基于深度置信网络的卸船机关联规则故障预测模型方法与流程

本发明设计一种桥式抓斗卸船机小车系统故障预测方法，尤其是一种基于深度置信网络的卸船机关联规则故障预测模型方法。
背景技术：
：小车运行系统作为桥式抓斗卸船机最主要的工作系统，承担着卸船机正常运行中抓斗起升和开闭、小车行走等关键功能，在其实际生产中占有很重要的地位。小车运行系统发生故障会影响到整机的功能，有可能带来严重的事故，造成经济损失。因此，有必要对小车运行系统的健康状态进行监测、故障分析和故障预测，以确保卸船机安全稳定地运行，提早预警，减少因突发故障产生的经济损失以及避免人员伤亡等重大事故的发生。深度置信网络相比其他传统的故障预测方法，它可以摆脱传统的浅层学习方法对信号处理技术与故障诊断经验的依赖，能够从小车系统监测数据中自适应地提取故障特征，智能地识别和预测故障状态；同时由于小车系统存在大量历史运行状态信息以及定期监测数据，dbn能够及时地处理高维和非线性的数据，并有效地避免发生维数灾难。分析桥式抓斗卸船机这种工作环境比较恶劣，易受到载荷、工况变化等不确定因素影响的设备，其运行过程状态呈现出动态的、实时变化的特征。首先采用关联规则分析方法获得表征卸船机小车系统故障类型与故障征兆之间的关联规则，进而解决卸船机小车系统状态监测参量之间的相关性问题。然后，结合深度学习理论的自我学习能力，将原始时域信号数据输入dbn进行训练，通过反向微调学习对其进行整体微调，利用该模型对卸船机振动烈度时间序列进行多步预测。最后，构建状态监测残差序列特征约束函数模型，通过关联权重残差序列状态变化实现故障预测。技术实现要素：为了提升卸船机小车系统中各状态特征参量的预测精度，经一步深入掌握该系统内在潜藏性的故障发展趋势，本发明提供一种以小车系统中振动烈度和应力值作为特征参量，以此预测小车系统状态改变走向的基于深度置信网络的卸船机关联规则故障预测模型方法。本发明解决其技术问题所采用的技术方案是：一种基于深度置信网络的卸船机关联规则故障预测模型方法，所述预测方法包括以下步骤：(1)将桥式抓斗卸船机小车系统状态监测的时间序列作为模型输入，采样获得小车系统的关联内部特征信息和故障类别作为模型输出；(2)对原始监测数据进行预处理，将数据归一化，生成数据集进行分组获得训练集和测试集；(3)对获取的时间序列t进行相空间重构，转换成矩阵形式并构建输入和输出yt＝{xt}映射关系f:rm→r；(4)训练由rbm堆叠和回归层构成的深度置信网络预测模型，获取各个相关监测点振动烈度为时间序列的未来残差序列预测值，得到小车系统的各单个运行状态特征；(5)利用关联规则算法挖掘卸船机小车系统中故障类型与故障征兆之间的关系式sn→fm，通过置信度获取对应的权重系数，结合两者关系及其小车系统的各单个运行状态特征构建故障类型与对应监测点残差序列特征约束函数模型；(6)输入数据集利用训练得到的基于深度置信网络的卸船机关联规则故障预测模型进行预测。进一步，所述方法还包括以下步骤：(7)将卸船机小车系统故障发生历史数据用于卸船机故障预测模型，将预测结果和历史故障进行对比，分析预测结果。再进一步，所述步骤(4)中，训练由rbm堆叠和回归层构成的深度置信网络预测模型，获取各个相关监测点振动烈度为时间序列的未来残差序列预测值，过程如下：(4.1)读入卸船机小车系统监测数据样本集；(4.2)通过故障征兆采集监测数据信息确定dbn输入层和输出层的节点数为m个；(4.3)在确定输入和输出节点数之后，设定隐含层节点数为20，并采用单一变量实验法，通过改变网络层数，分别设定为3层：m-20-m，4层：m-20-20-m，5层：m-20-20-20-m和6层：m-20-20-20-20-m，最终通过评价指标变化结果选择最为恰当的网络结构为k层；(4.4)确定输入输出节点数和网络层数之后，构建基础的3层dbn预测模型，在确保已知变量都不改变的情况下，设置隐含层节点数的大小为：1,2,3,5,10,15,20,25,35,40,45,50，然后进行模型训练和预测，并选取最佳隐含层节点数n；(4.5)利用训练完成的dbn预测模型对各监测点数据样本进行预测，并获取残差序列。再进一步，所述步骤(1)中，以桥式抓斗卸船机小车系统为研究对象，其特征参数是通过分析卸船机小车系统四种运行工况和故障发生特点得出，其中包括抓斗开斗下降、抓斗取料、满斗提取回升、开斗卸料过程中不同部位的振动烈度以及金属结构不同位置的应力值作为特征参数；模型输出包括卸船机小车系统关联内部特征信息与故障类型。更进一步，所述步骤(2)中，对原始监测数据进行预处理，过程如下：对原始监测数据进行预处理，过程如下：(2.1)为按特定工况定期全面监测卸船机小车系统的机械状态，在卸船机主要位置布置了23个传感测点，这些测点按监测点位置分成3组：第i组监测小车系统驱动电机、减速器的振动；第ii组监测金属结构系统中大梁、小门架及轨道上的振动与冲击；第iii组监测大梁、小门架等金属结构的受力情况。定期采集这些监测点的数据作为分析数据；(2.2)监测点采集的是定期存储数据，尽可能的覆盖卸船机小车系统运行状态中所有可能发生的状态，不仅要有故障状态，也要有正常状态下的监测数据；在精度能够符合要求的情况下，选择合适数量的样本数据；在确定了样本空间之后，由于振动烈度及应力值之间的单位量纲不同，需要对样本原始参数数据进行归一化处理，经过归一化后的数据范围是[0,1]。所述步骤(5)中，利用关联规则算法挖掘卸船机小车系统中故障类型与故障征兆之间的关系式sn→fm，通过置信度获取对应的权重系数，结合两者关系及其小车系统的各单个运行状态特征构建故障类型与对应监测点残差序列特征约束函数模型的过程如下：(5.1)确定桥式抓斗卸船机的故障类型及故障征兆，项集f1＝轨道故障，f2＝减速器故障…fn＝电机故障；项集s1＝开闭电机振动，s2＝起升电机振动…sm＝大梁端振动；(5.2)采集相同工况下且足够多的历史实验数据作为样本，分析故障类型与故障征兆之间的关联性，在此分析中事务数据库di＝{第i个故障类型fi发生}，项集si＝{第i个故障征兆状态超标}，总样本中，各故障征兆sn发生的状态量超标次数为f(sn)，故障例总数|dm|中，各故障征兆sn发生的状态量超标次数为f(sn∪fm)，关联规则为第m个故障类型fm对应的约简后故障征兆为sm,n，fm＝{sm,1,sm,2,…,sm,nm}，其中nm为约简后fm中故障征兆个数，由置信度得到权重系数表达式：式中式中：w′m，n为故障类型fm中故障征兆为sm,n的权重系数；cm,n为相应的置信度，建立卸船机小车系统故障类型与卸船机小车系统故障征兆的权重系数w′m，n；(5.3)通过关联规则分析获取小车系统故障类型与各个故障征兆之间的函数关系式为：fi(s)＝w′1si,1+w′2si,2+…+w′jsi,j，其中：fi为第i个故障类型，si，j为对应的故障征兆，wj’为相应的权重系数；构建小车系统故障类型与各个故障征兆所对应的监测点基于dbn预测模型所得的残差序列e之间的函数式，对每个相关残差序列赋上权重时，应使故障类型状态特征中越重要的单点预测值权重越大，并随着数据信息的不断更新对权值会有不同方位的收敛。获得卸船机小车系统故障类型与对应监测点残差序列e特征约束函数如式为：ei,j为对应征兆监测点的残差序列；(5.4)训练获取卸船机小车系统中各个监测点振动烈度残差序列变化预测值。本发明的技术构思为：深度置信网络模型作为深度学习数据挖掘手段中重要的模型之一，它可以直接从低阶原始数据信息中逐层贪婪地学习获取高阶特征表示，避免了人为操作进行特征提取和选择，有效地消除过去人工特征提取与选择所带来的复杂性和模糊性，加强了挖掘过程的智能性。关联规则作为数据挖掘的核心研究内容之一，可以通过寻找数据库中满足最小支持度和最小置信度阈值的强关联规则，进而获取重要的各个参量之间的相关关系。与别的传统的故障确诊方法相比，dbn算法可以摆脱传统的浅层学习方法对信号处理技术与故障确诊方法的依赖，能够从原始数据中自适应地提取故障特征，智能地识别和预诊故障状态；其次，该算法对时域信号没有周期性要求，拥有很强的适用性和实用性；最后，它还具有有效解决高维维数灾难和处理非线性数据的能力因此，提出一种基于深度置信网络的卸船机关联规则故障预测模型方法，通过探究预测模型中重要网络参数对预测结果的影响，利用该模型方法对小车系统监测设备的振动烈度特征量进行多步预测，并引入关联规则算法计算获取权重系数来约束故障类型与故障征兆之间的权重，既全面考虑了各个影响故障预测的各类因素，又避免了各特征参数相互耦合，最后结合两者优点构建的预测模型在小车系统故障预警阈值精度上大有提高，并取得令人满意的结果。本发明的有益效果主要表现在：1、本发明利用深度置信网络预测卸船机运行状态针对小车系统运行故障和故障信息建立预测模型，提高深度置信网络提取系统内部故障特征能力，增强关键特征识别和预测表征能力，在学习能力和计算复杂度上都明显比传统预测模型有较好的特征提取能力。2、本发明采用关联规则计算获取权重系数约束特征状态参量建立特征约束函数模型，构建故障类型与故障征兆的权重比重，通过数据实时更新优化权重对不同方位的收敛，避免了传统关联规则表征运行状态时更新迟缓，计算量大、准确性不够高等缺点，采用关联规则获取残差序列预测值的权重系数，很大的提高了对于桥式抓斗卸船机故障的预测精度和预测速度。3、本发明基于深度置信网络的卸船机关联规则故障预测模型方法的数学模型搭建简单，真实反映了卸船机小车系统状态与故障信息变化的发展趋势，并准确体现了卸船机故障与状态监测特征之间的内涵关系，为探求卸船机预测系统提供理论依据。附图说明图1为本发明基于深度置信网络的卸船机关联规则故障预测模型方法的具体流程图。图2为dbn结构及训练过程图。图3为dbn模型参数选择中网络层数实验分析图。图4为dbn模型参数选择中隐含层节点数实验分析图。图5为dbn模型参数选择中隐含层节点为20时的预测结果。图6为dbn模型参数选择中隐含层节点为20时的预测结果。图7为实例分析中开闭电机s1输出端振动烈度的四种预测值分析图。图8为开闭电机预测值对应计算获得残差序列值。图9为实例分析中起升电机s2输出端振动烈度的四种预测值分析图。图10为起升电机预测值对应计算获得残差序列值图11为实例分析中牵引电机s3输出端振动烈度的四种预测值分析图。图12为牵引电机预测值对应计算获得残差序列值图13为实例分析中大梁端s4振动烈度的四种预测值分析图。图14为大梁端预测值对应计算获得残差序列值图15为实例分析中左侧前拉杆与大梁连接处s5振动烈度的四种预测值分析图。图16为左侧前拉杆与大梁连接处预测值对应计算获得残差序列值图17为实例分析中右侧前拉杆与大梁连接处s6振动烈度的四种预测值分析图。图18为右侧前拉杆与大梁连接处预测值对应计算获得残差序列值图19为实例分析中前大梁中间处s7应力值的四种预测值分析图。图20为前大梁中间处预测值对应计算获得残差序列值图21为小车系统中电机故障预测评估值。具体实施方式下面结合附图表对本发明作进一步描述。参照图1～图21，一种基于深度置信网络的卸船机关联规则故障预测模型方法，所述预测方法包括以下步骤：(1)将桥式抓斗卸船机小车系统状态监测的时间序列作为模型输入，采样获得小车系统的关联内部特征信息和故障类别作为模型输出；(2)对原始监测数据进行预处理，将数据归一化，生成数据集进行分组获得训练集和测试集；(3)对获取的时间序列t进行相空间重构，转换成矩阵形式并构建输入和输出yt＝{xt}映射关系f:rm→r；(4)训练由rbm堆叠和回归层构成的深度置信网络预测模型，获取各个相关监测点振动烈度为时间序列的未来残差序列预测值，得到小车系统的各单个运行状态特征；(5)利用关联规则算法挖掘卸船机小车系统中故障类型与故障征兆之间的关系式sn→fm，通过置信度获取对应的权重系数，结合两者关系及其小车系统的各单个运行状态特征构建故障类型与对应监测点残差序列特征约束函数模型；(6)输入数据集利用训练得到的基于深度置信网络的卸船机关联规则故障预测模型进行预测；(7)将卸船机小车系统故障发生历史数据用于卸船机故障预测模型，将预测结果和历史故障进行对比，分析预测结果。本实施例中，实验采用该监测系统中从2015年5月至2017年11月的状态监测数据，每周获取一次，得100行样本数据，采用前80行的样本构建故障预测模型，剩余的样本用于验证该预测模型预测精度。按特定工况定期全面监测卸船机小车系统的机械状态，在卸船机主要位置布置了23个传感测点，这些测点按监测点位置分成3组：第i组监测小车系统驱动电机、减速器的振动；第ii组监测金属结构系统中大梁、小门架及轨道上的振动与冲击；第iii组监测大梁、小门架等金属结构的受力情况。定期采集这些监测点的数据作为分析数据。针对获取的这些数据进行dbn模型预测获得图7至图20的振动烈度及应力预测值，以及相对应的残差序列值，对卸船机进行小车运行系统下故障预测实验：(1)依据现场故障信息反馈以及现有研究成果，获取桥式抓斗卸船机故障类型，如表1；(2)选取具有代表性且能准确有效反映卸船机运行状态的状态参量作为表征卸船机各类故障类型的故障征兆，获取表2中的13个状态参量作为故障征兆；(3)针对小车运行状态故障预测分析，提供其部分历史试验数据如表3；(4)以“电机故障”为预测实例，通过表3中故障类型所对应的故障征兆的支持度，利用支持度和置信度进行简化，建立卸船机小车运行系统故障类型与故障征兆的关联关系并获取权重系数如表5；(5)通过构建的小车系统故障预测模型进行故障类型预测。现参考图1详细描述本发明实施的基于深度置信网络的卸船机关联规则故障预测模型方法，包括以下步骤：(1)获得模型输入和输出，将桥式抓斗卸船机小车系统状态监测的时间序列作为模型输入，采样获得小车系统的关联内部特征信息和故障类别作为模型输出；(2)对原始监测数据进行预处理，将数据归一化，生成数据集进行分组获得训练集和测试集；(3)对获取的时间序列t进行相空间重构，转换成矩阵形式并构建输入和输出yt＝{xt}映射关系f:rm→r；(4)训练由rbm堆叠和回归层构成的深度置信网络预测模型，获取各个相关监测点振动烈度为时间序列的未来残差序列预测值，得到小车系统的各单个运行状态特征；(5)利用关联规则算法挖掘卸船机小车系统中故障类型与故障征兆之间的关系式sn→fm，通过置信度获取对应的权重系数，结合两者关系及其小车系统的各单个运行状态特征构建故障类型与对应监测点残差序列特征约束函数模型；(6)输入数据集利用训练得到的基于深度置信网络的卸船机关联规则故障预测模型进行预测；(7)将卸船机小车系统故障发生历史数据用于卸船机故障预测模型，将预测结果和历史故障进行对比，分析预测结果。步骤(1)中，获得模型输入和输出进一步包括：以桥式抓斗卸船机小车系统为研究对象，其特征参数是通过分析卸船机小车系统四种运行工况和故障发生特点得出，其中包括抓斗开斗下降、抓斗取料、满斗提取回升、开斗卸料过程中不同部位的振动烈度以及金属结构不同位置的应力值作为特征参数；模型输出包括卸船机小车系统关联内部特征信息与故障类型。步骤(2)中，对原始监测数据进行预处理进一步包括：(2.1)为按特定工况定期全面监测卸船机小车系统的机械状态，在卸船机主要位置布置了23个传感测点，这些测点按监测点位置分成3组：第i组监测小车系统驱动电机、减速器的振动；第ii组监测金属结构系统中大梁、小门架及轨道上的振动与冲击；第iii组监测大梁、小门架等金属结构的受力情况。定期采集这些监测点的数据作为分析数据；(2.2)监测点采集的是定期存储数据，尽可能的覆盖卸船机小车系统运行状态中所有可能发生的状态，不仅要有故障状态，也要有正常状态下的监测数据；在精度能够符合要求的情况下，选择合适数量的样本数据；在确定了样本空间之后，由于振动烈度及应力值之间的单位量纲不同，需要对样本原始参数数据进行归一化处理，经过归一化后的数据范围是[0,1]。步骤(4)中，训练由rbm堆叠和回归层构成的深度置信网络预测模型，获取各个相关监测点振动烈度为时间序列的未来残差序列预测值进一步包括：(4.1)读入卸船机小车系统监测数据样本集；(4.2)通过故障征兆采集监测数据信息确定dbn输入层和输出层的节点数为m个；(4.3)在确定输入和输出节点数之后，设定隐含层节点数为20，并采用单一变量实验法，通过改变网络层数，分别设定为3层：m-20-m，4层：m-20-20-m，5层：m-20-20-20-m和6层：m-20-20-20-20-m，最终通过评价指标变化结果选择最为恰当的网络结构为k层；(4.4)确定输入输出节点数和网络层数之后，构建基础的3层dbn预测模型，在确保已知变量都不改变的情况下，设置隐含层节点数的大小为：1,2,3,5,10,15,20,25,35,40,45,50，然后进行模型训练和预测，并选取最佳隐含层节点数n；(4.5)利用训练完成的dbn预测模型对各监测点数据样本进行预测，并获取残差序列。步骤(5)中，利用关联规则算法挖掘卸船机小车系统中故障类型与故障征兆之间的关系式sn→fm，通过置信度获取对应的权重系数，结合两者关系及其小车系统的各单个运行状态特征构建故障类型与对应监测点残差序列特征约束函数模型进一步包括：(5.1)确定桥式抓斗卸船机的故障类型及故障征兆，项集f1＝轨道故障，f2＝减速器故障…fn＝电机故障；项集s1＝开闭电机振动，s2＝起升电机振动…sm＝大梁端振动；(5.2)采集相同工况下且足够多的历史实验数据作为样本，分析故障类型与故障征兆之间的关联性，在此分析中事务数据库di＝{第i个故障类型fi发生}，项集si＝{第i个故障征兆状态超标}，总样本中，各故障征兆sn发生的状态量超标次数为f(sn)，故障例总数|dm|中，各故障征兆sn发生的状态量超标次数为f(sn∪fm)，关联规则为第m个故障类型fm对应的约简后故障征兆为sm,n，fm＝{sm,1,sm,2,…,sm,nm}，其中nm为约简后fm中故障征兆个数，由置信度得到权重系数表达式：式中式中：w′m，n为故障类型fm中故障征兆为sm,n的权重系数；cm,n为相应的置信度，建立卸船机小车系统故障类型与卸船机小车系统故障征兆的权重系数w′m，n；(5.3)通过关联规则分析获取小车系统故障类型与各个故障征兆之间的函数关系式为：其中：fi为第i个故障类型，si,j为对应的故障征兆，wj’为相应的权重系数；构建小车系统故障类型与各个故障征兆所对应的监测点基于dbn预测模型所得的残差序列e之间的函数式，对每个相关残差序列赋上权重时，应使故障类型状态特征中越重要的单点预测值权重越大，并随着数据信息的不断更新对权值会有不同方位的收敛。获得卸船机小车系统故障类型与对应监测点残差序列e特征约束函数如式为：fi(e)＝w′1ei,1+w′2ei,2+…+w′jei,j，ei,j为对应征兆监测点的残差序列；(5.4)训练获取卸船机小车系统中各个监测点振动烈度残差序列变化预测值。从图2可以看出由三个rbm堆叠而成的dbn结构模型，其核心训练过程为通过导入数据在底层rbm学习之后，将其导出结果当作下层rbm的导入，并进行层层传递，进而在高层生成比底层更具抽象和代表性的特征参量；图3表示dbn网络层数分别为3、4、5和6层的评价结果，并显示4层是为最佳层数；图4为dbn网络模型中不同数量的隐含层节点数对预测误差的影响程度，并显示隐含层节点数存在两个误差极小值点，分别为20和40；图5、图6分别为当隐含层节点数分别为20和40时的极值点预测结果对比图，并显示节点数为20是有利于短期预测，节点数为40是有利于长期预测；图7至图20分别为对应监测点振动烈度及应力在四种预测方法下的预测结果对比图和对应的残差序列对比图，有图可以看出dbn预测方法预测精度更高，残差变化更加明显，有利于故障预测；图21为根据基于深度置信网络的卸船机关联规则故障预测方法定量分析得出的故障预测评价值，并显示在第16到17周将会出现故障。表1和表2表示通过卸船机小车系统故障分析及经验总结得出的常见故障类型和所有的故障征兆表示。项集故障类型项集故障类型f1轨道故障f3电机故障f2主梁故障f4减速器故障表1项集故障征兆项集故障征兆s1开闭电机输出端振动s8左侧前拉杆与大梁连接处振动s2开闭电机减速箱振动s9右侧前拉杆与大梁连接处振动s3起升电机输出端振动s10前拉杆与小门架连接处受力s4起升电机减速箱速度s11前大梁中间处受力s5牵引电机输出端振动s12海侧大门架大梁横撑受力s6小门架顶端振动s13后大梁中间处受力s7大梁端振动表2表3为卸船机小车系统历史测试样本数据用于计算故障类型所对应的故障征兆的支持度，并建立相关关系。表3表4和表5表示小车系统所有故障类型一一对应的故障征兆项集，以及在实例分析中电机故障所对应的故障征兆项集的权重系数。表4表5综上所述，根据仿真结果显示，应用深度置信网络的卸船机关联规则故障预测模型方法预测，由卸船机状态特征预测值可以发现，利用dbn算法进行数据挖掘可以全面地获得表征卸船机运行状态的未来特征，预测模型能够对复杂的卸船机潜在故障特性进行描述。基于深度置信网络的卸船机关联规则故障预测模型对于卸船机故障信息进行预测时尤其能够反映卸船机的状态变化趋势和规律，预测精度较高。本发明弥补以往文献中对于卸船机小车系统故障预测研究的不足，对于卸船机系统故障预测进行了深入的研究，为研究该类起重机械的故障预测诊断提供了理论依据。当前第1页12