基于改進(jìn)XGBoost的注塑機(jī)液壓系統(tǒng)故障診斷研究

歐陽琦,張倍培,劉晉康,袁 棟,黃昌隆

(河海大學(xué)機(jī)電工程學(xué)院,江蘇 常州 213022)

隨著工業(yè)技術(shù)日益成熟,液壓和電子控制等技術(shù)結(jié)合更加緊密,設(shè)備出現(xiàn)故障的原因越來越復(fù)雜,發(fā)生的故障更難以診斷和排除,而液壓系統(tǒng)較機(jī)械、電氣系統(tǒng)出現(xiàn)的故障更為隱蔽,當(dāng)采用傳統(tǒng)技術(shù)診斷時,會占用大量的維修時間,造成巨大的經(jīng)濟(jì)損失[1]。注塑機(jī)作為將高分子材料制成各類塑料制品的主要成型設(shè)備,在塑料工業(yè)發(fā)展中占有重要地位。液壓系統(tǒng)作為注塑機(jī)的核心部件,其能否穩(wěn)定運(yùn)行直接關(guān)系到注塑機(jī)性能的優(yōu)劣。調(diào)研某注塑機(jī)維修廠的維修數(shù)據(jù)[2]發(fā)現(xiàn),其253條液壓系統(tǒng)歷史維修記錄中,閥門滯后故障為70次,冷卻效率降低故障為63次,泵泄漏故障為55次,液壓儲能器降壓故障為50次,其他故障共15次。分析以上數(shù)據(jù)可知,液壓系統(tǒng)閥門切換故障發(fā)生的頻次較高,其一旦發(fā)生故障將影響注塑機(jī)液壓系統(tǒng)的穩(wěn)定性,導(dǎo)致達(dá)不到正常工作的注塑壓力,而且排查液壓系統(tǒng)閥門故障需要花費(fèi)大量的人工檢修時間,嚴(yán)重影響企業(yè)的生產(chǎn)效率,因此實現(xiàn)對液壓系統(tǒng)故障的快速診斷顯得尤其重要。

針對液壓系統(tǒng)故障隱蔽難以準(zhǔn)確診斷等問題的研究,王杰等[3]提出了一種基于PID控制的注塑機(jī)液壓系統(tǒng)故障診斷方法,通過快速調(diào)節(jié)伺服控制器的PID參數(shù)完成了對注塑機(jī)液壓系統(tǒng)振蕩的消除;張鑫[4]提出了一種基于改進(jìn)徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡(luò)的故障診斷方法實現(xiàn)了對液壓系統(tǒng)泵源故障和管道故障的準(zhǔn)確分類與預(yù)測;李明駿等[5]提出的一種基于PSO-SVM模型的液壓系統(tǒng)診斷方法有效增強(qiáng)了對故障信號特征的提取,實現(xiàn)了故障類型的精準(zhǔn)識別;楊玲[6]通過利用XGBoost診斷算法對注塑機(jī)液壓系統(tǒng)進(jìn)行故障診斷,克服了傳統(tǒng)診斷模型泛化能力弱的缺點(diǎn)。但許多學(xué)者在實際應(yīng)用中發(fā)現(xiàn),XGBoost算法受超參數(shù)的約束導(dǎo)致其在故障診斷方面的性能不能得到最大化。因此,本文以注塑機(jī)液壓系統(tǒng)閥門故障診斷為例,利用麻雀搜索算法(sparrow search algorithm,SSA)優(yōu)化XGBoost的相關(guān)超參數(shù),將參數(shù)優(yōu)化后的XGBoost應(yīng)用于注塑機(jī)液壓系統(tǒng)故障診斷,以驗證SSA優(yōu)化XGBoost算法具有一定的可行性,可以實現(xiàn)對液壓系統(tǒng)故障的準(zhǔn)確診斷。

1 基于改進(jìn)SSA優(yōu)化的XGBoost

1.1 XGBoost算法

XGBoost[7]是基于決策樹模型的梯度提升算法,它被廣泛應(yīng)用在滾動軸承故障診斷、發(fā)動機(jī)故障預(yù)測等領(lǐng)域[8-9]。

假設(shè)注塑機(jī)液壓系統(tǒng)的故障數(shù)據(jù)集為E={(xi,yi):xi∈Rm,yi∈R},其中Rm為特征空間,數(shù)據(jù)子集xi對應(yīng)的標(biāo)簽為yi,則T棵回歸樹最終的故障預(yù)測結(jié)果為:

(1)

(2)

通過加入二階泰勒展開式,進(jìn)行k次迭代訓(xùn)練,可改寫目標(biāo)函數(shù)如式(3)所示:

(3)

式中:gi為損失函數(shù)的一階導(dǎo)函數(shù),Ij表示屬于第j個葉子節(jié)點(diǎn)的所有樣本xi劃入到一個葉子節(jié)點(diǎn)中的樣本集合,hi為損失函數(shù)的二階導(dǎo)函數(shù)。

對式(3)求偏導(dǎo),將等于0時的wj值代入得到式(4),以該式判斷樹的結(jié)構(gòu)好壞。

(4)

式中Obj的值越小代表樹的擬合精度越好。

1.2 麻雀搜索算法

SSA[10]是一種受到麻雀種群捕食機(jī)制啟發(fā)而提出的群智能優(yōu)化算法。基本SSA可描述為具有預(yù)警機(jī)制的探索者和追隨者模型。在整個麻雀種群中擁有較高能量儲備(適應(yīng)度)的個體被定義為發(fā)現(xiàn)者,發(fā)現(xiàn)者所占比例通常取為20%,其位置更新公式如式(5)所示:

(5)

除發(fā)現(xiàn)者外,剩下個體均為加入者,其位置更新如式(6)所示:

(6)

除加入者和發(fā)現(xiàn)者外,在種群中隨機(jī)選擇10%～20%的麻雀作為預(yù)警者,預(yù)警者位置更新描述如下:

(7)

式中:β為步長控制參數(shù),服從N(0,1)正態(tài)分布;K為一個介于-1和1之間的隨機(jī)數(shù);σ為一個確保分母不是0的極小常數(shù);fi為第i只麻雀的適應(yīng)度值;fb、fw分別為當(dāng)前最優(yōu)適應(yīng)度值、當(dāng)前最差適應(yīng)度值。

1.3 改進(jìn)Tent混沌初始化種群

Tent混沌映射是一種分段線性的一維映射,其產(chǎn)生的偽隨機(jī)序列具有運(yùn)算速度快、序列分布均勻的特點(diǎn),更適合大數(shù)據(jù)集的運(yùn)算處理[11]。

Tent混沌映射定義如式(8)所示:

(8)

式中:xn為第n次映射的函數(shù)值,n為當(dāng)前映射次數(shù)。

針對Tent混沌映射的范圍較小、涉及參數(shù)少,同時會有小周期和不穩(wěn)定周期點(diǎn)等問題[12],張娜等[13]提出利用隨機(jī)函數(shù)rand(0,1)改進(jìn)Tent混沌映射,改進(jìn)后的Tent映射特性如圖1所示。受此啟發(fā),本文利用改進(jìn)Tent混沌映射對SSA中的種群進(jìn)行初始化,以彌補(bǔ)SSA易陷入局部最優(yōu)的缺點(diǎn)。改進(jìn)后的麻雀初始種群計算式為:

圖1 Tent混沌序列分布

(9)

式中:zn+1為第(n+1)個粒子的初始位置,rand(0,1)為[0,1]中的隨機(jī)數(shù),N為混沌序列中的粒子個數(shù),lb和ub分別為搜索空間的下限和上限。

1.4 SSA優(yōu)化XGBoost模型

鑒于XGBoost的超參數(shù)繁多,全部優(yōu)化既會對計算機(jī)造成較大的運(yùn)算負(fù)荷又會導(dǎo)致過長的參數(shù)尋優(yōu)時間,本文最終選取4個對XGBoost模型性能影響較大的超參數(shù)進(jìn)行優(yōu)化,XGBoost各超參數(shù)擬定的參數(shù)尋優(yōu)空間見表1。

表1 XGBoost超參數(shù)尋優(yōu)空間

SSA優(yōu)化XGBoost的故障診斷模型流程圖如圖2所示。具體步驟如下:

圖2 SSA優(yōu)化XGBoost的故障診斷模型

1)利用改進(jìn)Tent混沌初始化麻雀種群數(shù)量,設(shè)置搜索空間維度N、最大迭代次數(shù)P等。

2)對XGBoost的4個超參數(shù)進(jìn)行初始化并給定尋優(yōu)范圍。

3)對分別代表XGBoost超參數(shù)的4只麻雀的適應(yīng)度進(jìn)行計算并記錄此刻的位置。

4)在迭代過程中更新發(fā)現(xiàn)者、加入者以及偵察者的位置。

5)對麻雀新位置的適應(yīng)度值進(jìn)行計算,若為最優(yōu)則更新到此位置。

6)更新整個麻雀種群的適應(yīng)度值及其位置。

7)判斷是否完成迭代,若不滿足返回步驟4)繼續(xù)迭代。

8)迭代完成最終得到XGBoost最優(yōu)超參數(shù)組合,更新超參數(shù)建立最佳XGBoost故障診斷模型。

2 實驗驗證及分析

2.1 模型實驗數(shù)據(jù)

本文所用數(shù)據(jù)集來源于Kaggle機(jī)器學(xué)習(xí)平臺,該數(shù)據(jù)集是由專業(yè)的企業(yè)工程師在注塑機(jī)液壓系統(tǒng)真實生產(chǎn)場景下通過搭建實驗平臺所獲得,總計2 205組數(shù)據(jù)。每組數(shù)據(jù)包含17個屬性列1個標(biāo)簽列。屬性列包含6個壓力傳感器(PS1～PS6),4個溫度傳感器(TS1～TS4),2個體積流量傳感器(FS1、FS2)和電機(jī)功率傳感器(EPS1)、振動傳感器(VS1)、效率系數(shù)傳感器(SE)、冷卻效率傳感器(CE)以及虛擬冷卻功率傳感器(CP)各1個;1個標(biāo)簽列為2號三位四通電磁換向閥門故障類型。各傳感器在實驗平臺中的布局如圖3所示。

圖3 傳感器實驗平臺示意圖

為了獲得更好的基分類器,在這里將2 205組故障數(shù)據(jù)隨機(jī)劃分成訓(xùn)練集(1 764組故障數(shù)據(jù))和測試集(441組故障數(shù)據(jù))。注塑機(jī)液壓系統(tǒng)液壓閥門故障類型標(biāo)簽分別為閥門正常、閥芯磨損、閥芯泄漏和閥芯卡死4種情況,依次編號為0、1、2、3。訓(xùn)練集和測試集樣本分布見表2。

表2 樣本數(shù)據(jù)的分布

2.2 特征選擇

對于模式識別系統(tǒng), 一個好的學(xué)習(xí)樣本能讓分類器得到更好的訓(xùn)練效果。由于樣本中是否存在不相關(guān)或冗余信息直接關(guān)系到分類器的性能,因此進(jìn)行特征選擇尤其重要[14]。在XGBoost集成算法中,如果一個特征被評選為分割點(diǎn)的次數(shù)越多,則可以認(rèn)為這個特征越重要。將預(yù)處理之后的17個傳感器數(shù)據(jù)作為XGBoost模型的特征輸入,對每個傳感器的重要性進(jìn)行評分并篩選,結(jié)果如圖4所示。

圖4 故障特征重要性排序

根據(jù)信息價值相關(guān)性理論可知,Score值低于100的特征影響力可以忽略不計,所以將樣本中的TS4、TS3、PS6、PS4為4個特征剔除,以便提高模型訓(xùn)練速度與診斷精度。

2.3 XGBoost故障模型優(yōu)化前后對比與分析

通過Python對XGBoost編程,將441組測試樣本分別輸入到優(yōu)化前后的XGBoost模型中,得到圖5所示的注塑機(jī)液壓系統(tǒng)閥門故障診斷準(zhǔn)確率對比圖。從圖5可知,改進(jìn)XGBoost故障診斷模型在4種故障類型上的診斷準(zhǔn)確率均優(yōu)于XGBoost故障診斷模型,其中“閥芯磨損”故障診斷準(zhǔn)確率改善最為明顯,提高了2.9%。

圖5 XGBoost優(yōu)化前后診斷準(zhǔn)確率對比

從圖6可以看出,改進(jìn)XGBoost模型經(jīng)過7次迭代后,其訓(xùn)練誤差趨向收斂;未經(jīng)過優(yōu)化的XGBoost模型經(jīng)過60次迭代誤差才趨向收斂,即經(jīng)過參數(shù)優(yōu)化之后的XGBoost故障診斷模型具有更快的收斂速度。由于只憑借準(zhǔn)確率的高低與收斂速度的快慢無法判定出算法的性能,因此需要繪制算法的受試者工作特征曲線(ROC),通過對比曲線并計算顯現(xiàn)區(qū)域面積(AUC),從而綜合判定出算法的性能優(yōu)劣,AUC數(shù)值越大,診斷模型性能越好[15]。通過比對圖7中XGBoost改進(jìn)前后的ROC,可以看出改進(jìn)XGBoost的AUC值高達(dá)0.997 7,相比于XGBoost有所提高,說明改進(jìn)XGBoost模型在對注塑機(jī)液壓系統(tǒng)進(jìn)行診斷分析方面具有更好的性能。

圖6 XGBoost優(yōu)化前后損失函數(shù)對比

圖7 XGBoost改進(jìn)前后的ROC對比

3 結(jié)束語

本文給出的機(jī)器學(xué)習(xí)參數(shù)優(yōu)化方案普適性較強(qiáng),為提高SSA的尋優(yōu)性能、優(yōu)化XGBoost的超參數(shù)提供了一種新的解決方法。經(jīng)實驗論證得出以下結(jié)論:1)改進(jìn)Tent混沌映射可以有效提高麻雀個體和算法整體的搜索能力;2)經(jīng)過參數(shù)優(yōu)化之后的XGBoost故障診斷模型具有更好的診斷性能。但是,目前的研究工作僅通過較為簡單的實例來驗證方案的可行性,要真正地體現(xiàn)實踐應(yīng)用價值,還需要盡可能和相關(guān)企業(yè)聯(lián)合做些試驗進(jìn)行驗證。