王海燕

（江蘇省大豐中等專業(yè)學(xué)校，江蘇 鹽城 224100）

機(jī)械零件、構(gòu)件、部件和組件的表面滲碳處理是關(guān)系機(jī)械裝置質(zhì)量的重要問題，而加熱爐的穩(wěn)定可靠運(yùn)行是其中的關(guān)鍵[1]。為了提升加熱爐的連續(xù)工作效率，采用科學(xué)可靠的故障診斷方法對加熱爐進(jìn)行故障診斷成為目前的熱點研究。因為加熱爐的設(shè)計和使用過程涉及熱轉(zhuǎn)換、計量和通信等多項功能，所以可能出現(xiàn)的故障類型非常多[2]。如果不能快速準(zhǔn)確地識別加熱爐的故障類型，就無法及時進(jìn)行維修，不僅會給加工企業(yè)造成經(jīng)濟(jì)損失，還會導(dǎo)致機(jī)械加工生產(chǎn)企業(yè)和銷售企業(yè)之間的矛盾。因此，快速準(zhǔn)確地對加熱爐進(jìn)行故障診斷，對機(jī)械加工領(lǐng)域具有十分重要的意義。國內(nèi)、外已經(jīng)對包括加熱爐在內(nèi)的各種機(jī)械加工輔助設(shè)備的故障診斷進(jìn)行了廣泛而深入的研究，機(jī)器學(xué)習(xí)的理念和常見方法得到了大量應(yīng)用。通過將加熱爐常見的故障類型進(jìn)行統(tǒng)計歸類，進(jìn)而建立故障數(shù)據(jù)庫，再將未知故障同數(shù)據(jù)庫中的故障類型進(jìn)行對比，可以得出加熱爐的故障診斷結(jié)果[3]。該文在前人經(jīng)驗的基礎(chǔ)上，綜合考慮故障數(shù)據(jù)特征和不平衡問題，建立基于投票機(jī)制的多分類器融合模型，以期更準(zhǔn)確、高效地對加熱爐進(jìn)行故障診斷。

1 加熱爐故障數(shù)據(jù)分析和平衡處理

1.1 加熱爐故障數(shù)據(jù)分析

在表面滲碳等熱處理過程中，加熱爐可以通過多類傳感器將狀態(tài)數(shù)據(jù)回傳給控制系統(tǒng)。當(dāng)加熱爐出現(xiàn)故障時，控制系統(tǒng)端也會表現(xiàn)為數(shù)據(jù)錯誤或異常。從故障數(shù)據(jù)的角度看，加熱爐的常見故障類型如下：爐溫下降或爐溫不正常故障、推拉鏈在送進(jìn)或拉出途中停止動作故障、升降機(jī)及門不上升故障、加熱爐內(nèi)攪拌風(fēng)扇異常故障、下道工序不動作故障、推拉車橫向移動停車不準(zhǔn)故障、推拉車橫向移動停車不準(zhǔn)故障以及啟動不了或啟動困難故障。

根據(jù)行業(yè)內(nèi)的統(tǒng)計數(shù)據(jù)，這7類故障發(fā)生的占比見表1。

表1 加熱爐7類故障的發(fā)生比例

從表1中的數(shù)據(jù)可以看出，在加熱爐發(fā)生故障的原因中，升降機(jī)及門不上升故障占比最高，達(dá)33.6%；推拉車橫向移動停車不準(zhǔn)故障、啟動不了或啟動困難故障分別排在第二、三位，占比分別為17%、16.4%；下道工序不動作故障占比為13.2%，這也表明了加熱爐故障原因的復(fù)雜性。

1.2 加熱爐故障數(shù)據(jù)的平衡處理

為了對加熱爐故障進(jìn)行準(zhǔn)確診斷，需要根據(jù)加熱爐故障數(shù)據(jù)對診斷模型進(jìn)行訓(xùn)練。但是7類故障發(fā)生的概率不同，導(dǎo)致部分故障類型的數(shù)據(jù)量過少，從而產(chǎn)生和高發(fā)故障類型間的數(shù)據(jù)不平衡問題。為此，該文采用插值算法進(jìn)行處理，以增加不同類型故障數(shù)據(jù)間的平衡程度。基于插值的數(shù)據(jù)平衡算法原理如圖1所示?；诓逯档臄?shù)據(jù)平衡算法的實現(xiàn)過程如下。

圖1 基于插值的數(shù)據(jù)平衡算法原理

首先，設(shè)定少數(shù)數(shù)據(jù)所構(gòu)成的集合為X，該集合中一共有n個樣本。

其次，從少數(shù)數(shù)據(jù)集合中選取樣本xi（i∈[1，n]）作為合成新樣本的根樣本。

再次，根據(jù)向上采樣倍率n，選取一個奇數(shù)k（例如取k=3）。將k個鄰域樣本xij作為合成新樣本的輔助樣本，其中xij∈X，j=1，2，...，k。

最后，在根樣本xi和輔助樣本xij間通過插值生成新樣本，插值處理的執(zhí)行公式如公式（1）所示。

式中：xnew代表新樣本；γ代表在0～1取值的隨機(jī)數(shù)。

2 基于投票機(jī)制的加熱爐故障診斷方法

2.1 基于投票機(jī)制的集成學(xué)習(xí)

加熱爐故障的智能診斷一般要從機(jī)器學(xué)習(xí)的角度加以解決。為了提升故障診斷的準(zhǔn)確率，采用集成學(xué)習(xí)是比較好的選擇。集成學(xué)習(xí)的基本原理是將多個分類器進(jìn)行融合，得到比單一分類器更好的集成模型。

該文設(shè)計的集成學(xué)習(xí)框架是基于投票機(jī)制的，采用多個基分類器對訓(xùn)練集進(jìn)行訓(xùn)練，并將各基分類器測試集結(jié)果根據(jù)投票機(jī)制進(jìn)行融合，以確定最終的輸出結(jié)果?；谕镀睓C(jī)制的集成學(xué)習(xí)框架如圖2所示。

圖2 基于投票機(jī)制的集成學(xué)習(xí)框架

該文采用的投票機(jī)制分為2類：一類是硬投票機(jī)制，另一類是軟投票機(jī)制。以二分類問題為例，預(yù)測目標(biāo)為y∈{-1，1}，由A、B、C共3個模型對樣本（xi，yi）進(jìn)行預(yù)測，硬投票機(jī)制即對模型預(yù)測標(biāo)簽進(jìn)行投票。設(shè)A、B、C模型的預(yù)測結(jié)果為1、1、1，因此最后預(yù)測結(jié)果為1。軟投票機(jī)制是對各基模型預(yù)測各類別的概率進(jìn)行加權(quán)投票，類別概率最高者即為最終結(jié)果，如公式（2）所示。

式中：Pk為基分類器預(yù)測故障為類別k的概率，k=1，2，...，m，m為故障總類別個數(shù)；wi為各基分類器權(quán)重，i=1，2，...，n，n為基分類器總個數(shù)；Ek為加權(quán)投票后預(yù)測類別為k的概率；yi為最終結(jié)果。

在加熱爐故障診斷的過程中，該文采用軟投票機(jī)制。當(dāng)然，集成學(xué)習(xí)算法效果的優(yōu)劣還取決于進(jìn)一步的基分類器的組合配置和權(quán)重配置。

2.2 基于多樣性標(biāo)準(zhǔn)的基分類器組合

用于加熱爐故障診斷的集成模型是多個基分類器組合在一起的結(jié)果。構(gòu)建集成模型的標(biāo)準(zhǔn)是故障類型的識別準(zhǔn)確率高且為基分類器的多樣化組合，即盡可能用到多個基分類器。

該文以一個二分類問題為例，分析多個基分類器組合在一起的集成效果差異。預(yù)測目標(biāo)為y∈{-1，1}，函數(shù)的映射關(guān)系為f，分類器的誤差為ε，則所有分類器誤差關(guān)系如公式（3）所示。

式中：hi（x）為第i個分類器，i=1，2，...，T。

將T個分類器根據(jù)投票機(jī)制進(jìn)行處理，可得誤差關(guān)系，如公式（4）所示。

式中：T為分類器總個數(shù)。

由公式（4）可知，隨著T增大，集成學(xué)習(xí)的誤差不斷降低。不同基分類器集成后的對比效果見表2。

表2 不同基分類器集成后的對比效果

從表2中的對比結(jié)果可知，基分類器1、基分類器2和基分類器3各自的預(yù)測率為66.7%，并且在不同的測試案例上有不同的性能，因此集成模型A的效果達(dá)100%?；诸惼?、基分類器5、基分類器6的預(yù)測率雖然也達(dá)66.7%，但是這三者的性能相同，不滿足多樣化條件，導(dǎo)致集成模型B不起作用?；诸惼?、基分類器8、基分類器9的性能較差，集成模型C直接舍棄。

3 試驗結(jié)果與分析

為了驗證該文提出的加熱爐故障診斷方法的有效性，以加熱爐故障數(shù)據(jù)集合為處理對象，選擇其中的10000個數(shù)據(jù)作為樣本數(shù)據(jù)，以其中66%的數(shù)據(jù)為訓(xùn)練數(shù)據(jù)集合，34%的數(shù)據(jù)為測試數(shù)據(jù)集合。

3.1 基分類器的選擇試驗

目前，在加熱爐的故障診斷領(lǐng)域，采用很多成熟的方法可以得到基分類器，需要通過試驗選擇基分類器。該文將8種常見的故障診斷方法作為基分類器的候選，分別是NB算法、SVM算法、LR算法、DT算法、BP算法、RF算法、KNN算法以及GBDT算法。針對該文給出的加熱爐7類常見故障的分類標(biāo)準(zhǔn)，上述8種算法對每種故障的診斷準(zhǔn)確率見表3。

表3 加熱爐常見故障的8類算法診斷準(zhǔn)確率（%）

為了直觀地觀察8類方法對加熱爐7類故障的診斷結(jié)果，將表3中的數(shù)據(jù)繪制成曲線，如圖3所示。

圖3 加熱爐常見故障的8類算法診斷準(zhǔn)確率曲線

從表3和圖3可以看出，GBDT方法對加熱爐7類故障的平均診斷準(zhǔn)確率最好，為68.46%。其次是KNN方法，對加熱爐7類故障的平均診斷準(zhǔn)確率為67.95%。因此選擇這2種方法作為3個基分類器的1選和2選。再將DT方法、BP方法、RF方法分別作為基分類器的3選，從而形成了3種加熱爐故障診斷集成模型，分別為加熱爐故障診斷集成模型A，GBDT+KNN+DT；加熱爐故障診斷集成模型B，GBDT+KNN+BP；加熱爐故障診斷集成模型C，GBDT+KNN+RF。

4 結(jié)論

該文針對加熱爐故障診斷問題進(jìn)行了研究。首先，對加熱爐常見的故障進(jìn)行分類，包括爐溫下降或爐溫不正常故障、推拉鏈在送進(jìn)或拉出途中停止動作故障、升降機(jī)及門不上升故障、加熱爐內(nèi)攪拌風(fēng)扇異常故障、下道工序不動作故障、推拉車橫向移動停車不準(zhǔn)故障、推拉車橫向移動停車不準(zhǔn)故障以及啟動不了或啟動困難故障。其次，采用基于插值的方法消除各類故障數(shù)據(jù)的不平衡性?；谕镀睓C(jī)制建立多分類器融合的集成模型，將各分類器的權(quán)重進(jìn)行優(yōu)化配置，進(jìn)行加熱爐的故障診斷。最后，在試驗過程中，根據(jù)8種分類器算法的診斷效果構(gòu)建了3種集成模型，分別為模型A，GBDT+KNN+DT；模型B，GBDT+KNN+BP；模型C，GBDT+KNN+RF。