[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

权利要求书

1.一种基于改进随机森林算法的电机轴承故障诊断方法，其特征在于：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：

式中：X为采集的原始振动信号；Y_i为第i个IMF分量，i＝1,2,…,8；EX为原始振动信号均值；EY_i为第i个IMF分量均值；D(X)为原始振动信号方差；D(Y_i)为第i个IMF分量方差；

(4)提取特征数据：将相关系数大于0的IMF分量进行组合作为样本特征数据集T，并随机抽取70％作为训练集，30％作为测试集；

(5)生成改进随机森林故障诊断模型：将生成的样本特征数据集T输入到改进随机森林算法中，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：通过加速度传感器对现场电机轴承振动信号进行数据采集，将数据通过无线传输模块输入到树莓派中，把每3000个数据作为一组数据集递归调用第(2)步至第(4)步，得到样本特征数据集M，先将其以txt文件保存到树莓派中以便将来进行数据分析，后将其输入到改进随机森林故障诊断模型中，得到最终诊断结果；

(7)故障提示：在树莓派显示屏上点亮对应电机轴承相应故障指示灯，并通过无线传输模块将现场对应电机轴承相应故障指示灯点亮。

2.根据权利要求1所述的基于改进随机森林算法的电机轴承故障诊断方法，其特征在于：所述步骤(5)具体包括以下步骤：

(5a)将样本特征数据集T中正常轴承标签设为0，其余故障轴承标签设为1，生成先验特征数据集U；

(5b)将先验特征数据集U随机抽取70％作为训练集，30％作为测试集，将训练集输入到改进的C4.5、CART算法中生成改进的C4.5、CART决策树；

(5c)用生成的C4.5、CART决策树对步骤(5b)中生成的测试集进行诊断，获得各决策树的先验知识，其中先验知识的诊断准确率P、漏报率Q的计算公式具体如下：

式中，TP为测试集中正常样本诊断结果为正常的数目；TN为测试集中故障样本诊断结果为故障的数目；FP为测试集中故障样本诊断结果为正常的数目；FN为测试集中正常样本诊断结果为故障的数目；

(5d)将生成的决策树集成为随机森林，并按其漏报率、准确率大小分为议长AA及议员BB，并对各成员赋予不同权重系数,接着进入步骤(6)：若某棵决策树分类准确率高于设定阈值，且漏报率低于阈值，则将该树划分为AA；若某棵决策树分类准确率高于设定阈值，但漏报率不低于阈值，则将该树划分为BB；AA成员权重系数为各成员先验漏报率AA_i,B成员权重系数为各成员先验准确率为BB_j。

3.根据权利要求2所述的基于改进随机森林算法的电机轴承故障诊断方法，其特征在于：所述步骤(6)中将样本特征数据集M输入到改进随机森林故障诊断模型中，得到最终诊断结果，其具体过程如下：

(6a)将步骤(4)中生成的训练集输入到步骤(5)生成的改进随机森林模型中进行训练得到新的分类器；

(6b)将步骤(4)中生成的测试集输入到步骤(6a)训练得到的分类器中，得到各组数据的诊断结果；

(6c)将决策树的AA、BB各成员诊断结果分别乘其权重系数后集成，得到AA、BB类成员对所有样本的集成诊断结果AA_final和BB_final,并将BB_final中诊断为正常的样本点替换为对应样本在AA_final中诊断结果，得出所有样本诊断结果XX。