基于XGBoost神经网络模型的无传感器驱动故障诊断技术

陈育中

（1.南京高等职业技术学校，南京 210019；2.南京高职校工程检测有限公司，南京 210019）

随着各领域生产经营建设对自动化包装生产水平要求的不断提升，自动化包装生产线中的电机驱动故障诊断缺陷问题显得更为突出。仅采用单一故障诊断方式难以使电机在复杂的生产环境下安全可靠运行，需要配合使用更为先进的故障诊断技术，着重预测电机驱动故障问题，结合导致电机驱动故障问题的成因制定前期预控对策，确保自动化包装生产线电机无传感器驱动能够高质量、高可靠地工作。

1 故障诊断技术的重要性

自动化包装生产线在现代科学技术的带动下，逐步呈现出生产流程复杂、生产环节关联密切等特征。在包装生产线中任何一台机械设备或者核心电器驱动环节出现故障问题，均有可能导致整体生产质量不合格。因此，需要分析现有生产任务，着重做好电机无传感器驱动故障诊断工作。

在大型集团化生产设备运行过程中，电机驱动故障需要得到及时修复，尽快排除设备运行期间的故障问题，从根本上保障实际生产期间的经济效益与安全性。现有的计算机技术、网络技术和人工智能技术发展速度不断加快，涌现出更多故障诊断场景及深度学习工具，可以高效提升检测速度与精度[1]。比如，配合使用改进经验模拟分析，自动将驱动信号分解成不同故障模式分量，然后借助特征提取算法提取重要信息分量，输入神经网络实现故障诊断目标。再有配合使用自适应噪声消除技术，对齿轮箱振动信号分离成周期信号分量，控制信息剔除期间的干扰程度，构建起强干扰状态下的齿轮箱故障诊断模型。同时构建滚动轴承模型，对模型展开故障分析，通过使用注意力机制优化不同特征权重赋值、卷积神经网络（CNN）特征高度敏感度值，从根本上提升故障判断精准度。

将故障诊断技术应用在自动化包装生产线电机无传感器管控工作中，使用机器学习算法开展故障诊断工作对有限样本特征要求较高，特征数据及特征质量可以直接影响到机器学习上限。较为复杂的自动化系统故障分类需要涉及的特征数据量大，借助特征构建方法、生产建设期间的工程背景数据，使特定生产环境下的数据特征泛化性不足，结合自动化包装生产线电机运行特征，选择适宜的故障诊断技术。

2 故障诊断技术的分类

2.1 对应故障记录诊断技术

对应故障记录诊断技术结合自动化包装生产线电机无传感器驱动运行原理，映射设备运行故障问题，可对故障设备进行全面诊断及测试，确定故障发生的范围、导致故障出现的各类原因[2]。对应故障记录诊断技术是当前自动化包装生产常见故障诊断技术，具体应用期间需要检测及维修人员将设备故障原因、发生位置记录在维护手册上，使后续若发生类似故障问题能够得到快速解决，从根本上提高设备实际运维效果。

2.2 人工神经网络诊断技术

当前自动化包装技术发展速度不断加快，设备也逐步朝向智能化、自动化方向发展。通过将人工神经网络智能技术应用在设备日常维护管理工作中，能够从根本上提升设备运维质量及效率，确保存在于设备中的各类故障问题能够被及时发现与解决。相较于其他故障诊断技术而言，人工神经网络诊断技术更加适用于处理复杂线性映射关系，帮助维修人员快速锁定故障发生部位，从根本上提升故障处理效率，避免设备故障问题为企业带来较大经济损失。

2.3 智能化诊断检测技术

智能化诊断检测技术主要就是模拟人脑思考流程，对自动化包装生产线电机无传感器驱动运行期间的各类数据信息进行整合及筛选，确保存在于设备中的各类故障问题能够被及时发现。智能化诊断检测技术的运行原理与专家诊断技术相同，均可以在实际使用过程中不断完善自身故障处理方式。就目前来看，自动化包装生产线电机无传感器驱动诊断技术发展速度日渐加快，对从根本上提升包装质量与效率，保障包装产业工作实施综合效益发挥着重要作用。智能化诊断检测技术能够更好地应用在隐蔽性较强、结构复杂的设备故障诊断工作中。通过归纳专家经验及知识，模拟专家诊断与处理手段，使设备故障问题能够得到及时解决。

2.4 仪器诊断技术

仪器诊断技术就是配合使用各类诊断仪器，对自动化包装生产线中各设备运行期间的压力值、转速和温度等数据，利用计算机对这些数据进行全面处理，将处理结果直观展现在现象设备上，确保运维人员能够及时发现存在于自动化包装生产线机电设备中的故障问题，快速设定故障问题出现位置。仪器诊断技术可以在检测人员不直接接触设备的情况下完成检测工作。

结合现有自动化包装生产线电机无传感器驱动工作实施要求，文章使用一种特征提取与神经网络分类的诊断方式，旨在诊断某包装生产线同步电动机轴承、齿轮箱附属部件故障问题。其中，自动化包装生产线的驱动器损坏会严重影响到生产的质量和效率，因此应用状态监测需要增加额外传感器。

3 故障诊断技术的基本理论

3.1 XGBoost理论

借助故障诊断中XGBoost（Extreme Gradient Boosting）算法基本理论，配合故障诊断工作高效开展。该算法作为使用效率较高的算法手段，可以借助特征分裂方式形成新树，拟合成多个弱分类装置，通过将这些弱分类装置进行组合，形成强学习装置。相较于传统算法，XGBoost算法不仅可以提取一阶导数信息，还可以引入二阶导数信息，并且对目标函数进行泰勒变换，由此提高计算的速度、精度和效率。在神经网络中，将XGBoost算法应用在损失函数时，采用增加Drop层和数据集规模，并对数据进行正则化验算，可以有效控制并降低模型复杂度，进一步解决模型过拟合问题。

一个训练集Q中包括N个样本，每个样本中均含有u个特征。利用弱分类器将回归树设定成N个有限样本的集合二叉树（Binary tree）结构形式，分解各数值的左右特征[3]。如果当前树在第m个特征下展开分解，分裂阙值可以设定为n。不超过n的样本特征被划分成左树，超过n的样本特征被划分成右树。建立在回归任务上的左右树如公式（1）所示。

基于特征维度对N个样本元素展开划分，计算出的目标函数值与典型目标函数如公式（2）所示。

XGBoost算法就是借助分列与添加回归树，每棵回归树上部需要生成一个函数，再拟合上个预测残差。通过对M棵树进行回归训练，每次再输入一个样本时，每棵树的各叶子节点需要对应相应的分数。将所有分数根据回归原理叠加到一起，得出的数值就是诊断预测结果，其结果如公式（3）所示。

3.2 XGBoost特征提取

在故障诊断工作实际开展过程中，需要通过原始数据进行逐一分析，观察数据的潜在结构，结合实际生产实际计算各数据特征，模拟出数据分割，还是数据结合。这对故障诊断分析人员的专业理论和技能提出更高要求，还需要有大量的实践经验来支撑直觉模型的构建，以此提升故障诊断期间的工作量。

通过使用XGBoost算法，在输入数据后接触特征分割方式，将分割后的数据与每棵树的叶子节点一一对应，实现目标特征的选择。此处可使用穷举回归法列举分割特征和分割点的所有可能方式，扩大数据特征选择覆盖面，从根本上保障故障诊断效果。再将原始分割特征替换成每棵树的最终叶子节点，构建切实可行的哑变量编码——独热（One-Hot）编码控制方式，保证具有较好的数据维度和神经网络分类工作的有序开展。XGBoost算法特征构建树操作图如图1所示。

图1 XGBoost算法特征构建树操作图

如故障诊断工作中存在M棵树，则每棵树叶子节点的最大分解数值为a。在经过实际转化后，输入特征会落在每棵树的叶子节点处，数值在（0，a）之间，最后获得M的行向量值。通过循环往复计算过程，将原始特征数据输入到XGBoost模型内，实现原始特征重构目标值如公式（4）所示。

在使用深度学习分类工具与回归算法过程中，特征数据距离及相似度计算可直接影响到实际计算结果，通过开展有效的特征重构工作能够直观展现出每棵树的节点值。每条输入环节的差异性具体表现在叶子节点位置，当前故障分类期间的隐藏差异难以得到有效区分[4]。为切实增强表征输入特征差异判断水平，挖掘数据特征的隐藏信息，还需要针对矩阵Q开展哑变量编码工作。

哑变量编码工作主要就是将整数型特征变量转变为二进制向量，在具体构成期间需要将重构后的特征数据作为索引值，借助XGBoost算法，推导出每棵树中最大叶子节点序列值，确定索引向量长度。

配合使用哑变量编码，使各位置能够离散拓宽到欧几里得空间（Euclidean spac），每一维度特征都是连续变量的变化，充分展现XGBoost算法重构后各项特征隐藏信息内容，深度展现数据特征，发挥神经网络计算的优势功能。

4 故障诊断技术的应用要求

当前故障诊断技术应与故障预警结合在一起，结合动设备运行特征、故障诊断期间的具体要求，设计功能完善的故障预测预警系统，利用专项服务器与客户端，扩充系统编程语言。利用结构化关系数据库，保障数据结果稳定可靠。

设备故障诊断中的数据处理数量较多，要求故障诊断应当满足更加宽泛的数据录入格式要求，在实际录入期间应当使用较少的输入字段，增强与设备状态监测仪器数据格式的兼容性。数据格式应当严格遵照现行规范要求，形成标准的结果化文件及图表资料，进一步增强数据处理效率。

5 故障诊断技术的实际应用

5.1 神经网络结构

借助自动化包装生产线电机无传感器驱动故障诊断工作实施目标及要求，选择使用基本深度神经网络诊断技术。神经网络结构内部包括3个输入层单元、4个隐藏层单元和2个输出层单元。神经网络预测中的输入层与输出层的节点数是固定的，隐藏层节点数值选择需要着重考虑研究对象及生产现场的复杂程度。输入层节点应当设置为前序处理数据位数，隐藏层通过收集与输入神经元数据，计算出神经元数量。在神经网络故障诊断过程中，以神经元作为处理方式，利用神经元输入特征向量值，直观展现出隐藏层的变化情况。

5.2 神经网络学习

在神经网络故障诊断技术应用过程中，搭建多层相互连接方式，形成标准化网络结构，配合使用神经元激活函数。在权重计算过程中，借助损失函数计算结果，对比分析预测值与实际样本数值，优化后续各层权重，从而缩小损失量。

5.3 具体应用

以某塑料配件包装自动化生产线电机驱动故障为例，重点诊断生产线中的电动机及其轴承、齿轮等部件。设备运行状态检测工作需要配合使用外接传感器获得。为满足生产线电机无传感器驱动故障诊断目标，可使用电机的输出相电流展示设备的整体运行状态。在电机控制内部设置电流传感装置，测量工作不必使用其他传感设备。由电流传感装置采集2根相线的电流值，经过经验模拟分析得出测量数据。运用数据统计概念，计算数据的平均值、最大值和偏差值，该值序列可分解为多个数据特征和数据故障类型，每条特征数据与故障类型一一对应。

在构建XGBoost算法特征树过程中，需要着重使用原始数据，剩余数据可分成训练集、测试集等类型。在训练集中，神经网络的迭代应当采用随机抽取方式获得数据量，设定成迭代验证集，对实际故障诊断效果进行实时检测，并将训练结果中的准确度作为衡量神经网络故障诊断方式的应用有效性标准。

实验过程中，可选取约15%的数据作为最终数据测试集。借助特征构建结果，进一步挖掘出数据特征的隐藏信息。在剩余85%的数据中，选择75%的数据训练XGBoost算法特征树，10%的数据利用XGBoost算法特征转化成哑变量编码，开展集中神经网络训练。在特征数据内，每次神经网迭代随机选取15%的数据作为实验验证标准。在训练电机特征树的过程中，由于实际检测的数据量极大、复杂程度较高，可以设定比较便捷的实验数据，故障特征树的数值初始设定为R0=50，其他参数设置为默认参数。实验显示，可以获得分量正确率超过90%的价值模型。

为充分发挥XGBoost算法的可行性，有序开展自动化包装生产线电机无传感器驱动故障诊断工作，应当着重开展对比实验。使用相同训练、测试技术及神经网络结构，将原始特征及XGBoost算法提取的特征数据输入到神经网络中，借助每次迭代方式抽取并验证数据值。对比实验发现，采用其他特征方式构建的神经元网络驱动故障识别效率也较高，但在随机迭代工作运行期间，验证数据在模型中却表现出较大波动，需要依靠多次迭代才能够获得数据特征。经过XGBoost算法重构后的数据特征能够进一步挖掘出数据中的隐藏信息，仅需进行4次迭代驱动故障诊断方式，诊断精度可以达到近乎100%。

由此可见，运用XGBoost算法构建神经网络模型，可以优化包装自动化生产线电机故障诊断效果，提高故障诊断的全面性及精准度。

6 结论

借助神经网络模型进行自动化包装生产线电机驱动故障诊断，进一步探索原特征的隐藏信息，配合使用哑变量的二次编码方式将重构的特征映射到欧几里得空间内，更为直观地彰显信息差异性，扩大特征数据量，充分发挥神经网络计算优势。现阶段自动化场景下，对自动包装、自动印刷和自动检测电机设备的复杂故障诊断水平提出了更高要求，结合生产实际场景，选择合适的算法，并加以应用，才能解决生产实际中的故障诊断技术难题。