曹現(xiàn)剛，陳瑞昊，李彥川，伍宇澤，岳 東

(1.西安科技大學(xué) 機(jī)械工程學(xué)院，陜西 西安 710054；2.陜西省礦山機(jī)電裝備智能監(jiān)測(cè)重點(diǎn)實(shí)驗(yàn)室，陜西 西安 710054；3.陜西陜煤銅川礦業(yè)有限公司，陜西 銅川 727000)

采煤機(jī)作為多部件復(fù)雜系統(tǒng)，在運(yùn)行過程中由于截割煤巖時(shí)受到變工況、環(huán)境噪聲等各種復(fù)雜因素影響，采集到的振動(dòng)、電流等監(jiān)測(cè)信號(hào)往往難以提取關(guān)鍵信息[1]。復(fù)雜設(shè)備的健康狀態(tài)評(píng)估方法根據(jù)不同的評(píng)估原理，大致可以分為以下三類：基于經(jīng)驗(yàn)的健康狀態(tài)評(píng)估[2]、基于模型的健康狀態(tài)評(píng)估[3]和基于人工智能的健康狀態(tài)評(píng)估[4]。其中，基于經(jīng)驗(yàn)的評(píng)估方法包括：灰色理論法、模糊綜合評(píng)判法[5]、云模型理論[6]、層次分析法、D-S證據(jù)理論；基于模型的評(píng)估方法主要包括失效物理模型、故障樹等[7，8]；基于人工智能的評(píng)估方法主要有：支持向量機(jī)[9]、馬爾科夫理論、貝葉斯網(wǎng)絡(luò)、神經(jīng)網(wǎng)絡(luò)[10-12]等。

目前國內(nèi)外設(shè)備健康狀態(tài)評(píng)估研究多集中于電力[13，14]、導(dǎo)彈[15]、航空航天[16，17]等領(lǐng)域，針對(duì)煤礦設(shè)備的狀態(tài)評(píng)估研究并不多見；在評(píng)估對(duì)象上主要集中于對(duì)單一或者簡(jiǎn)單部件系統(tǒng)進(jìn)行狀態(tài)評(píng)估，對(duì)于多部件復(fù)雜系統(tǒng)[18]的健康狀態(tài)評(píng)估研究成果較少。采煤機(jī)健康狀態(tài)評(píng)估工作是一個(gè)多層次、多屬性評(píng)估過程，基于模型的評(píng)估方法建模困難求解異常復(fù)雜，而基于經(jīng)驗(yàn)的評(píng)估方法受主觀因素影響較大，各部件、指標(biāo)權(quán)重難以確定?；趥鹘y(tǒng)神經(jīng)網(wǎng)絡(luò)的評(píng)估方法可解釋性較差，易陷入局部極小值。此外，大多數(shù)健康狀態(tài)評(píng)估方法無法針對(duì)冗余性、突變性、不平衡數(shù)據(jù)集，導(dǎo)致評(píng)估效率較低。針對(duì)以上問題，本文提出了XGBooost的采煤機(jī)健康狀態(tài)評(píng)估方法研究，首先篩選出相關(guān)性較低的參數(shù)數(shù)據(jù)，構(gòu)建采煤機(jī)健康狀態(tài)評(píng)估指標(biāo)體系；采用XGBoost算法對(duì)采煤機(jī)健康狀態(tài)進(jìn)行評(píng)估，調(diào)優(yōu)模型確定關(guān)鍵參數(shù)，通過實(shí)驗(yàn)驗(yàn)證，得到XGBoost算法的評(píng)估結(jié)果和混淆矩陣為采煤機(jī)健康狀態(tài)評(píng)估工作提供依據(jù)，對(duì)采煤機(jī)健康管理具有一定意義。

1 采煤機(jī)健康狀態(tài)評(píng)估指標(biāo)構(gòu)建及運(yùn)行狀態(tài)劃分

1.1 采煤機(jī)狀態(tài)量選取

本文主要研究電牽引雙滾筒式采煤機(jī)，雙滾筒采煤機(jī)可分為牽引部、截割部、電氣系統(tǒng)和輔助裝置。雙滾筒電牽引采煤機(jī)各部位名稱如圖1所示。

根據(jù)采煤機(jī)結(jié)構(gòu)組成和工作方式，同時(shí)考慮采煤機(jī)實(shí)際可安裝部位，分析得到采煤機(jī)主要運(yùn)行狀態(tài)監(jiān)測(cè)數(shù)據(jù)。采煤機(jī)的各個(gè)關(guān)鍵部件或部位均安裝對(duì)應(yīng)的傳感器對(duì)其進(jìn)行實(shí)時(shí)監(jiān)測(cè)，保證采煤機(jī)的健康狀態(tài)。采煤機(jī)需要監(jiān)測(cè)的部分狀態(tài)參數(shù)見表1。

1—截割滾筒；2—搖臂；3—截割電機(jī)；4—牽引電機(jī)；5—油泵電機(jī)；6—液壓?jiǎn)卧?—電氣控制箱；8—變頻箱；9—電磁閥柜；10—變壓器箱；11—牽引減速箱；12—調(diào)高調(diào)斜裝置；13—破碎機(jī)構(gòu)；14—破碎電機(jī)圖1 電牽引采煤機(jī)基本結(jié)構(gòu)

表1 采煤機(jī)的部分狀態(tài)監(jiān)測(cè)參數(shù)

1.2 采煤機(jī)狀態(tài)參數(shù)相關(guān)性分析

采煤機(jī)運(yùn)行過程中各部件監(jiān)測(cè)的狀態(tài)參數(shù)間存在復(fù)雜的關(guān)聯(lián)關(guān)系，因此需要找出這些關(guān)聯(lián)數(shù)據(jù)，去除數(shù)據(jù)的冗余性和相關(guān)性，為采煤機(jī)健康狀態(tài)評(píng)估工作做準(zhǔn)備。單一的相關(guān)系數(shù)并不能客觀地表征數(shù)據(jù)變量間密切的相關(guān)關(guān)系，因此本文選擇綜合相關(guān)系數(shù)，即將Spearman相關(guān)系數(shù)、Person相關(guān)系數(shù)進(jìn)行綜合用于表征采煤機(jī)狀態(tài)數(shù)據(jù)變量間的相關(guān)關(guān)系。

Spearman相關(guān)系數(shù)計(jì)算公式如下：

式中，ρ1為兩變量間的Spearman相關(guān)系數(shù)；N為樣本容量；di為變量間秩次差值。

Person相關(guān)系數(shù)ρ2的計(jì)算公式如下：

式中，cov(X，Y)為X和Y的協(xié)方差；σX、σY為X和Y的標(biāo)準(zhǔn)差；μX、μY為變量X和Y的平均值。Person相關(guān)系數(shù)一般在-1到1之間取值，當(dāng)前提條件一定的情況下，一般使用絕對(duì)值表示兩參數(shù)變量間的相關(guān)性。

狀態(tài)參量間的綜合相關(guān)系數(shù)用rxy表示，則rxy為：

通過計(jì)算狀態(tài)參數(shù)間的綜合相關(guān)系數(shù)rxy，篩選出狀態(tài)評(píng)估指標(biāo)，構(gòu)建出采煤機(jī)健康狀態(tài)評(píng)估體系。采用rxy表示狀態(tài)監(jiān)測(cè)參數(shù)x和y之間的綜合相關(guān)系數(shù)，兩狀態(tài)參數(shù)間的相關(guān)系數(shù)rxy的值與對(duì)應(yīng)的兩個(gè)變量之間的相關(guān)性描述見表2。

表2 綜合相關(guān)系數(shù)rxy的絕對(duì)值與對(duì)應(yīng)的兩個(gè)變量間關(guān)系

本文以采煤機(jī)牽引部各監(jiān)測(cè)參數(shù)為例，完成監(jiān)測(cè)參數(shù)間相關(guān)性分析，進(jìn)而完成采煤機(jī)狀態(tài)評(píng)估指標(biāo)篩選。為了分析采煤機(jī)狀態(tài)監(jiān)測(cè)參數(shù)和指標(biāo)間的相關(guān)性，選取正常工況下的采煤機(jī)牽引部8項(xiàng)狀態(tài)參數(shù)序列數(shù)據(jù)，包括牽引電機(jī)溫度、牽引電機(jī)轉(zhuǎn)速、牽引電機(jī)振動(dòng)、牽引電機(jī)電流、冷卻水壓、牽引電機(jī)轉(zhuǎn)矩、油缸內(nèi)油壓、牽引減速箱溫度等八項(xiàng)參數(shù)，分別計(jì)算這八項(xiàng)參數(shù)之間的綜合相關(guān)系數(shù)，將相關(guān)度高于閾值0.6的幾個(gè)參數(shù)用同一指標(biāo)參數(shù)替代，減少監(jiān)測(cè)參數(shù)間的冗余屬性，通過相關(guān)性分析得到的相關(guān)性熱力圖結(jié)果如圖2所示。

圖2 牽引部狀態(tài)參數(shù)間綜合相關(guān)系數(shù)熱力圖

由圖2可知，C1牽引電機(jī)溫度與C2牽引電機(jī)轉(zhuǎn)矩密切相關(guān)，因此可以用C1即牽引電機(jī)溫度代替這兩個(gè)指標(biāo)，以此類推，篩選出狀態(tài)參數(shù)間相關(guān)性都低于0.6的四項(xiàng)基本監(jiān)測(cè)參數(shù)，依次為：牽引電機(jī)振動(dòng)、牽引電機(jī)溫度、牽引電機(jī)電流、牽引電機(jī)轉(zhuǎn)速。同理，得到其他部件的狀態(tài)參數(shù)相關(guān)性分析結(jié)果，篩選出相關(guān)性低的狀態(tài)參數(shù)作為采煤機(jī)健康狀態(tài)評(píng)估指標(biāo)，剔除掉相關(guān)性較強(qiáng)的數(shù)據(jù)。

由于采煤機(jī)集機(jī)械，電力和液壓系統(tǒng)于一體，因此影響采煤機(jī)的狀態(tài)監(jiān)測(cè)參數(shù)眾多，但若將其全部用作采煤機(jī)狀態(tài)評(píng)估指標(biāo)，會(huì)增加不必要的工作量和影響評(píng)估工作效率。因此，本文在煤礦調(diào)研的基礎(chǔ)上，結(jié)合采煤機(jī)結(jié)構(gòu)、易發(fā)故障部位置和采煤機(jī)監(jiān)測(cè)參數(shù)相關(guān)性分析，篩選出影響采煤機(jī)健康狀態(tài)的最重要的多維指標(biāo)，在此基礎(chǔ)上確定采煤機(jī)健康狀態(tài)評(píng)估指標(biāo)體系的組成，分別從指標(biāo)層、部件層到整機(jī)層進(jìn)行分層劃分，如圖3所示。

圖3 采煤機(jī)健康狀態(tài)評(píng)估指標(biāo)體系

1.3 采煤機(jī)健康狀態(tài)等級(jí)劃分

采煤機(jī)作為一個(gè)復(fù)雜設(shè)備，它的健康狀態(tài)等級(jí)變化是一個(gè)漸變過程，從健康狀態(tài)到劣化再到故障，因此為了便于量化計(jì)算和結(jié)合專家經(jīng)驗(yàn)，本實(shí)驗(yàn)將其分為四個(gè)健康狀態(tài)等級(jí)，分別是健康、良好、劣化、故障，采煤機(jī)健康狀態(tài)對(duì)應(yīng)的采煤機(jī)各等級(jí)描述見表3。

2 XGBoost原理

極端梯度提升算法(extreme gradient boosting，XGBoost)采用多線程加速樹的構(gòu)建，使用樹模型作為基礎(chǔ)分類器來形成強(qiáng)大的分類器，并通過將多個(gè)基礎(chǔ)分類器集成在一起，這在分類任務(wù)中具有高效、準(zhǔn)確和解釋性好的優(yōu)點(diǎn)[19]。XGBoost算法的基本概念和理論如下：

表3 數(shù)據(jù)集基本信息

1)基學(xué)習(xí)器。極限梯度提升樹由回歸樹和分類樹這兩個(gè)基本部分構(gòu)成，XGBoost是以分類和回歸樹(classification and regression tree，CART)作為基礎(chǔ)學(xué)習(xí)器，采用XGBoost對(duì)評(píng)估模型進(jìn)行訓(xùn)練，特征的屬性被轉(zhuǎn)移到每個(gè)葉子節(jié)點(diǎn)，對(duì)應(yīng)于每個(gè)葉子的分?jǐn)?shù)。

2)樹的復(fù)雜度。每一棵回歸樹，可拆分為結(jié)構(gòu)部分和葉子節(jié)點(diǎn)權(quán)重部分，則第t個(gè)樹模型：

ft(x)=wq(x)，w∈RT

(4)

式中，w為葉子節(jié)點(diǎn)分值；q(x)為樣本x對(duì)應(yīng)的葉子節(jié)點(diǎn)號(hào)；T為葉子數(shù)，RT是T維實(shí)數(shù)，表示葉子權(quán)重的集合。復(fù)雜度包含了一棵樹里面節(jié)點(diǎn)的個(gè)數(shù)以及每個(gè)數(shù)葉子節(jié)點(diǎn)上面輸出分?jǐn)?shù)的模平方，因此，樹的復(fù)雜度為：

式中，Ω為復(fù)雜度；γ是葉子節(jié)點(diǎn)數(shù)的懲罰系數(shù)；λ是正則項(xiàng)系數(shù)；wj是葉子節(jié)點(diǎn)j對(duì)應(yīng)的分值。

3)目標(biāo)函數(shù)為：

式中，I={i|q(xi)=j}，Gj=∑i∈Ijgi，Hj=∑i∈Ijhi。

5)增益。在創(chuàng)建樹模型時(shí)，可采用貪心算法，每次對(duì)已有的葉子加入分割。對(duì)于一個(gè)決提的分割方案，其獲得的增益為：

式中，第一項(xiàng)為左子樹分?jǐn)?shù)，GL為樹分類后左子樹gi之和，HL為樹分類后左子樹hi之和；第二項(xiàng)為右子樹分?jǐn)?shù)，GR為樹分類后左子樹gi之和，HR為樹分類后左子樹hi之和；第三項(xiàng)為不分割下的分?jǐn)?shù)，表示新葉子節(jié)點(diǎn)帶來的復(fù)雜度代價(jià)。由以上原理可知XGBoost將多個(gè)弱學(xué)習(xí)器結(jié)合，因而可以獲得更好的性能。

將采煤機(jī)狀態(tài)數(shù)據(jù)作為特征量輸入，采煤機(jī)的四種健康狀態(tài)作為分類輸出結(jié)果，通過模型訓(xùn)練，通過各項(xiàng)模型參數(shù)調(diào)優(yōu)，得到最佳參數(shù)值。

3 XGBoost集成學(xué)習(xí)模型訓(xùn)練

3.1 模型建立步驟

本節(jié)采用XGBoost集成學(xué)習(xí)建立采煤機(jī)健康狀態(tài)評(píng)估模型，通過劃分采煤機(jī)健康狀態(tài)等級(jí)，建立訓(xùn)練樣本，并對(duì)XGBoost模型內(nèi)部關(guān)鍵參數(shù)優(yōu)化，最后對(duì)采煤機(jī)健康狀態(tài)進(jìn)行評(píng)估，得出結(jié)論。應(yīng)用XGBoost對(duì)采煤機(jī)健康狀態(tài)進(jìn)行評(píng)估的主要過程如下：

第一步是將相關(guān)分析、特征選擇后的指標(biāo)數(shù)據(jù)作為XGBoost的輸入特征，將采煤機(jī)不同的健康狀態(tài)等級(jí)作為評(píng)估算法的類別標(biāo)簽。

第二步是將采煤機(jī)狀態(tài)數(shù)據(jù)集進(jìn)行劃分。通過狀態(tài)量的選取和指標(biāo)體系的構(gòu)建，將采煤機(jī)狀態(tài)數(shù)據(jù)集分為訓(xùn)練集和測(cè)試集，按照一定的比例對(duì)其進(jìn)行劃分。

第三步是對(duì)XGBoost分類模型的主要參數(shù)進(jìn)行初始設(shè)置。模型建立后對(duì)采煤機(jī)狀態(tài)評(píng)估模型的各項(xiàng)參數(shù)進(jìn)行設(shè)置，如樹的最大深度、模型的學(xué)習(xí)率、最小葉子權(quán)重和等。

第四步是用訓(xùn)練集數(shù)據(jù)對(duì)采煤機(jī)XGBoost狀態(tài)評(píng)估模型進(jìn)行訓(xùn)練，用采煤機(jī)數(shù)據(jù)測(cè)試集對(duì)模型進(jìn)行測(cè)試。通過構(gòu)建一棵CART決策樹，然后依次增加狀態(tài)分類節(jié)點(diǎn)，分別對(duì)前一次的評(píng)估結(jié)果進(jìn)行擬合，訓(xùn)練過程中的目標(biāo)是損失函數(shù)最小，通過求取損失函數(shù)最小的特征作為分叉樹的特征，在此基礎(chǔ)上求出每一個(gè)葉子節(jié)點(diǎn)即狀態(tài)的預(yù)測(cè)分?jǐn)?shù)，將每棵樹的每種評(píng)估結(jié)果的預(yù)測(cè)分值作為概率值，根據(jù)概率值最大完成狀態(tài)分類和評(píng)估。

最后一步是不斷調(diào)整XGBoost模型參數(shù)。通過改變各項(xiàng)參數(shù)值查看評(píng)估模型分類效果，以綜合評(píng)估效果最優(yōu)的XGBoost各項(xiàng)參數(shù)作為最終的評(píng)估模型參數(shù)。具體的評(píng)估流程如圖4所示。

圖4 XGBoost模型評(píng)估流程

3.2 XGBoost狀態(tài)評(píng)估模型參數(shù)

為保證評(píng)估結(jié)果的準(zhǔn)確性，本節(jié)通過選取采煤機(jī)狀態(tài)指標(biāo)數(shù)據(jù)1000條作為實(shí)驗(yàn)數(shù)據(jù)，將采煤機(jī)指標(biāo)參數(shù)如牽引電動(dòng)機(jī)溫度等歸一化后的15維數(shù)據(jù)導(dǎo)入XGBoost評(píng)估模型中，數(shù)據(jù)集中80%作為訓(xùn)練集，20%作為測(cè)試集。通過交叉驗(yàn)證[20]的方法對(duì)XGBoost評(píng)估模型的參數(shù)進(jìn)行調(diào)優(yōu)，將訓(xùn)練集和測(cè)試集分類錯(cuò)誤率作為模型的評(píng)估指標(biāo)，多次調(diào)參得到采煤機(jī)狀態(tài)評(píng)估模型的最優(yōu)參數(shù)。

在對(duì)XGBoost的采煤機(jī)評(píng)估模型參數(shù)優(yōu)化前，首先需要對(duì)影響XGBoost模型評(píng)估效率的關(guān)鍵參數(shù)進(jìn)行分析。第一類參數(shù)是調(diào)節(jié)過擬合的參數(shù)即樹的最大深度max_depth、最小葉子節(jié)點(diǎn)權(quán)重和min_child_weight等。一般來說max_depth越深，說明評(píng)估模型可以學(xué)習(xí)到更細(xì)微具體的數(shù)據(jù)樣本信息，但當(dāng)樹的深度的過深時(shí)，就可能發(fā)生過擬合現(xiàn)象。此時(shí)測(cè)試集數(shù)據(jù)分類錯(cuò)誤率較高、訓(xùn)練集分類錯(cuò)誤率較低；min_child_weight的值越大時(shí)，越能全面學(xué)習(xí)到樣本的各項(xiàng)特征，但當(dāng)min_child_weight值過大時(shí)，模型學(xué)習(xí)到較多無用信息，因而發(fā)生過擬合現(xiàn)象。因此，本章主要對(duì)這兩個(gè)關(guān)鍵參數(shù)進(jìn)行優(yōu)化。

最小葉子節(jié)點(diǎn)權(quán)重和“min_child_weight”的取值一般在4～10之間，本章取“min_child_weight”取值為4、6、8、10時(shí)，得到XGBoost模型的訓(xùn)練集和測(cè)試集的分類錯(cuò)誤率如圖5所示。由圖5可知，當(dāng)設(shè)置樹的高度為2、4時(shí)，訓(xùn)練集合測(cè)試集的分類錯(cuò)誤率相差不大且能控制在相對(duì)較小的范圍內(nèi)且樹高度為4時(shí)平均分類錯(cuò)誤率更小；當(dāng)設(shè)置樹的高度為6、8時(shí)，錯(cuò)誤率雖較小，但是訓(xùn)練集和測(cè)試集差距過大，不適合作為最佳參數(shù)。因此，綜合以上因素，選擇樹高度為4時(shí)最為合理。

圖5 不同樹高度時(shí)XGBoost模型分類錯(cuò)誤率對(duì)比

不同min_child_weight時(shí)XGBoost模型分類錯(cuò)誤率對(duì)比如圖6所示，可知，當(dāng)設(shè)置min_child_weight為4、6時(shí)，訓(xùn)練集合測(cè)試集的分類錯(cuò)誤率相差不大且能控制在相對(duì)較小的范圍內(nèi)，min_child_weight值為6時(shí)分類錯(cuò)誤率更??；當(dāng)設(shè)置min_child_weight值為8、10時(shí)，錯(cuò)誤率雖不大，但是訓(xùn)練集和測(cè)試集差距過大，訓(xùn)練集誤差率過高，因此不適合作為最佳參數(shù)。因此，綜合以上因素，選擇最小葉子節(jié)點(diǎn)權(quán)重為6時(shí)最為合理。

圖6 不同最小葉子節(jié)點(diǎn)權(quán)重和時(shí)分類錯(cuò)誤率對(duì)比

接下來要調(diào)整的參數(shù)為最小損失函數(shù)下降值gamma與隨機(jī)采樣比例subsample、隨機(jī)列數(shù)比例colsample_bytree。gamma表示每個(gè)節(jié)點(diǎn)劃分時(shí)對(duì)應(yīng)的損失函數(shù)的下降值，若算法越保守gamma的數(shù)值越大。本章中，gamma的大小依據(jù)經(jīng)驗(yàn)在0～0.5之間進(jìn)行調(diào)整，每次相隔0.1，通過實(shí)驗(yàn)得出當(dāng)gamma的值為0.1時(shí)最佳，準(zhǔn)確率為0.985。隨機(jī)列數(shù)比例colsample_bytree表示決策樹的生成時(shí)間，而隨機(jī)采樣比例subsample表示采樣的樣本占整個(gè)樣本的比例。通過不斷調(diào)整參數(shù)，求得colsample_bytree和subsample的最佳組合參數(shù)為前者的值為1，后者的值為0.8時(shí)模型的效果最佳主要模型參數(shù)見表4。

表4 模型參數(shù)

3.3 評(píng)估過程

參數(shù)調(diào)優(yōu)后，將數(shù)據(jù)集導(dǎo)入XGBoost評(píng)估模型，因?yàn)閄GBoost采用集成樹模型，因此將模型可視化，可以看到評(píng)估過程樹的結(jié)構(gòu)，因?yàn)闃涞臄?shù)量較多，以第一個(gè)類別(即健康狀態(tài)1)的第一棵樹為例，可得到樹結(jié)構(gòu)如圖7所示。

圖7 樹結(jié)構(gòu)

由圖7可知，每一棵樹劃分的狀態(tài)指標(biāo)參數(shù)和對(duì)應(yīng)的劃分閾值，其和采煤機(jī)狀態(tài)數(shù)據(jù)集的第一組數(shù)據(jù)對(duì)應(yīng)，將每組數(shù)據(jù)4種狀態(tài)的相對(duì)應(yīng)的葉子節(jié)點(diǎn)分值相加，即得到該組狀態(tài)數(shù)據(jù)所對(duì)應(yīng)的4種健康狀態(tài)的分值[X1，X2，X3，X4]，以此類推可計(jì)算出該組數(shù)據(jù)對(duì)應(yīng)的每個(gè)健康狀態(tài)的概率[P1，P1，P1，P1]，依據(jù)概率最大即可得到采煤機(jī)對(duì)應(yīng)的健康狀態(tài)等級(jí)。

4 實(shí)例分析

本文選取陜北煤礦某型采煤機(jī)監(jiān)測(cè)數(shù)據(jù)篩選出采煤機(jī)狀態(tài)指標(biāo)數(shù)據(jù)1000組作為實(shí)驗(yàn)數(shù)據(jù)，每種狀態(tài)數(shù)據(jù)包括15維狀態(tài)指標(biāo)數(shù)據(jù)和對(duì)應(yīng)的健康狀態(tài)等級(jí)標(biāo)簽。其中“健康”狀態(tài)數(shù)據(jù)400組、“良好”狀態(tài)數(shù)據(jù)300組、“劣化”狀態(tài)數(shù)據(jù)200組、“故障”狀態(tài)數(shù)據(jù)100組，采煤機(jī)各個(gè)健康狀態(tài)等級(jí)對(duì)應(yīng)的狀態(tài)等級(jí)描述見表3。

在設(shè)置各項(xiàng)參數(shù)最優(yōu)值的基礎(chǔ)上，將采煤機(jī)狀態(tài)數(shù)據(jù)集導(dǎo)入進(jìn)行訓(xùn)練和測(cè)試，模型訓(xùn)練步驟如圖4所示。模型訓(xùn)練完畢后，將200組測(cè)試數(shù)據(jù)導(dǎo)入XGBoost狀態(tài)評(píng)估模型，分別計(jì)算評(píng)估準(zhǔn)確率、每種健康狀態(tài)的召回率、以及綜合評(píng)估參數(shù)F1的值來評(píng)判模型。評(píng)估準(zhǔn)確率是表示評(píng)估模型總體好壞的指標(biāo)，然而采煤機(jī)健康狀態(tài)評(píng)估樣本存在不平衡問題，即健康樣本數(shù)量遠(yuǎn)多于不健康的樣本，僅憑單一的準(zhǔn)確率指標(biāo)無法定性模型的評(píng)估效果，因此用每一類樣本中被正確分類的數(shù)量占該類健康狀態(tài)樣本中的比例即來評(píng)價(jià)模型對(duì)樣本不平衡問題的適用程度。同時(shí)為避免單一準(zhǔn)確率和召回率評(píng)價(jià)指標(biāo)的弊端，采用兩者的綜合評(píng)價(jià)指標(biāo)F1值來綜合反映評(píng)估模型的效果，F(xiàn)1值越接近于1，評(píng)估模型的分類效果越好。通過程序運(yùn)行，評(píng)估過程中測(cè)試集的多分類錯(cuò)誤率merror如圖8所示，得到模型的具體評(píng)估結(jié)果用混淆矩陣表示如圖9所示。

由圖9可以看出，在200組數(shù)據(jù)中，有197組狀態(tài)數(shù)據(jù)被正確分類，即197組狀態(tài)數(shù)據(jù)可以被準(zhǔn)確得到對(duì)應(yīng)的健康狀態(tài)，有1組數(shù)據(jù)屬于“健康”狀態(tài)而被分類為“良好”狀態(tài)，有2組數(shù)據(jù)屬于“劣化”狀態(tài)而被分類為故障狀態(tài)，但狀態(tài)預(yù)測(cè)結(jié)果與實(shí)際只相差一個(gè)等級(jí)，對(duì)結(jié)果影響不是特別大。模型總體評(píng)估效果較好，總體準(zhǔn)確率高達(dá)98.50%，“健康”狀態(tài)等級(jí)準(zhǔn)確率為98.66%，“良好”狀態(tài)等級(jí)準(zhǔn)確率為100%，“劣化”狀態(tài)等級(jí)準(zhǔn)確率為94.87%，“故障”狀態(tài)等級(jí)評(píng)估準(zhǔn)確率為100%，4種健康狀態(tài)等級(jí)的平均召回率為98.38%，F(xiàn)1平均值為97.61%，平均召回率和FI值較高，說明模型對(duì)采煤機(jī)數(shù)據(jù)集每種狀態(tài)和總體的評(píng)估效果都較好。

5 結(jié) 語

本文針對(duì)采煤機(jī)變工況、工作環(huán)境惡劣等特點(diǎn)，將XGBoost集成學(xué)習(xí)方法引入采煤機(jī)健康狀態(tài)評(píng)估工作中，根據(jù)綜合相關(guān)系數(shù)，對(duì)采煤機(jī)狀態(tài)指標(biāo)進(jìn)行篩選。實(shí)驗(yàn)表明，經(jīng)過調(diào)參以后的模型評(píng)估效率和準(zhǔn)確性較高，更適用于采煤機(jī)不平衡數(shù)據(jù)集。