孙俊佚雄 陈以

摘  要：近年来随着大数据技术的成熟，家用电器在线故障诊断也得到了普及。以洗衣机用的异步电机为对象，提出通过提取定子电流幅值作为特征向量与极端梯度提升算法结合的故障诊断方法。并将该方法与支持向量机、梯度提升决策树算法在实验采集数据和大数据支持下进行对比分析。其仿真结果表明，极端梯度提升算法在处理洗衣机用异步电机故障时，能有效地进行故障类型诊断，诊断精度和泛化能力较强，能够适用于日常生活和商业需要。

关键词：特征提取;梯度提升决策树;XGBoost;异步电机;故障诊断

Abstract：In recent years，with the maturity of big data technology，home appliances online fault diagnosis has also been popular. Taking the asynchronous motor for washing machine as the object，a fault diagnosis method is proposed，which combines the extraction of stator current amplitude as the eigenvector and the XGBoost algorithm. The method is compared with support vector machine and gradient lifting decision tree under the support of experimental data and big data. The simulation results show that the extreme gradient lifting algorithm can effectively diagnose the type of fault when dealing with the fault of asynchronous motor for washing machine，with high accuracy and generalization ability，and can be applied to daily life and commercial needs.

Keywords：feature extraction;gradient lifting decision tree;XGBoost;asynchronous motor;fault diagnosis

0  引  言

洗衣机是一项典型的将电能转换为机械能的工具，它对衣物的自动清洗，自动甩干和烘干等作用为人们的生活提供了巨大的便利。随着电机结构的转变，传统的故障检测手段已经难以满足生活和商业需求。目前，三相异步电机由于其可提供功率高、经济需求较低、便于接入负载等优点，已成为智能洗衣机电机的最佳选择。目前，智能洗衣机的故障检测基本仍是以人为检测为基础的先验经验检测方法，这种方法十分耗时，严重影响人们的日常生活。近年来，XGBoost（极端梯度提升算法）这一方法的提出，高效地实现了并完善了GBDT（梯度提升决策树）算法，给家用、商用电机的故障诊断带来了新的方向。本文选取GBDT算法、XGBoost算法和支持向量机为对象，研究分析了各算法的性能，在实验室条件下选取某型号的洗衣机用三相异步电机为对象收集故障数据，并结合UCI库中数据对三种算法进行了训练。三种算法对故障数据的诊断能力证明XGBoost算法在针对该型电机的故障诊断时最为实用，其分类效果优良、测试准确度高等优点，能够满足家用洗衣机的在线故障诊断需求。实验原理基于大数据处理与检测，实验于桂林电子科技大学实验室完成。

1  GBDT及XGBoost方法介绍

1.1  GBDT方法

GBDT是一种将实例分类的回归树形结构，是由Friedman等人于2001年提出的一种基于迭代所构成的决策树算法。该回归树由节点和定向边构成。节点分为内部节点和叶子节点。内部节点表示某指定特征，叶节点表示某指定类。树模型从根节点向外生长，分别对已确认例子的指定特征进行测试，根据测试结果的不同，产生对应特征取值的子节点，并将例子调度到相应的子节点中。经过数次迭代，直到将例子调度到叶节点中为止。GBDT在迭代中需要拟合梯度值，由于样本标签是连续数值，采用的指标为平方差来判断拟合程度。

为使增益达到最大，可以枚举所有特征与分割点，将其有序排列，计算寻优。

除以上两种方法外，本文采用较为经典的最小二乘向量机作为对照组。

2  实验分析与结果

2.1  评价标准设置

机器学习的评价标准中用到四个参数，分别为TP：正确分类的正类样本数量;TN：正确分类的负类样本数量;FP：错误分类的正类样本数量;FN：错误分类的负类样本数量。

以准确率Accuracy=衡量总体精确度，越大越好。

以精确率Precision=表示正确分类的正例个数占实际正例个数的比例。

以召回率Recall=表示正確分类的正例个数占正例个数的比例。

并以F-value=作为精确率和召回率的综合评价标准，β在实验中一般取1。

2.2  洗衣机电机故障简介

三相异步电机故障主要可分为机械故障和电气故障等。机械故障指电机内部拖动和传动造成的故障，电气故障指控制电路和线路故障等。由于该电机用于家用智能洗衣机，本文仅对绕组短路、绕组断路、传动不良和轴承磨损这四个常见故障进行取样、训练和分析。

2.3  实验数据采集

实验选取专用于洗衣机的三相异步电动机与控制器一体机作为诊断对象，该电机能够完全满足家用智能洗衣机的动力需求如表1所示。实验所采用数据由电流传感器采集定子电流提供，由于实验条件影响，仅提供200组数据作为训练和测试样本。机器学习数据库UCI中选取5 000组数据对比实验。

2.4  故障特征向量选择

对异步电机故障的检测对象可以采用定子电流异常检测法。这种检测方法的工作量较小，对象变化较明显。由于电机的多种故障都可以通过电流的异常变化反映，可以通过傅里叶变换处理定子的电流信号。

如图3所示，定子电流的幅值在不同情况下（正常运行、过载等）变化较为明显，其在某指定位置的幅值可以作为输入向量。

2.5  实验结果

实验首先采用某实验室收集的共200组对应正常状态和四种故障状态下的数据，选取其中90组用来训练模型，剩下110组用作测试，然后分别对支持向量机、GBDT、XGBoost三种算法的实验数据进行F-value函数测试。作为样本量对照，另使用UCI中选取的5 000组样本作为数量对照组，同样采用实验室收集数据进行对比测试，同样得F-value函数，各算法评价如表2所示。其中，由UCI数据训练的XGBoost模型的具体性能评价结果如表3所示。

通过表2中各项数据的对比得出，XGBoost算法的F- value均略优于GBDT算法，明显优于支持向量机SVM算法。同时，根据样本量的提升，算法精确度越高。以准确度函数为例，在5 000组样本的情况下，XGBoost算法的Accuracy值从75%左右提升至接近97%。同样的变化趋势也适用于支持向量机和GBDT算法。

通过表3可以得出，该XGBoost模型在大量數据训练下，基本可实现对定子短路故障的无误差识别;对绕组断路故障、传动不良故障和轴承磨损故障的识别还存在微小误差。综合Accuracy值在97.00%以上，可具备量化生产和应用的潜力。

3  结  论

通过选取针对家用智能洗衣机的三相异步电机中定子电流变化状态为特征，分别采用SVM、GBDT、XGBoost三种算法作为分类器。实验结果表明XGBoost效果最优，其模型训练必须基于大数据准则，若训练样本过低会导致精度的严重降低。电机生产厂商可以通过生产和售后调查取得足够的数据资料以应对不同的电机种类，可以实现智能洗衣机的自动故障诊断。故将XGBoost算法应用于智能洗衣机的电机故障诊断是可行的，能达到很好的效果。

参考文献：

[1] 周东华，刘洋，何潇.闭环系统故障诊断技术综述 [J].自动化学报，2013，39（11）：1933-1943.

[2] 文成林，吕菲亚，包哲静，等.基于数据驱动的微小故障诊断方法综述 [J].自动化学报，2016，42（9）：1285-1299.

[3] 李航.统计学习方法 [M].北京：清华大学出版社，2012.

作者简介：孙俊佚雄（1993—），男，汉族，湖北荆州人，硕士研究生，研究方向：信号处理与信号集成系统;通讯作者：陈以（1963—），男，汉族，广西玉林人，教授，硕士研究生导师，主要研究方向：智能控制、计算机应用技术。