基于自動化機(jī)器學(xué)習(xí)的故障診斷系統(tǒng)研究

摘要：針對泵站監(jiān)測系統(tǒng)缺少狀態(tài)關(guān)系分析和故障診斷系統(tǒng)功能擴(kuò)展性差的問題，文章研究實現(xiàn)了可自動構(gòu)建診斷算法的故障診斷系統(tǒng)。在故障診斷領(lǐng)域，樣本容易出現(xiàn)不平衡問題。為解決該問題，文章探索研究了樣本平衡性檢驗方法、樣本不平衡下算法訓(xùn)練和效果驗證方法。通過研究基于遺傳算法的自動化機(jī)器學(xué)習(xí)實現(xiàn)該功能，系統(tǒng)可以方便地實現(xiàn)功能擴(kuò)展與更新。

關(guān)鍵詞：監(jiān)控平臺；故障診斷；樣本平衡；診斷算法

中圖分類號：TP332 文獻(xiàn)標(biāo)志碼：A

0 引言

南水北調(diào)工程屬于國家戰(zhàn)略性工程，具有巨大的社會意義與經(jīng)濟(jì)意義。泵站機(jī)組作為南水北調(diào)工程中的核心裝置，其運(yùn)行狀況的好壞直接影響泵站的調(diào)水功能是否能夠正常發(fā)揮。萬一機(jī)組在抗洪救災(zāi)等緊急情況下出現(xiàn)故障，而且得不到及時的排查維修，那么會造成巨大的經(jīng)濟(jì)損失和社會負(fù)面影響。對于梯級泵站，由于運(yùn)行方式是串聯(lián)，如果某一級泵站機(jī)組出現(xiàn)故障，將影響到梯級泵站中的其他泵站乃至整個調(diào)水工程的正常運(yùn)行［1］。

從有關(guān)故障診斷技術(shù)的國內(nèi)外研究現(xiàn)狀可知，診斷技術(shù)多種多樣，有在簡單故障診斷任務(wù)中應(yīng)用的專家系統(tǒng)，有基于數(shù)據(jù)驅(qū)動的機(jī)器學(xué)習(xí)和深度學(xué)習(xí)，有綜合多種故障診斷算法的方法。相比專家系統(tǒng)，機(jī)器學(xué)習(xí)方法能診斷更加復(fù)雜的故障，相比深度學(xué)習(xí)方法，機(jī)器學(xué)習(xí)方法對故障樣本數(shù)據(jù)量的需求少很多［2］。本文研究對象泵站機(jī)組具有大型化、政策性開停性和故障發(fā)生率低的特點，因此主要研究基于數(shù)據(jù)驅(qū)動的機(jī)器學(xué)習(xí)故障診斷算法。

1 泵站機(jī)組故障診斷簡介

泵站機(jī)組是主泵體、主電機(jī)和輔助設(shè)備的總稱。在泵站中使用的水泵有很多類型，有離心泵、軸流泵和混流泵等，其中，軸流泵因具有流量大、揚(yáng)程低的特點在南水北調(diào)東線工程中被大量使用。

軸流泵的工作是以流體力學(xué)為基礎(chǔ)的。其葉片截面與機(jī)翼的形狀相似，稱之為翼型。根據(jù)流體力學(xué)知識，當(dāng)流體流過流線型翼型時，會在翼型的首端處分成兩股流，它們分別經(jīng)過翼型的上表面和下表面，由于沿翼型下表面的流程要比上表面流程長一些，會造成翼型下面流速大、壓力小，上面流速小、壓力大［3］。這樣在不斷高速旋轉(zhuǎn)運(yùn)動的翼型葉片的作用下，流體因獲得能量而被提升。

2 狀態(tài)監(jiān)測平臺組成

泵站機(jī)組狀態(tài)監(jiān)測平臺須要對機(jī)組的各種狀態(tài)數(shù)據(jù)進(jìn)行采集處理、存儲和預(yù)警，以保障機(jī)組正常運(yùn)行。在硬件方面，首先選擇合適的傳感器安裝在合適部位。為保證數(shù)據(jù)在傳輸存儲過程中的準(zhǔn)確性和穩(wěn)定性，就要選擇合適的數(shù)據(jù)傳輸和存儲硬件。在軟件技術(shù)部分，數(shù)據(jù)采集傳輸會涉及與下位機(jī)的通信，狀態(tài)報警需要專家系統(tǒng)的支持。監(jiān)測平臺結(jié)構(gòu)系統(tǒng)組成如圖1所示。

本項目所用狀態(tài)監(jiān)控平臺為中水三立數(shù)據(jù)股份有限公司的SCADA平臺，該平臺共提供8個狀態(tài)監(jiān)測數(shù)據(jù)表：報警事件表、人員操作事件表、數(shù)據(jù)查詢事件表、變量值上下限設(shè)定表、機(jī)組運(yùn)行數(shù)據(jù)實時記錄表、公共參數(shù)表、供配電信息表、葉片調(diào)節(jié)事件表［4］。公共參數(shù)表中包括油溫、水位、泵站揚(yáng)程、總抽水量和相關(guān)水位、軸流泵電機(jī)功率。樣本平衡性檢驗結(jié)構(gòu)如圖2所示。

3 自動化機(jī)器學(xué)習(xí)故障診斷算法

基于自動化機(jī)器學(xué)習(xí)的故障診斷系統(tǒng)既具有故障診斷算法訓(xùn)練功能，也具有算法部署功能［5］。可以使用自動化機(jī)器學(xué)習(xí)方法找出最優(yōu)機(jī)器學(xué)習(xí)流程，并將該流程訓(xùn)練好保存下來，然后使用Web服務(wù)器對故障診斷算法進(jìn)行部署?；谧詣踊瘷C(jī)器學(xué)習(xí)的故障診斷系統(tǒng)工作流程如圖3所示。

在自動化機(jī)器學(xué)習(xí)方法中使用遺傳算法就是將一個機(jī)器學(xué)習(xí)流程作為個體，將一定數(shù)量機(jī)器學(xué)習(xí)流程組成的集合作為種群，使用遺傳算法里的選擇、交叉和變異產(chǎn)生新的機(jī)器學(xué)習(xí)流程種群，不斷重復(fù)此過程對流程種群進(jìn)行迭代，最終將得到指定代數(shù)內(nèi)最優(yōu)的機(jī)器學(xué)習(xí)流程［6］。

4 系統(tǒng)功能模塊的實現(xiàn)

系統(tǒng)日志管理工具使用Logging模塊實現(xiàn)（主要使用Logging下的logger對象），logger對象可以避免多個程序使用同一個日志文件時產(chǎn)生重復(fù)記錄的問題。系統(tǒng)日志管理工具被打包成一個獨(dú)立的文件，方便不同任務(wù)的復(fù)用［7］。實現(xiàn)的系統(tǒng)日志管理工具如下：

配置文件的格式有ini、toml、yaml、json和xml等，其中ini格式最為簡單直觀，本文使用的配置文件就是ini格式。故障數(shù)據(jù)庫里存放泵站機(jī)組多個部件的故障數(shù)據(jù)，一個數(shù)據(jù)庫里有多張數(shù)據(jù)表，每個數(shù)據(jù)表以部件名稱命名［8］。

平衡性檢驗是對故障數(shù)據(jù)進(jìn)行統(tǒng)計，讓使用者了解故障數(shù)據(jù)的類間和類內(nèi)分布。平衡性檢驗工具的實現(xiàn)是先使用Pandas篩選數(shù)據(jù)，然后使用Collections模塊的Counter工具進(jìn)行統(tǒng)計。

故障特征提取工具以獨(dú)立的代碼文件形式進(jìn)行存放，該工具是多個特征提取函數(shù)的集合。想使用哪個特征提取函數(shù)，只須要在配置文件里指定函數(shù)名；若使用的函數(shù)不存在，模仿已有的函數(shù)添加編輯即可［9］。通過這樣的設(shè)計，無須更改主函數(shù)就可改變系統(tǒng)功能。泵軸故障特征提取函數(shù)如下：

使用泵軸故障數(shù)據(jù)對本文實現(xiàn)的故障診斷系統(tǒng)結(jié)果進(jìn)行測試，橫坐標(biāo)代表機(jī)器學(xué)習(xí)流程組成的種群代數(shù)，縱坐標(biāo)代表每代種群中最優(yōu)機(jī)器學(xué)習(xí)流程的AUC評分［10］。通過測試可以發(fā)現(xiàn)，機(jī)器學(xué)習(xí)流程優(yōu)化的速度一開始比較快，后來逐漸變緩直至穩(wěn)定。

5 結(jié)語

本文以水利工程泵軸故障數(shù)據(jù)為例，分析了轉(zhuǎn)子不對中、轉(zhuǎn)子不平衡等故障的產(chǎn)生原因與表現(xiàn)特征，設(shè)計了泵軸故障特征提取方法。泵站機(jī)組結(jié)構(gòu)復(fù)雜、組件眾多，導(dǎo)致狀態(tài)關(guān)系復(fù)雜、故障類型多樣。通過使用數(shù)據(jù)挖掘和自動化機(jī)器學(xué)習(xí)技術(shù)，本文在狀態(tài)關(guān)系分析與故障診斷技術(shù)上取得了一定進(jìn)展，后續(xù)將進(jìn)一步研究更多的故障特征提取方法。

參考文獻(xiàn)

［1］楊茜芝.基于運(yùn)行監(jiān)控數(shù)據(jù)分析的風(fēng)電機(jī)組狀態(tài)監(jiān)測［D］.吉林：華北電力大學(xué)，2017.

［2］史杰.基于模糊層次法的水泵機(jī)組維修評價模型研究［J］.科技風(fēng)，2011（14）：45-46.

［3］孟德遠(yuǎn)，趙武.基于神經(jīng)網(wǎng)絡(luò)和專家系統(tǒng)的乳化液泵站故障診斷研究［J］.煤礦機(jī)械，2008（10）：218-220.

［4］張鵬樂.基于最大聯(lián)合信息系數(shù)的多元數(shù)據(jù)關(guān)聯(lián)性分析方法及應(yīng)用研究［D］.長沙：國防科學(xué)技術(shù)大學(xué)，2015.

［5］劉勇，任文鋒，盧娜.基于改進(jìn)RBF神經(jīng)網(wǎng)絡(luò)的泵站機(jī)組故障診斷［J］.中國農(nóng)村水利水電，2013（5）：145-148.

［6］秦正飛.基于SVM智能混合方法的水電機(jī)組故障診斷與預(yù)測研究［D］.昆明：昆明理工大學(xué)，2016.

［7］田源.水電機(jī)組智能故障診斷方法與振動趨勢預(yù)測研究［D］.成都：西華大學(xué)，2013.

［8］孫文回.基于深度學(xué)習(xí)模型的感應(yīng)電機(jī)故障診斷方法研究［D］.南京：東南大學(xué)，2017.

［9］龔志鵬.大型污水輸送泵站的智能控制模型和優(yōu)化運(yùn)行研究［D］.上海：同濟(jì)大學(xué)508f7b88e6715bf8f168ece4f59cbc7e，2007.

［10］朱文龍.水輪發(fā)電機(jī)組故障診斷及預(yù)測與狀態(tài)評估方法研究［D］.武漢：華中科技大學(xué)，2016.

Research on fault diagnosis system based on automated machine learning

Abstract： In response to the lack of state relationship analysis and poor functional scalability of the fault diagnosis system in the pump station monitoring system， this paper studies and implements a fault diagnosis system that can automatically construct diagnostic algorithms. In the field of fault diagnosis， samples are prone to imbalanced issues. To address this issue， explore and study methods for sample balance testing， algorithm training under sample imbalance， and effectiveness verification. By studying automated machine learning based on genetic algorithms to achieve this function， the system can easily expand and update its functions.

Key words： monitoring platform; fault diagnosis; sample balance; diagnostic algorithm