基于随机森林算法的机械加工过程设备叠加振动检测方法

吕中秋，魏 波

（郑州工业应用技术学院 信息工程学院，新郑 451150）

0 引言

现代工业过程趋于复杂化，规模逐渐扩大，自动化程度日益增加。在该背景下，企业的机械化程度也在增加，但是其中的机械故障频发，其导致企业整体的产品质量和工作效率下降，同时减少设备的使用寿命。因此，检测机械加工过程中的设备故障十分必要[1，2]。国内相关专家针对机械加工过程设备叠加振动检测方面的内容进行了大量的研究，例如任世锦等人[3]将集成局部均值分解以及改进的稀疏多尺度支持向量机相结合的方式进行机械故障检测，但是该方法的误报率较高。彭聪等人[4]根据盲源信号分离方法以及超定视觉盲源分离方法获取高速视频，获取多源振动信号的分离和定位，进而达到机械故障检测的目的，但是该方法在去噪处理后的重构误差率大。在上述两种方法的基础上，提出一种基于随机森林算法的机械加工过程设备叠加振动检测方法。实验测试证明，本文方法能够以更高的精度完成设备叠加振动检测。

1 方法

1.1 机械加工过程设备振动信号去噪

EMD分解主要是将非平稳信号k(t)分解成n个内蕴模态函数，如式(1)所示：

式(1)中，a(i)(t)代表信号总数；b(t)代表趋势预项。

IMF分解需要经过迭代，即分解过程为“筛选”过程，具体的计算式为：

式(2)中，c(i)(t)代表原始信号的单分量信号。

在以转子为主要部件的大型旋转机械，其在冶金以及机械制造方面均发挥着重要的作用。但是，由于设备运行过程采集到含有大量噪声的信号，影响设备的运行效果，因此，降噪处理噪声信号，将机械加工过程设备振动信号z(t)表示为式(3)的形式：

式(3)中，d(t)代表信号受到的噪声干扰。

当z(t)经过经验模态分解后，得到有限个频率由大到小分布的固有模态分量，具体计算式如下：

式(4)中，E(i)代表不同层次对应的I M F 分量；代表余量。

引入小波阈值到EMD分解后，虽然去噪处理了振动信号，但是去噪效果并不理想。即使是在无噪声的情况下，在随机时间段的振幅绝对值也下降到设定阈值范围内。因此，进一步去噪处理，其中，EMD进行去噪的主要操作步骤为：

在机械设备加工过程，设备被污染的噪声主要集中在低频位置，越到高频位置，信号的含量越低，为了有效剔除多余的噪声，同时有效保持信号的细节部分，选取最佳的分解尺度较为重要。以下引入自相关函数对白噪声进行特性检验，根据设定的序列xu获取对应的自相关函数估计式：

式(5)中，z(k)代表自相关函数的估计值；zi代表第i个自相关函数；k代表常数。

通过以上分析，划分IMF分量，该划分通过连续均方误差准则区分设备中的信号和噪声，获取全新的索引值，同时从初始阶段对IMF分量进行重构，确保重构的误差取值达到最低：

式(6)中，cmse(i，j)代表重构误差的最小值；zi(i，j)代表第i个信号对应的重构误差。

固有模态在振动信号去噪过程中占据主导地位，其需要选取较大的阈值，确保有效去除信号中的噪声，达到去噪的目的。

结合以上分析，设定阈值yu，计算式为：

通过图1给出机械加工过程设备振动信号去噪的详细操作步骤：

图1 机械加工过程设备振动信号去噪流程图

1）对机械加工过程中设备振动信号进行EMD分解；

2）采用阈值降噪降噪处理除了第一个以外的IMF分量，即信号重构；

3）调整第一个IMF分量的采样位置；

4）重构构建一个含有噪声的原始信号；

5）对步骤4）中获取的噪声信号进行EMD分解；

6）获取经过降噪处理后的信号；

7）多次重复步骤3）～步骤6），获取k个降噪后的信号；

7）计算降噪后的信号平均值；

8）信号重构，实现信号去噪[5]。

1.2 基于随机森林算法的机械加工过程设备叠加振动检测

随机森林算法是一种集成学习算法，可以有效提升故障检测精度。构建随机森林主要包含以下内容：

1）抽取决策树训练集

在随机森林算法中，各个决策树的训练集均是在原始训练集的基础上随机抽取，增加各个决策树之间的差异性。在抽取样本过程中，主要采用无权重的方式增加训练精度。

2）组建CART决策树

在原始训练集中，主要通过bagging方法为多棵决策树抽取训练子集，进而形成随机森林。

利用图2给出随机森林算法的示意图：

图2 随机森林算法操作示意图

RF采用不同的训练集可以有效降低各个决策树之间的相关性，获取对应的决策树 {j1（x）,j2（x）,… ,jn（x）}达到提升检测结果准确性的目的。同时，组建多分类模型系统，该系统根据投票的方式获取系统最终的决策结果，如式(8)所示：

式(8)中，J(x)代表集成器对应的分类模型；ji代表决策树；L代表系统的输出函数。

通过随机采用的方式得到模型对应的训练集，进而获取余量函数mf(i，j)，如式(9)所示：

式(9)中，ab(i，j)代表错误数据的平均程度。

单类分类器只要含有足够的离群点，则可以获取理想的分类性能，但是离群点需要覆盖全部特征空间，才能将目标数据和离群点分离。

当确定离群点的分布情况后，通过特征空间维度判定离群点数据。如果异常数据均匀分布在矩形空间内，则离群点对应的离群系数可以表示为式(10)所示：

式(10)中，Khypercube(f)代表离群系数；m代表特征角的维度。

其中，离群点的数量通过式(11)计算：

式(11)中，Voutliers(i，j)代表离群点总数；Koutliers代表超立方体的数量；10-p代表胞元的数量。

通过上述分析，通过随机森林算法检测机械加工过程设备叠加振动，详细的操作步骤如下所示：

1）先验信息提取：

（1）计算目标函数的归一化直方图p，如式(12)所示：

（2）通过式(12)获取的计算结果，可以和离群点对应的归一化直方图进行互补。

2）离群点形成意见随机森林训练：

（1）在训练数据集中通过bagging抽样，获取对应的训练样本。

（2）将训练样本映射到对应的k维随机子空中。

（3）在设定的阈值范围，通过归一化直方图形成多个离群点。

（4）通过形成的离群点和目标数据训练决策树分类器。

（5）重复上述操作步骤，直至完成机械加工过程设备叠加振动特征提取。同时构建DOCRF模型，通过模型求解样本相似度，最终完成机械加工过程设备叠加振动检测。

2 仿真实验

为了验证本文的基于随机森林算法的机械加工过程设备叠加振动检测方法的有效性，进行仿真实验测试。利用Simulink工具完成测试，其属于MATLAB软件平台。处理器为intel i5，硬盘容量为1TB HDD，内存容量为8GB，Windows10系统。模态激振器（接触式）DH40100进行接触式振动，通过配套功放DH5872对激振信号进行调节。实验过程通过调节功放DH5872改变振动信号的频率和加速度等。

将机械加工过程设备叠加振动检测的重构误差率和误报警率作为测试指标，计算公式如下：

式(13)中，Trate代表重构误差率；Crate代表误报警率；Xerr代表自己样本被错误检测的数量；Xnum代表参与测试的自己样本总数。

实验以对比分析的形式进行验证，对比方法分别为文献[3]方法和文献[4]方法，在相同环境下，使用三种方法验证机械加工过程设备叠加振动检测效果，检测结果和实际信号一致性越高，表明方法的检测效果越好，实验结果如图3所示。

图3 不同方法振动信号的检测效果分析

由图3中的实验数据可知，所提方法检测的振动信号和实际信号一致，文献[3]方法检测的振动信号在6s到7s之间的检测结果和实际信号误差较大，其曲线明显偏离实际信号曲线，文献[4]方法检测信号虽然多数和实际信号一致，但是在6s以后其检测效果出现较大误差，并且持续出现误差，因此，所提方法可以有效检测振动信号，提高了检测性能。

为了进一步分析所提方法的性能，在相同环境下，使用三种方法验证机械加工过程设备叠加振动检测的重构误差率，误差率越小，表明方法检测性能越好，实验结果如图4所示。

图4 不同方法检测振动检测的重构误差率

根据图4可知，所提方法的振动检测重构误差率在1.0%左右，未高于1.2%，文献[3]方法的重构误差率最低为4.0%，文献[4]方法的最低重构误差率为3.7%，文献方法的重构误差率分别高出所提方法的最高值2.8%和2.5%，因此，所提方法振动检测的重构误差率最低，有效降低了误差率，提高了提高了机械加工过程设备叠加振动的检测率。

验证三种方法的机械加工过程设备叠加振动的误报警率，该实验指标有效反映方法的性能，其误报警率越低，表明方法的性能越好，实验结果如图5所示。

图5 不同方法检测振动信号的误报警率

分析图5可知，误报警率随着样本数量的的增加而增加，但是所提方法的增加程度较低，并且其在样本数量500个时，误报警率仅为0.9%，但是文献[3]方法的误报警率达到了4.9%，文献[4]方法的误报警率达到了3.2%，相比于所提方法的误报警率均高出2%以上，并且其是所提方法的三倍以上，远远高于所提方法，因此，所提方法因为在检测前期，对设备运行过程中的振动信号进行去噪处理，降低了设备叠加振动的误报警率，提高了检测效率和性能。

3 结语

针对传统的机械加工过程设备叠加振动检测方法存在的重构误差大、误报警率高的问题，设计并提出了一种基于随机森林算法的机械加工过程设备叠加振动检测方法，该方法有机结合了随机森林算法。实验结果表明，所提方法的重构误差率低于1.2%，误报警率均在0.18%以下，并且受转速影响较小，可以以更高的精度完成机械加工过程设备叠加振动检测，全面提升了检测结果的准确性。