其中，Info(C)为当前节点的类别熵，m1为训练样本集T中的类别个数，|C

利用公式

其中，Info(Ai)为当前节点的属性熵，m2为训练样本集T通过某一属性划分的子数据集个数，|A

利用公式Gain(Ai)＝Info(C)-Info(Ai)获取各个属性的信息增益Gain(Ai)；

利用公式

利用公式IGR＝Gain(Ai)/H(Ai)获取各个属性的信息增益率IGR；

选取信息增益率最大的属性为分裂属性进行分裂，若分裂之后，该分裂属性下的属性值所对应的类别是相同的，则把它定义为叶子结点；若类别不相同，则继续向下进行分裂，重复进行上述步骤，直至分裂属性下的属性值所对应的类别均相同，分裂结束，一个决策树模型构建完成。

本发明还提供一种大型回转机组故障诊断装置，所述装置包括：

智能推理机，用于上位机获取用户选择信息，根据用户选择信息判断需要调用的诊断模型，利用调用的诊断模型进行故障诊断，所述诊断模型包括知识图谱推理模型和随机森林推理模型；

知识图谱推理机，用于所述知识图谱模型对故障诊断领域的大量资料及案例进行存储，从中提取出能够反映故障征兆、故障机理、故障原因以及解决办法的信息，进行去重、消歧后，利用故障征兆、故障机理、故障原因以及解决办法之间的联系构建大型回转机组故障诊断知识图谱，将知识图谱中故障征兆、故障原因、故障机理以及解决办法均统一表示成三元组的形式，根据传感器采集到的实时数据，从故障征兆出发，查找对应的故障类型、故障机理、故障原因以及解决办法，直接完成故障诊断；

随机森林推理机，用于所述随机森林推理模型将故障征兆中的多种特征等效为征兆样本数据集，对所述征兆样本数据集随机抽取数据组成N个不同的训练样本集，每个训练样本集构造出一个决策树模型，将传感器采集到的实时数据作为测试样本，将测试样本输入N个决策树模型得到N个诊断结果，以众数投票确定最终的诊断结果，将诊断结果输出到人机交互界面。

优选的，所述故障征兆包括振动幅值、相位、轴心轨迹、全息谱以及温度。

优选的，所述故障原因包括设计制造缺陷、材质不均、操作不当、安装不当以及位置偏差。

优选的，所述故障机理包括额外激励力、磨损、弯曲变形以及振动不同步。

优选的，所述解决办法包括动平衡、重新安装以及重新设计。

优选的，所述根据传感器采集到的实时数据，从故障征兆出发，查找对应的故障类型、故障机理、故障原因以及解决办法，直接完成故障诊断，包括：故障征兆被表示成“实体-关系-实体”或“实体-关系-值”的三元组形式，如故障类型热变形所对应的故障征兆幅值1X占主导表示为三元组“热变形-1X占主导-幅值”，故障类型热变形所对应的故障征兆温度升高可表示为三元组“热变形-升高-温度”，将传感器采集到的多元数据及信息特征与故障征兆进行匹配，从而判断故障类型，如采集到的多元数据及信息特征为幅值1X占主导、随转速变化不敏感、方向上径向振动较大、温度升高，即可判定故障类型为热变形，根据故障类型即得到对应的故障机理，根据故障机理得到对应的故障原因，由故障原因提出对应的解决办法。

优选的，所述故障征兆中与多种特征等效的征兆样本数据集为D＝(D

优选的，所述决策树模型的构建过程为：

利用公式

其中，Info(C)为当前节点的类别熵，m1为训练样本集T中的类别个数，|C

利用公式

其中，Info(Ai)为当前节点的属性熵，m2为训练样本集T通过某一属性划分的子数据集个数，|A

利用公式Gain(Ai)＝Info(C)-Info(Ai)获取各个属性的信息增益Gain(Ai)；

利用公式

利用公式IGR＝Gain(Ai)/H(Ai)获取各个属性的信息增益率IGR；

选取信息增益率最大的属性为分裂属性进行分裂，若分裂之后，该分裂属性下的属性值所对应的类别是相同的，则把它定义为叶子结点；若类别不相同，则继续向下进行分裂，重复进行上述步骤，直至分裂属性下的属性值所对应的类别均相同，分裂结束，一个决策树模型构建完成。

本发明的优点在于：本发明结合知识图谱推理和随机森林推理进行故障诊断，知识图谱推理采用多元信息及数据来对故障进行诊断，提高了诊断结果的准确性，随机森林推理采用集成分类算法进行故障诊断，无需进行特征提取，具有一定的抗噪能力，诊断结果具有更高的准确性，算法收敛快，诊断效率高，适用于大型回转机组的故障诊断。

附图说明

图1为本发明实施例所公开的一种大型回转机组故障诊断方法的逻辑架构图；

图2为本发明实施例所公开的一种大型回转机组故障诊断方法的流程图；

图3为本发明实施例所公开的一种大型回转机组故障诊断方法的知识图谱示意图；

图4为本发明实施例所公开的一种大型回转机组故障诊断方法的故障征兆对应的图谱；

图5为本发明实施例所公开的一种大型回转机组故障诊断方法的故障机理对应的图谱；

图6为本发明实施例所公开的一种大型回转机组故障诊断方法的故障原因对应的图谱；

图7为本发明实施例所公开的一种大型回转机组故障诊断方法的解决办法对应的图谱；

图8为本发明实施例所公开的一种大型回转机组故障诊断装置的示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1

如图1和图2所示，一种大型回转机组故障诊断方法，所述方法包括：

上位机获取用户选择信息，根据用户选择信息判断需要调用的诊断模型，传感器采集的实时数据经过数据预处理以后输入上位机，传感器采集的实时数据包含振动加速度、速度、位移、温度、转速、电流、全息谱图等，数据预处理主要通过硬件电路实现，根据信号种类不同设置对应的电荷放大器、前置放大器、中间变换器，对信号进行放大或者模数转换，数据预处理不在本申请的保护范围之内，其硬件电路以及处理过程不做赘述，利用MATLAB软件对经过数据预处理的信号进行时域分析和频域分析，包括时域波形分析、时域特征分析、频谱分析、包络谱分析、倒频谱分析等，提取机组不同倍频下的幅值特征、相位特征、温度特征、转速特征、电流特征、全息谱特征作为传感器采集到的实时数据输入上位机，作为诊断模型的输入参数，MATLAB进行数据分析得到机组不同倍频下的各特征不在本申请的保护范围之内，具体过程不做赘述，时域波形分析、时域特征分析、频谱分析、包络谱分析、倒频谱分析等均为现有技术。然后，利用调用的诊断模型进行故障诊断，所述诊断模型包括知识图谱推理模型和随机森林推理模型；

所述知识图谱模型对故障诊断领域的大量资料及案例通过规则知识入口输入上位机进行存储，从中提取出能够反映故障征兆、故障机理、故障原因以及解决办法的信息，进行去重、消歧后，利用故障征兆、故障机理、故障原因以及解决办法之间的联系构建大型回转机组故障诊断知识图谱，如图3所示，给出了知识图谱的示意图，如图4-图7给出了故障征兆、故障机理、故障原因以及解决办法对应的图谱模块示意图，所述故障征兆包括振动幅值、相位、轴心轨迹、全息谱以及温度，并统一用“实体-关系-实体”或“实体-关系-值”三元组的形式进行表示，如热变形所对应的故障征兆幅值1X占主导可表示为三元组“热变形-1X占主导-幅值”，温度升高可表示为三元组“热变形-升高-温度”等，将所有故障征兆均表示成如此形式。在进行大型回转机组故障诊断时，将采集到的多元数据及信息特征在此模块与故障征兆进行匹配，综合考虑，从而判断故障类型。如采集到的多元数据及信息特征为幅值1X占主导、随转速变化不敏感、方向上径向振动较大、温度升高，即可判定故障类型为热变形。

知识图谱模型诊断过程可以采用数据库语言直接实现故障类型的判定，如：

Rule1：if(幅值1X占主导、随转速变化敏感、方向上径向振动较大、工频椭圆较大)then(不平衡故障，故障机理，故障原因，解决办法)；

Rule2：if(幅值1X占主导、随转速变化不敏感、方向上径向振动较大、温度升高)then(热变形故障，故障机理，故障原因，解决办法)；

Rule3：if(幅值1X占主导、随负荷变化敏感)then(偏心故障，故障机理，故障原因，解决办法)；

Rule4：if(幅值1X占主导、随转速变化敏感、方向上径向轴向振动较大、轴心轨迹伴有摩擦特征)then(轴弯曲故障，故障机理，故障原因，解决办法)；

…

故障类型确定以后可判断故障类型对应的故障机理以及故障原因，具体过程为：

所述故障机理包括额外激励力、磨损、弯曲变形以及振动不同步，并统一用三元组的形式进行表示，如热变形所对应的故障机理刚度偏小可表示为三元组“热变形-壳体变形-刚度偏小”，根据故障类型分析故障的产生机理。故障类型为热变形，则可对热变形的多种故障机理逐一进行分析，从而确定故障产生机理。如对于热变形的三种故障机理，间隙过小、刚度不够、温度过高，可根据预先设置的间隙阈值、刚度阈值及温度阈值进行故障机理的确定，一旦不在对应的阈值范围内，即可判定为对应的故障机理，如低于间隙阈值，则故障机理为间隙过小，如同时低于间隙阈值、低于刚度阈值及超过温度阈值，则故障机理为间隙过小、刚度不够以及温度过高。

所述故障原因包括设计制造缺陷、材质不均、操作不当、安装不当以及位置偏差，并统一用三元组的形式进行表示，如热变形所对应的故障原因由选材导致的制造缺陷可表示为“热变形-选材不当-制造缺陷”，一旦确定故障产生机理后，即可对故障原因进行逐一探查并快速确定。如对于温度过高故障机理对应故障原因有操作不当引起的升温过快、冷却流量不够，则根据预先设定的温度变化率阈值及冷却液流量阈值，一旦超过对应的阈值，即可判定为对应的故障原因，如超过设定的温度变化率阈值，则判断故障原因为操作不当，其他故障原因同理可判断，在此不做赘述。

所述解决办法包括动平衡、重新安装以及重新设计，并统一用三元组的形式进行表示，如由于选材不当导致的热变形所对应的解决办法可表示为“热变形-重新选材-选材不当”，以便在找到故障原因后能够对故障进行快速响应，提出相应的解决措施，如明确故障原因为选材不当，则可针对此故障原因查找重新选材的解决办法。

综上可知，知识图谱模型将知识图谱中故障征兆、故障原因、故障机理以及解决办法均统一表示成三元组的形式，根据传感器采集到的实时数据，从故障征兆出发，查找对应的故障类型、故障机理、故障原因以及解决办法，直接完成故障诊断。

用户根据需要选择故障诊断的推理方式来运行故障诊断逻辑。知识图谱推理主要是通过故障征兆直接判定大致故障，简单快速。随机森林推理可以通过历史数据(历史数据可存储于知识图谱或数据库中)变化趋势，利用随机森林算法，结合采集到的当前机组特征数据完成相应的故障诊断。随机森林推理如下：所述随机森林推理模型将故障征兆中的多种特征等效为征兆样本数据集，对所述征兆样本数据集随机抽取数据组成N个不同的训练样本集，每个训练样本集构造出一个决策树模型，将传感器采集到的实时数据作为测试样本，将测试样本输入N个决策树模型得到N个诊断结果，以众数投票确定最终的诊断结果，将诊断结果输出到人机交互界面。具体过程为：

所述故障征兆中与多种特征等效的征兆样本数据集为D＝(D

所述决策树模型的构建过程为：

利用公式

其中，Info(C)为当前节点的类别熵，m1为训练样本集T中的类别个数，|C

利用公式

其中，Info(Ai)为当前节点的属性熵，m2为训练样本集T通过某一属性划分的子数据集个数，|A

利用公式Gain(Ai)＝Info(C)-Info(Ai)获取各个属性的信息增益Gain(Ai)；

利用公式

利用公式IGR＝Gain(Ai)/H(Ai)获取各个属性的信息增益率IGR；

选取信息增益率最大的属性为分裂属性进行分裂，若分裂之后，该分裂属性下的属性值所对应的类别是相同的，则把它定义为叶子结点；若类别不相同，则继续向下进行分裂，重复进行上述步骤，直至分裂属性下的属性值所对应的类别均相同，分裂结束，一个决策树模型构建完成。一个叶子结点相当于一个故障类型，属性相当于故障特征，通过分裂属性完成叶子结点的查找，实现故障类型判定。

采用同样的方式从征兆样本数据集D中选取N次训练样本集T，重复上述算法步骤便可得到N个决策树模型；在进行故障诊断时，将传感器采集到的实时数据作为测试样本，将测试样本输入N个决策树模型得到N个诊断结果，以众数投票确定最终的诊断结果，将诊断结果输出到人机交互界面。

实施例2

如图8所示，与本发明实施例1相对应的，本发明实施例2还提供一种大型回转机组故障诊断装置，所述装置包括：

智能推理机，用于上位机获取用户选择信息，根据用户选择信息判断需要调用的诊断模型，传感器采集的实时数据经过数据预处理模块以后输入上位机，根据用户选择信息判断需要调用的诊断模型，利用调用的诊断模型进行故障诊断，所述诊断模型包括知识图谱推理模型和随机森林推理模型；

知识图谱推理机，用于所述知识图谱模型对故障诊断领域的大量资料及案例进行存储，从中提取出能够反映故障征兆、故障机理、故障原因以及解决办法的信息，进行去重、消歧后，利用故障征兆、故障机理、故障原因以及解决办法之间的联系构建大型回转机组故障诊断知识图谱，将知识图谱中故障征兆、故障原因、故障机理以及解决办法均统一表示成三元组的形式，根据传感器采集到的实时数据，从故障征兆出发，查找对应的故障类型、故障机理、故障原因以及解决办法，直接完成故障诊断；

随机森林推理机，用于所述随机森林推理模型将故障征兆中的多种特征等效为征兆样本数据集，对所述征兆样本数据集随机抽取数据组成N个不同的训练样本集，每个训练样本集构造出一个决策树模型，将传感器采集到的实时数据作为测试样本，将测试样本输入N个决策树模型得到N个诊断结果，以众数投票确定最终的诊断结果，将诊断结果输出到人机交互界面。

具体的，所述故障征兆包括振动幅值、相位、轴心轨迹、全息谱以及温度。

具体的，所述故障原因包括设计制造缺陷、材质不均、操作不当、安装不当以及位置偏差。

具体的，所述故障机理包括额外激励力、磨损、弯曲变形以及振动不同步。

具体的，所述解决办法包括动平衡、重新安装以及重新设计。

具体的，所述根据传感器采集到的实时数据，从故障征兆出发，查找对应的故障类型、故障机理、故障原因以及解决办法，直接完成故障诊断，包括：故障征兆被表示成“实体-关系-实体”或“实体-关系-值”的三元组形式，如故障类型热变形所对应的故障征兆幅值1X占主导表示为三元组“热变形-1X占主导-幅值”，故障类型热变形所对应的故障征兆温度升高可表示为三元组“热变形-升高-温度”，将传感器采集到的多元数据及信息特征与故障征兆进行匹配，从而判断故障类型，如采集到的多元数据及信息特征为幅值1X占主导、随转速变化不敏感、方向上径向振动较大、温度升高，即可判定故障类型为热变形，根据故障类型即得到对应的故障机理，根据故障机理得到对应的故障原因，由故障原因提出对应的解决办法。

具体的，所述故障征兆中与多种特征等效的征兆样本数据集为D＝(D

具体的，所述决策树模型的构建过程为：

利用公式

其中，Info(C)为当前节点的类别熵，m1为训练样本集T中的类别个数，|C

利用公式

其中，Info(Ai)为当前节点的属性熵，m2为训练样本集T通过某一属性划分的子数据集个数，|A

利用公式Gain(Ai)＝Info(C)-Info(Ai)获取各个属性的信息增益Gain(Ai)；

利用公式

利用公式IGR＝Gain(Ai)/H(Ai)获取各个属性的信息增益率IGR；

选取信息增益率最大的属性为分裂属性进行分裂，若分裂之后，该分裂属性下的属性值所对应的类别是相同的，则把它定义为叶子结点；若类别不相同，则继续向下进行分裂，重复进行上述步骤，直至分裂属性下的属性值所对应的类别均相同，分裂结束，一个决策树模型构建完成。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。