一种基于遗传算法和lightgbm的鼓风机电机故障诊断方法
技术领域
1.本发明属于电机故障诊断技术领域，特别涉及一种基于遗传算法和lightgbm的鼓风机电机故障诊断方法。
背景技术：
2.当前，鼓风机广泛应用于钢铁企业，作为钢铁企业的基础重要设备之一，其运行故障的诊断预测对生产顺利进行有着至关重要的作用。由于制造生产环境复杂，特别是鼓风机的电机容易发生故障，例如电机轴承损坏、定子绕组局部损坏、定子绕组短路和轴承松动等。这些故障影响设备的正常运行，进而影响生产的正常运行，甚至造成产品质量异常和产品交付延迟等问题。因此准确地诊断鼓风机电机的故障，对工程应用和生产决策具有重要作用。
3.鼓风机电机故障的诊断首先要获取重要的电机特征信号，然后通过一定方法进行预处理，最终获取相关故障的初始样本数据。鼓风机电机故障的诊断方法有许多种，常见的有支持向量机、决策树、各类神经网络等。但这些方法也存在某些局限，例如，支持向量机计算复杂度较高，核函数难以选择；神经网络数据需求大，训练速度慢，模型较大，收敛速度也慢。因此，研究提出一种能进行较好高效快速诊断鼓风机电机故障，同时可以有效改进模型预测精度的诊断方法就尤为关键。
技术实现要素：
4.针对上述问题，本发明提供一种基于遗传算法和lightgbm的鼓风机电机故障诊断方法，所述诊断方法包括：采集鼓风机设备信号数据组，将信号数据组分为训练样本和测试样本，将相应的故障类型序列数据作为训练样本的标签；根据编码规则初始化种群基因序列、最大进化代数、种群数量、染色体长度和染色体基因维数，构建初始lightgbm模型；将训练样本输入初始lightgbm模型，并结合遗传算法对lightgbm模型进行参数调优；对参数调优后的lightgbm模型进行训练；将测试样本输入训练后的lightgbm模型进行测试，得到鼓风机电机的故障诊断结果。
5.优选地，所述信号数据组包括设备信号数据组和故障类型信号数据组；其中，设备信号数据组包括：定子电流数据、主电机左点轴承振动数据、主电机右点轴承振动数据、风机轴承振动数据、风机进气侧振动数据和风机排气侧振动数据。
6.优选地，所述构建初始lightgbm模型，包括：对种群进行初始化，得到初始种群；采用boosting方法训练样本，设置抽样率，并按照抽样率从训练样本中进行抽样
得到特征样本子集。
7.优选地，所述初始化种群包括：设置种群规模、种群个体的基因型、lightgbm树的最大深度max_depth、模型学习率learning_rate
×
100和叶子数num_leaves；其中，种群个体的基因型为一串二进制编码，代表着lightgbm树的最大深度max_depth,模型学习率learning_rate
×
100，指定叶子数num_leaves。
8.优选地，所述结合遗传算法对lightgbm模型进行参数调优，包括：确定迭代数y和初始迭代模型；以第y次迭代当前基因型参数构建lightgbm模型，对训练样本进行训练分类，训练方法使用五折交叉验证迭代训练，得到第y次迭代lightgbm模型的分类精确率，并以该次分类精确率作为遗传算法的第y次迭代的适应度值；再进行选择运算，具体包括：先计算出y次迭代种群中所有个体的适应度，再计算出每个个体的相对适应度的大小，即为每个个体被遗传到下一代群体中的概率，每个概率值组成一个区域，全部概率值之和为1；然后在0到1之间生成一个随机数，由随机数出现在各概率区域内次数来确定各个相应个体被选中的次数；适应度值最大的个体基因型表示的参数作为该次模型参数的局部最优解；再进行交叉运算，具体包括：在对种群进行随机配对后，随机产生交叉点位置，然后互相交换配对染色体之间的部分基因，产生新的个体基因；再进行变异运算，具体包括：随机产生的变异点位置，设置基因值变异概率，按基因值变异概率将变异点的原有基因值取反，产生新的个体基因；判断迭代数y是否达最大进化代数，否则以新的基因型参数作为lightgbm模型的模型参数进行新一轮迭代；当迭代数y达最大进化代数，选出该次迭代的局部最优解中对应的模型参数作为全局最优解，并以此模型参数构建lightgbm模型。
9.优选地，所述迭代数y的初始值为1；所述初始迭代模型为以初始群的基因型为参数的lightgbm模型。
10.本发明具有以下有益效果：本发明基于遗传算法和lightgbm的鼓风机电机故障诊断方法，提高了模型故障诊断的精确率。遗传算法的参数调优方法，改善了数据冗余，提高模型的效率和准确率。
11.本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书以及附图中所指出的结构来实现和获得。
附图说明
12.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
13.图1示出本发明实施例中一种基于遗传算法和lightgbm的鼓风机电机故障诊断方法图；
图2示出本发明实施例中训练阶段和预测阶段的示意图；图3示出本发明实施例中基于遗传算法和lightgbm的鼓风机电机故障诊断方法结构模型流程示意图；图4示出本发明实施例中一种基于遗传算法和lightgbm的鼓风机电机故障诊断系统图。
具体实施方式
14.现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本公开的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。
15.此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件单元或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
16.附图中所示的流程图仅是示例性说明，不是必须包括所有的步骤。例如，有的步骤还可以分解，而有的步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
17.本技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本技术的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。
18.此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或子模块的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或子模块，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或子模块。
19.如图1所示，本发明提出一种基于遗传算法和lightgbm的鼓风机电机故障诊断方法，所述诊断方法包括以下步骤：s1、采集鼓风机设备信号数据组，将信号数据组分为训练样本和测试样本，将相应的故障类型序列数据作为训练样本的标签；s2、根据编码规则初始化种群基因序列、最大进化代数、种群数量、染色体长度和染色体基因维数，构建初始lightgbm模型；s3、将训练样本输入初始lightgbm模型，并结合遗传算法对lightgbm模型进行参数调优；
s4、对参数调优后的lightgbm模型进行训练；s5、将测试样本输入训练后的lightgbm模型进行测试，得到鼓风机电机的故障诊断结果。
20.如图2-图3所示，本发明的方法分为两个阶段：训练阶段，预测阶段。
21.(一)训练阶段：(图2左边的虚线框)步骤1：将带标签的样本数据预处理后作为lightgbm的训练集。
22.步骤2：使用遗传算法对lightgbm模型参数调优。
23.步骤3：用五折交叉验证迭代训练参数已调优lightgbm模型。
24.(二)预测阶段：(图2右边的虚线框)步骤1：将没带标签的样本数据预处理后作为lightgbm模型的测试集。
25.步骤2：使用训练阶段训练好的lightgbm模型进行预测。
26.下面具体阐述两个阶段的实现过程。
27.(一)训练阶段：步骤1-1：将原始数据预处理并转化为标准二维数据。
28.具体为：训练数据长度为120s，采样率6000。训练数据是按时间先后顺序采集的序列数据。
29.采集数据包括主电机定子电流、主电机左点轴承振动、主电机右点轴承振动、风机轴振动、风机进气侧振动、风机排气侧振动和故障类型数据组，这些数据一起通过归一化构成初始输入的标准二维数据。
30.步骤1-2：鼓风机电机故障类型，共5类故障。这5种鼓风机电机故障类型按故障名称的0至4的序号构成电机故障类型字典statusdict={'0':'电机轴承损坏','1':'定子绕组局部损坏','2':'定子绕组短路','3':'轴承松动','4':'联接偏心'}，鼓风机电机故障名称对应序号作为训练集标签。
31.步骤1-3：根据编码规则初始化种群基因序列、最大进化代数、种群数量、染色体长度和染色体基因维数， 构建初始lightgbm模型；(1)初始化种群，种群规模为8，种群个体的基因型为一串二进制编码，代表着lightgbm树的最大深度max_depth，模型学习率learning_rate
×
100（由于这里的学习率乘以100，该学习率应用到lightgbm时，需除以100从而得到真实的学习率learning_rate），指定叶子数num_leaves；(2)lightgbm的训练集采用boosting方法，从原始样本进行抽样，抽取率为0.9，通过抽样得到特征样本子集；步骤1-4：输入步骤1-1预处理过的训练样本，采用遗传算法和lightgbm相结合，对lightgbm的参数调优；(1)迭代数y的初始值为1，即y=1，以初始种群的基因型参数的随机森林模型为当前迭代的初始模型；(2)以第y次迭代当前基因型参数构建lightgbm模型，对训练样本集进行分类，得到第y次迭代lightgbm模型的分类精确率，并以该次分类精确率作为遗传算法的第y次迭代的适应度值；(3)选择运算。先计算出y次迭代种群中所有个体的适应度，再计算出每个个体的
相对适应度的大小，他级为每个个体被遗传到下一代群体中的概率，每个概率值组成一个区域，全部概率值之和为1；然后在0到1之间生成一个随机数，由随机数出现在各概率区域内次数来确定各个相应个体被选中的次数。适应度值最大的个体基因型表示的参数作为该次模型参数的局部最优解。
32.(4)交叉运算。在对种群进行随机配对后，随机产生交叉点位置，然后互相交换配对染色体之间的部分基因，产生新的个体基因。
33.(5)变异运算。随机产生的变异点位置，设置基因值变异概率，按基因值变异概率将变异点的原有基因值取反，产生新的个体基因。
34.(6)判断迭代数y是否达最大进化代数，否则以新的基因型参数作为lightgbm模型参数进行新一轮迭代，重复步骤(2)、(3)、(4)和(5)；(7)当迭代数y达最大进化代数，选出该次迭代的局部最优解中对应的模型参数作为全局最优解，并以此模型参数构建lightgbm模型；步骤1-5：对参数调优后的lightgbm模型进行五折交叉验证训练，得到训练好的lightgbm鼓风机电机故障诊断模型。
35.(二)预测阶段：步骤2-1：预测数据长度为60s，采样率6000，是按时间先后顺序采集的序列数据。按步骤1-1的数据处理转化方式把预测样本数据处理成标准二维数据。
36.步骤2-2：将步骤2-1预处理好的预测样本数据送入训练好的lightgbm模型预测，得到各类鼓风机电机故障预测数字类别结果。然后使用步骤1-2生成的鼓风机电机故障类型字典将数字类别转化为鼓风机电机故障名称。
37.选择svm、gbdt、lightgbm和ga-lightgbm进行比较,对本方法有效性验证。使用不同的模型进行预测，所得结果如下表1所示。
38.表1
39.在表1中可以看出，从4种模型预测诊断准确率比较分析知，本实施例的ga-lightgbm算法模型的改进优化有明显的效果。
40.如图4所示，本发明还提出一种基于遗传算法和lightgbm的鼓风机电机故障诊断系统，包括采集模块1、模型构建模块2、参数调优模块3、训练模块4和测试模块5。
41.采集模块1用于采集鼓风机设备信号数据组，将信号数据组分为训练样本和测试样本，将相应的故障类型序列数据作为训练样本的标签。
42.模型构建模块2用于根据编码规则初始化种群基因序列、最大进化代数、种群数量、染色体长度和染色体基因维数，构建初始lightgbm模型。
43.参数调优模块3用于将训练样本输入初始lightgbm模型，并结合遗传算法对lightgbm模型进行参数调优。
44.训练模块4用于对参数调优后的lightgbm模型进行训练。
45.测试模块5用于将测试样本输入训练后的lightgbm模型进行测试，得到鼓风机电机的故障诊断结果。
46.本领域的普通技术人员应当理解：尽管参考前述实施例对本发明进行的详细说明，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。