[发明专利]一种基于TPE-XGBoost的旋转机械多参数健康状态评估方法

说明书

一种基于TPE‑XGBoost的旋转机械多参数健康状态评估方法，针对机械设备上采集的振动信号，首先使用巴特沃斯滤波器进行滤波得到高于1KHz与低于1KHz两部分，再提取有效值、峭度因子、峰值因子、歪度因子、裕度因子五个振动敏感参数；然后使用SMOTE‑ENN方法进行训练样本均衡；最后使用TPE优化算法进行XGBoost模型指定超参数空间进行迭代寻优，在最优参数下训练得到评估模型。两个实际工业案例证明本发明获得的评估模型可以输出状态概率，能够充分反映机械设备的健康状态信息，提高故障诊断准确率。

技术领域

本发明涉及一种旋转机械的健康评估方法，特别涉及一种基于TPE-XGBoost的多参数融合旋转机械健康评估方法。

背景技术

设备故障自动识别是工业互联网领域中一个重要研究领域。一般大型设备中包含有许多中小型的旋转机械部件，准确地预测这些中小型旋转机械的健康状态对大型设备的健康稳定运行不可或缺。在旋转机械设备上安装传感器，可以监测到若干参数，通过监测某些特定参数可以识别出设备是否发生故障。故障诊断工程师们在对设备进行诊断时，通过观测多个参数、分析并整合这些参数所传达出来的信息，从而对设备的健康状态进行准确的评估。一般来说，观测的参数越多，这些参数所反映出设备的健康状态越准确。但是这会增加工程师们的工作难度，一定程度上降低监测效率。另外，为了及早地发现机械出现了的微小故障，健康状态监测方法还应该能够根据以往的运行数据预测出未来短时间内的运行数据，以做到及时预警。

为了改善由于同时观测大量参数而导致的工作难度增加和监测效率降低的问题，一些方法根据观测到的多个参数来构造出特定的健康指数表征设备健康状态，这种方法往往对工程师的专家知识要求较高。一般来说，观测参数越多，所反映出的设备健康状态也越准确，但这会进一步增加工作难度，降低监测效率与有效性。

为了改善由于同时观测大量参数而导致的工作难度增加和监测效率降低的问题，一些方法尝试构造出某个指定指数来反映设备的运行状态。这种方法包括简单指数法和复杂指数法两种。简单指数法主要指从原始振动信号中提取特定的特征参数构建健康指数模型，复杂指数法大多基于实验数据展开，如采用试验方法，计算正常轴承振动信号与已知性能退化轴承信号的互相关系数，用它作为健康指数表征轴承的健康状态并用于轴承剩余寿命预测。然而，建模和对比所用数据集均为实验数据，因此模型泛化性可能较低。

近年来，机器学习方法已被证明可以有效解决上述问题。如针对生产系统中成分的退化和机械的磨损，利用ANN技术实现故障的检测和诊断；使用支持向量机和聚类方法对故障模式进行识别等。上述方法均在各个工业案例中得到了较好的验证。但是，神经网络算法的基础时基于渐进理论的传统统计学，只有在学习样本数目趋于无穷大时，其识别性能才能有理论上的保证。支持向量机等机器学习方法则对模型超参数有较高要求，同时无法有效解决训练样本不平衡的问题。

发明内容

本发明的目的是为了克服已有技术中训练样本不平衡时模型表现性能差、超参数优化效率低、预测精度低的问题。本发明提出的方法是一种融合SMOTE-ENN方法、 TPE(Tree-structured Parzen Estimator,树状Parzen估计)优化算法和XGBoost(eXtremeGradient Boosting,极值梯度提升树)的自动机器学习方法。该方法可以有效解决本领域研究中训练样本不均衡、故障样本少的问题，构建出一个高性能的训练集，并使用TPE优化算法对模型超参数进行优化，避免了繁琐低效的超参数调试。该方法通过对已有全生命周期数据样本的离线训练，可以在线评估出正在服役设备的健康状态。

该方法在实际应用中主要包含以下具体流程：

(1)离线训练：

a)获取设备全生命周期运行数据，并结合专家经验方法对明显设备状态进行少量标签。

b)对每一时段波形使用高低通滤波法分离出低于1KHz与高于1KHz的两部分波形数据，对这两部分数据提取五个振动敏感时域参数：有效值、峭度因子、峰值因子、歪度因子、裕度因子。