基于改进集成学习的矿山机电设备故障状态识别研究.pdfVIP

总第266期机械管理开发Total266

2025年第6期MechanicalManagementandDevelopmentNo.6,2025

故障诊断D0I:10.16525/14-1134/th.2025.06.025

基于改进集成学习的矿山机电设备故障状态识别研究

陈晓辉

（山西介休义棠倡源煤业有限公司，山西晋中032000)

摘要：由于现行方法在矿山机电设备故障状态识别中应用效果不佳，不仅置信度比较低，而且识别与实际交并比

也比较低，无法达到预期的识别效果，为此提出基于改进集成学习的矿山机电设备故障状态识别研究。采用正态分

布的方法对缺失值填补，采用箱形图法识别并剔除原始设备故障数据中异常值，采用主成分分析法对设备故障状

态特征降维处理，利用改进集成学习算法识别输入样本所属的设备故障状态，实现基于改进集成学习的矿山机电

设备故障状态识别。经实验证明，设计方法置信度在90%以上，识别与实际交并比在0.9以上，在矿山机电设备故障

状态识别领域具有良好的应用前景。

关键词：改进集成学习；机电设备；故障状态；主成分分析法；箱形图法

中图分类号：TH133.33文献标识码：A文章编号：1003-773X(2025)06-0070-03

0引言电设备故障状态数据时间序列向量，确定该向量的均

随着现代化工业的发展，矿山机电设备在矿业生值和方差，这两个统计量将用于生成符合正态分布的

产中的作用日益凸显。这些设备融合了液压、电子、化随机数，以填补缺失值[3]。填补过程实质上是从正态

学、计算机等多种现代技术，构成了复杂而精密的机分布中抽样，即对于每个缺失位置，生成一个符合该

械设备体系。矿山机电设备不仅是矿山生产的核心动分布的随机数作为填补值。这一过程可以形式化地表

力，也是确保生产安全、提高生产效率、降低生产成本示为：

的关键因素。然而，随着设备使用年限的增长、磨损、S=expl(1)

老化、操作不当及外部环境影响等问题逐渐显现，导

致设备故障频发。这些故障不仅影响生产进度，还可式中：S为缺失的机电设备故障状态数据时间序列向

能引发安全事故，给矿山企业带来巨大的经济损失和量的填补值;μu为正态分布序列的故障状态数据均

人员伤害。因此,对矿山机电设备的故障状态进行及值；x为机电设备故障状态数据时间序列向量值；为

时、准确的识别，对于保障生产安全、提高生产效率、机电设备故障状态数据时间序列向量方差[4];u为观

降低生产成本具有重要意义。近年来，随着计算机技测值的标准差。为了识别并处理数据中的异常值，采

术、传感器技术和动态监测技术的飞速发展，矿山机用箱形图法，通过计算数据集的四分位数来定义数据

电设备故障诊断技术取得了显著进步。的正常分布范围，特别是第1个四分位数和第3个四

文献[1]提出了基于MF-LSTM的识别方法，通分位数，基于这两个四分位数，定义异常值的判断区

过对不同频率下的状态信号进行特征提取和特征融间为：

合，完成混合信号输人下的设备故障识别。文献[2]提U=[Wi-1.51,W3+1.51].(2)

出了基于传感器的识别方法，分析设备的故障类型，式中：U为机电设备故障状态数据异常值的判断区

将利用传感器获取的故障图像划分为几个部分，实现间；W，为机电设备故障状态数据集的第1个四分位

对设备故障的自动识别。尽管矿山机电设备故障诊断数；I为四分位距；W，为机电设备故障状态数据集的

技术取得了显著进展，但在实际应用中仍存在一些不第3个四分位数[5]。通过计算故障数据样本中各时间

足之处，不仅置信度比较低，而且识别与实际交并比序列的上述区间，构建箱型图，据此识别并剔除不