梁紹東，陳彰怡

（東蘭縣中等職業(yè)技術(shù)學校，廣西河池 547000）

0 引言

機電設(shè)備運行識別的精準化，一直是機電設(shè)備需要考慮的主要因素之一。正常且高效的機電設(shè)備可以為優(yōu)化產(chǎn)品帶來更多的便利，機電設(shè)備運行狀態(tài)的識別包括對有無故障以及故障類型等設(shè)備運行狀態(tài)的識別。目前，識別的方式的主要流程是在前期通過信號采集得到機電設(shè)備的運行狀態(tài)信息，對信息做處理，根據(jù)處理的信號進行特征的選擇，最后將提取處理的機電設(shè)備的異常運行狀態(tài)信息做智能識別。在這個過程中，特征的選擇與提取主要是根據(jù)信號分析的結(jié)果。傳統(tǒng)的機電設(shè)備異常運行狀態(tài)的識別過程，在特征的選擇和提取上，嚴重依賴以往的經(jīng)驗知識，很容易出現(xiàn)不熟悉識別情況，并且在剔除和分揀原始信息的過程中，很容易造成丟失有效信息[1]。

機電設(shè)備異常運行狀態(tài)的識別有很多方法，例如經(jīng)驗模式分解法等，但普遍存在特征選擇困難的問題，只能以高維信息為直接對象，在現(xiàn)有程序的基礎(chǔ)上，設(shè)計運行數(shù)據(jù)上傳至上機位的通信流程，通過對機電設(shè)備運行信息的特征進行提取并分析。對機電設(shè)備異常運行過程中的故障問題進行直接診斷，才能從根本上解決原始信息特征選擇的問題。隨機森林算法作為一種監(jiān)督學習算法，主要通過對算法數(shù)據(jù)的輸入進行大量的模擬計算，并通過迭代處理完成算法的優(yōu)化。目前的隨機森林算法主要分為分類和回歸兩種類型，通過對訓練數(shù)據(jù)的二次處理，對數(shù)據(jù)進行回歸擬合，同時，通過隨機選取森林的變量，將分類的節(jié)點生成多種分類樹，從而產(chǎn)生不同的分類結(jié)果。

1 基于改進隨機森林法的機電設(shè)備異常運行狀態(tài)識別方法

1.1 提取機電設(shè)備異常運行狀態(tài)特征

為了實現(xiàn)機電設(shè)備異常運行狀態(tài)的識別，對機電設(shè)備異常運行狀態(tài)特征進行提取。對信息的較高的維度進行學習機器的訓練，用較小的維度表示機電設(shè)備異常的運行狀態(tài)，以此獲取機電設(shè)備異常運行信息的特征子向量[2]。根據(jù)特征的子向量，可以得到機電設(shè)備運行信息訓練子集的矩陣模型，用函數(shù)公式表示為：

其中，Am為類別機電設(shè)備運行信息的散度矩陣，Cm為類別機電設(shè)備運行信息的維特征向量，m 為類別數(shù)值，n 為機電設(shè)備運行的特征的維度。根據(jù)機電設(shè)備的訓練子集的矩陣模型函數(shù)模型，可以得到機電設(shè)備運行的散度的矩陣計算式，利用高維信息進行學習機器的訓練，對數(shù)據(jù)進行降維處理，將散度的比值進行處理，可以根據(jù)機電設(shè)備異常運行的訓練子集均值向量數(shù)值，得到散度的矩陣模型，用公式表示為：

其中，Bm為類別機電設(shè)備運行信息的樣本集矩陣，g 為運行的維特征均值向量，l 為類別的樣本個數(shù)。根據(jù)散度的矩陣模型，可以得到評價特征子集辨別力的標注函數(shù)：

其中，d 為機電設(shè)備異常狀態(tài)的評價特征子集類特征辨別力，根據(jù)評價特征子集辨別力，對于特征的子向量，若樣本的方差很小并且相似性不大，則說明機電設(shè)備異常運行的特征子向量的辨別力強，根據(jù)標注函數(shù)的判斷，將樣本的類型分為較純的子集以及相關(guān)性較小的子集，根據(jù)子集的特征，完成對機電設(shè)備異常運行狀態(tài)的特征提取[3]。

1.2 基于改進隨機森林法機電設(shè)備異常運行狀態(tài)分類

在機電設(shè)備異常運行狀態(tài)提取特征的基礎(chǔ)上，根據(jù)隨機森林算法，將提取的特征進行狀態(tài)分類，提取的機電設(shè)備異常運行的狀態(tài)特征信息分為多個維度，主要是信息的數(shù)量以及樣本內(nèi)變量的信息，生成多個分類的參數(shù)閾值，從而根據(jù)閾值生成決策樹模型[4]。根據(jù)決策樹的模型，使用改進的隨機森林算法，從機電設(shè)備的運行數(shù)據(jù)中隨機選取不同的樣本數(shù)的參數(shù)，將參數(shù)進行組合，形成眾多的隨機決策樹，在決策樹的分類節(jié)點上，對數(shù)據(jù)集的信息熵進行計算，從邏輯關(guān)系的角度，根據(jù)信息熵得出機電設(shè)備異常運行狀態(tài)的信息熵計算模型，用公式表示為：

其中，hi表示數(shù)據(jù)集的節(jié)點的信息熵，ei表示數(shù)據(jù)集的節(jié)點的機電設(shè)備運行的數(shù)據(jù)集的熵值，f 表示機電設(shè)備運行數(shù)據(jù)集節(jié)點之間的信息熵值。根據(jù)節(jié)點之間的信息熵的數(shù)值，得出機電設(shè)備異常運行之間聯(lián)合的熵值。根據(jù)聯(lián)合的熵值，以下降率為主要標準生成下降值最大數(shù)值模型，在這樣隨機選取樣本變量的組合下，生成可以并行處理的機電設(shè)備異常運行狀態(tài)信息的決策模型。通過決策模型構(gòu)建機電設(shè)備運行信息識別流程（圖1）。

圖1 機電設(shè)備狀態(tài)信息識別流程

根據(jù)狀態(tài)信息的識別流程，在隨機算法的基礎(chǔ)上，對初始參數(shù)較小的參數(shù)閾值，通過逐次遞增選出最優(yōu)的參數(shù)組合閾值，利用機電設(shè)備狀態(tài)的信息訓練數(shù)值進行隨機數(shù)值的變量重要性的度量，包括機電設(shè)備群點的剔除，以及對訓練數(shù)據(jù)的構(gòu)建[5]。使用平均算法對機電設(shè)備狀態(tài)運行的權(quán)重系數(shù)進行選擇提取。同時，在此基礎(chǔ)上根據(jù)采樣的節(jié)點，得到不同加權(quán)系數(shù)下的提取函數(shù)模型，其函數(shù)表達為：

其中，t 為節(jié)點機電設(shè)備的平滑數(shù)值，u（k）表示為滑動加權(quán)處理參數(shù)，r 為機電設(shè)備的平滑采樣點。根據(jù)得到的加權(quán)系數(shù)提取函數(shù)，得出機電設(shè)備的平滑數(shù)值參數(shù)，將平滑數(shù)值參數(shù)設(shè)置為固定采樣點的參數(shù)數(shù)值，進行統(tǒng)一的歸一化處理，得到歸一化后的機電設(shè)備異常運行信息的數(shù)據(jù)信息。為了減少數(shù)據(jù)與節(jié)點之間的相互影響，對數(shù)據(jù)進行預處理，作為算法的輸入數(shù)據(jù)，根據(jù)最后的輸入數(shù)值，得到最后的機電設(shè)備運行信息歸一公式：

其中，o 表示機電設(shè)備異常運行加權(quán)參數(shù)。通過式（6）得到平均濾波的數(shù)據(jù)處理數(shù)值，通過數(shù)據(jù)處理數(shù)值得到最終的數(shù)值，從而完成對機電設(shè)備運行數(shù)據(jù)的識別。

2 實驗與分析

為了驗證本文設(shè)計的機電設(shè)備異常狀態(tài)識別方法的有效性，進行實驗論證。在相同的訓練樣本條件下，采用機電設(shè)備中的一個重要斷面安全裕度作為指標的歷史數(shù)據(jù)進行實驗分析。

2.1 實驗過程

將訓練樣本的數(shù)據(jù)進行統(tǒng)計，實驗采用全體機電設(shè)備的數(shù)據(jù)作為模型的輸入數(shù)據(jù)，為了保證實驗的適用性，使用隨機取樣來選擇實驗的主要樣本，并將主要樣本分為6 個編碼類別，在6個編碼類別分別設(shè)置對應的樣本比例（表1）。

表1 機電設(shè)備運行的樣本比例

選取合適的初始參數(shù)，根據(jù)初始參數(shù)的不同，將樣本數(shù)據(jù)分為不同的分類結(jié)果，采用初始參數(shù)值的最小的值為初始值，并篩選出訓練誤差最小的數(shù)值來組合參數(shù)。為保證本文提出的基于隨機森林算法的機電設(shè)備異常運行識別方法的有效性，從訓練樣本的數(shù)據(jù)集中隨機挑選機電設(shè)備運行的數(shù)據(jù)信息進行深度的特征提取，不同卷積層下的輸入與輸出特征如圖2 所示。

圖2 卷積層機電設(shè)備的輸入特征

從輸入特征圖中可以清晰地看清機電設(shè)備卷積層的輪廓，區(qū)分性的局部信息明顯，抽象的程度較高，滿足實驗的基本要求。使用隨機森林的分類器，對單獨的連接層的輸出特征進行測試，在測試中實驗的隨機個數(shù)為200。對200 個參數(shù)進行特征組合，得到特征提取的結(jié)果如圖3 所示。

圖3 數(shù)據(jù)特征提取結(jié)果

根據(jù)提取的數(shù)據(jù)特征，使用森林算法識別技術(shù)以及其他兩種方法進行機電設(shè)備異常運行精準度的識別。

2.2 實驗結(jié)果與分析

采用相同的訓練樣本，引入不同的識別方法，在6 個編碼類別下進行精度測試實驗，用UA 表示輸入端的節(jié)點的精度，PA表示輸出端節(jié)點的精度，則不同方法下的機電設(shè)備運行的異常運行識別精度對比如表2 所示。

表2 不同方法的異常樣本識別精度

通過三種方法異常運行識別精度的比較，可以看出，隨機森林算法的識別精度明顯高于其他方法，不論是在輸入?yún)^(qū)域的精準識別還是在輸出的精準識別方面，其精準度都高于其他兩種方法。隨機森林算法下的識別方法對運行數(shù)據(jù)做了精準分類并進行了異常數(shù)據(jù)特征的提取，能夠?qū)崿F(xiàn)機電設(shè)備異常運行狀態(tài)的精準識別。

3 結(jié)束語

本文以機電設(shè)備的運行狀態(tài)識別作為研究內(nèi)容，在改進隨機森林算法的基礎(chǔ)上，分析了自動化的機電設(shè)備的典型工作流程。使用隨機森林算法完善數(shù)據(jù)的識別功能，通過集中存儲機電設(shè)備的正常運行狀態(tài)信息，并對異?？梢蔂顟B(tài)進行簡單分析，實現(xiàn)設(shè)備故障自動化識別以及軟件的故障引導識別，從而實現(xiàn)了機電設(shè)備的高精度運行識別。