[发明专利]一种基于深度森林的餐厨余设备故障诊断方法

说明书

本发明公开了一种基于深度森林的餐厨余设备故障诊断方法，包括如下步骤：(1)对原始数据进行预处理；(2)使用深度森林算法对训练样本进行训练；(3)利用餐厨余设备故障诊断模型进行故障诊断；(4)故障类型的统计分析。本发明通过将深度学习算法与的故障诊断相结合，改善传统方法在故障类型诊断方面的困难，将深度学习分类算法的优点引进故障诊断领域，与传统的深度学习算法分析故障类型相比，深度森林分类算法的参数设置简单，能够自动学习特征，能自动确定级联森林的层数，诊断的精度高，诊断的结果更直接。

技术领域

本发明涉及一种基于深度森林的餐厨余设备故障诊断方法。

背景技术

在生活垃圾分类全面推进之际，餐厨垃圾处理亦有了新内涵。基于垃圾处理的现状， 若希望到2020年底城市基本建立餐厨垃圾回收和再生利用体系，实现就地高效、环保、无害化、资源化处置垃圾及日常生活垃圾，需要开发餐厨余设备。未来餐厨余设备将通 过云平台将大量的数据导入系统；因此，对餐厨余设备的监控尤其重要，以便对餐厨余 设备的故障诊断这方面进行研究和分析。

发明内容

发明目的：为了克服现有技术中存在的不足，本发明提供一种基于深度森林的餐厨 余设备故障诊断方法，以提高餐厨余设备故障诊断的效率与准确率。

技术方案：为实现上述目的，本发明采用的技术方案为：

深度森林算法是在深度学习理论以及深度神经网络的启发下，以随机森林算法为基 础的一种有监督机器集成学习算法。作为一种具有一定深度的基于决策树的预测算法，深度森林算法将预测过程分为2个阶段：多粒度扫描阶段和级联森林阶段。

本发明提出的一种基于深度森林的餐厨余设备故障诊断方法，包括如下步骤：

(1)对原始数据进行预处理

对餐厨余设备故障的原始数据进行故障分类，剥离出破碎故障、挤干故障、搅拌故障、相序故障、风机故障、油泵故障、温度故障和电流故障的特征数据，对剥离出的特 征数据进行预处理，剔除无效特征数据，并利用线性插值算法对缺失的特征数据进行填 补，得到训练样本；

(2)使用深度森林算法对训练样本进行训练

对深度森林算法进行超参数设置，使用训练样本对多粒度扫描阶段和级联森林阶段 的森林模型进行构造，确定级联森林的级数，在全阶段得到餐厨余设备故障诊断模型；

(3)利用餐厨余设备故障诊断模型进行故障诊断

将预测样本的特征数据依次进行多粒度扫描阶段、级联森林阶段和全阶段的处理， 得出故障类型，根据预测结果的准确性进行性能评估；

在故障诊断过程中，若预测结果的准确性超出波动范围并出现下降趋势，则提高最 近时间段内的所有故障的特征数据采集密度以增加新的训练样本，优化餐厨余设备故障 诊断模型；

(4)故障类型的统计分析

统计各种故障类型的出现频次，根据各种故障的出现频次阈值，对高于阈值的故障 类型进行特征数据的统计和趋势分析。

具体的，该餐厨余设备的破碎电机、挤干电机、搅拌电机和油泵的供电接触器通过热继电器与PLC控制器连接，当发生过载过流情况时，热继电器的开关状态会发生变化， 并将信息传输给PLC控制器；所述各种故障类型的特征数据包括：

破碎故障：故障时破碎电机的电压和电流值、故障时热继电器的开关状态，以及故障时间点；

挤干故障：故障时挤干电机的电压值和电流值、故障时热继电器的开关状态，以及故障时间点；

搅拌故障：故障时搅拌电机的电压和电流值、故障时热继电器的开关状态，以及故障时间点；