基于集成学习的机械设备故障诊断方法研究

摘要

机械设备在运行过程中会产生各种类型的信号，通过传感器采集到设备的运行信息，可以实时的监控设备的运行状况。当设备发生故障时，就会出现异常信号，机械设备的故障特征就蕴含在其中，但如何从这些设备运行数据中识别出故障特征一直是一个难题。近年来国家不断推动机械设备往智能化和信息化的方向发展，并鼓励机器学习技术、信息技术以及物联网技术的研究和应用，这为智能故障诊断技术的研究带来新思路和机遇。本文通过深入研究机器学习算法在机械设备故障诊断中的应用，建立基于单个机器学习算法的故障诊断模型，并应用于卡车空压系统和滚动轴承的故障诊断中。结合实验结果对Stacking算法提出改进，提出基于集成学习的故障诊断模型，并结合算例来验证所提方法的有效性，具体研究内容如下：　　1)对先进的机械设备故障诊断技术的原理，故障数据的数据预处理和特征提取方法进行研究，并分别对卡车空压系统故障数据集和滚动轴承故障预测数据集这两个特点完全不同的数据集进行数据分析处理。　　2)分别使用SVM、RandomForest、AdaBoost、LightGBM、XGBoost、CatBoost构建故障诊断模型，并将其应用于卡车空压系统和滚动轴承的故障诊断中。在模型训练中针对机器学习算法超参较多，调参繁琐且困难的问题，提出将贝叶斯优化与网格搜索结合的方法对各个单模型进行调参。通过在卡车空压系统故障数据集上的实验测试各个模型的性能，验证所提调参方法的有效性。　　3)分析实验结果和各机器学习算法的优缺点，提出改进的Stacking模型，以SVM、RandomForest、AdaBoost、LightGBM、XGBoost的预测输出作为CatBoost模型的输入，完成对故障类型的识别。将Stacking模型应用于卡车空压系统和滚动轴承的故障诊断中，实验结果表明，基于改进Stacking模型的故障诊断方法在两个数据集的实验中得到了比所有单模型更好的效果，而CatBoost作为Stacking模型第二层的算法与传统的逻辑斯蒂回归算法和k-近邻算法效果相比性能大幅提高，能更好的融合各个模型，抑制过拟合。　　本文提出的智能故障诊断方法将理论与实践相结合，为准确率和可靠性要求高的场景提供一种解决方案，具有较强的应用价值。

目录

声明

第1 章绪论

1.1 引言

1.2 课题背景和意义

1.3 故障诊断国内外研究现状

1.3.1 故障诊断概述

1.3.2 故障数据特征提取国内外研究现状

1.3.3 故障识别算法国内外研究现状

1.4 主要研究内容及技术路线

第2 章智能故障诊断算法研究

2.1 引言

2.2 智能故障诊断及预测方法

2.2.1 基于数学模型的方法

2.2.2 基于信号处理的方法

2.2.3 基于知识的方法

2.3 支持向量机

2.4 树集成模型

2.4.1 RandomForest模型

2.4.2 AdaBoost模型

2.4.3 XGBoost模型

2.4.4 LightGBM 模型

2.4.5 CatBoost模型

2.5 本章小结

第3 章数据集来源与数据分析处理

3.1 引言

3.2 特征工程

3.3 斯堪尼亚卡车空压系统故障数据集

3.3.1 数据集简介

3.3.2 数据分析及预处理

3.3.3 模型性能评价指标

3.4 滚动轴承故障预测数据集

3.4.1 数据集简介

3.4.2 数据分析及预处理

3.4.3 模型性能评价标准

3.5 本章小结

第4 章基于单模型的故障诊断方法研究

4.1 引言

4.2 贝叶斯优化与网格搜索调参

4.3 基于单模型的故障诊断

4.3.1 基于SVM的故障诊断模型

4.3.2 基于RandomForest的故障诊断模型

4.3.3 基于AdaBoost 的故障诊断模型

4.3.4 基于XGBoost 的故障诊断模型

4.3.5 基于LightGBM的故障诊断模型

4.3.6 基于CatBoost 的故障诊断模型

4.3.7 实验结果分析

4.4 本章小结

第5 章基于改进Stacking 模型的故障诊断方法研究

5.1 引言

5.2 Stacking 模型改进

5.3 基于改进Stacking 模型的故障诊断实验

5.3.1 Stacking 模型第二层算法选择

5.3.2 空压系统故障诊断实验结果分析

5.3.3 滚动轴承故障诊断

5.3.4 滚动轴承故障诊断实验结果分析

5.4 结果汇总与模型对比分析

5.5 本章小结

结论与展望

致谢

参考文献

攻读硕士学位期间发表的论文及科研成果