張 波,陳巖申,李艷青

(海軍青島雷達(dá)聲納修理廠，山東 青島 266100)

基于LSSVM的電子裝備故障預(yù)測(cè)研究

張 波,陳巖申,李艷青

(海軍青島雷達(dá)聲納修理廠，山東 青島 266100)

針對(duì)電子裝備的故障信息不足，故障發(fā)生率高等特點(diǎn)，通過(guò)故障預(yù)測(cè)有效的監(jiān)測(cè)設(shè)備故障狀態(tài)以及發(fā)展趨勢(shì)，實(shí)現(xiàn)對(duì)設(shè)備的事先維修，避免重大事故的發(fā)生，提高電子設(shè)備的安全性;對(duì)電子裝備故障預(yù)測(cè)進(jìn)行了分析，提出了一種基于最小二乘支持向量機(jī)(LSSVM)的故障預(yù)測(cè)方法;首先介紹了LSSVM故障預(yù)測(cè)算法的基本原理和預(yù)測(cè)流程；然后，對(duì)整個(gè)電子裝備的故障預(yù)測(cè)研究可以從一個(gè)類(lèi)似的模擬帶通濾波器電路故障預(yù)測(cè)研究出發(fā)，將該元件容差設(shè)為不同范圍來(lái)定義電路的不同故障狀態(tài)，將LSSVM方法與最小二乘法、支持向量機(jī)法對(duì)電路的不同狀態(tài)進(jìn)行預(yù)測(cè)，可以得到不同狀態(tài)的預(yù)測(cè)值，研究結(jié)果表明提出的方法能夠?qū)崿F(xiàn)模擬電路的緩變故障預(yù)測(cè)，且預(yù)測(cè)效果較好。

最小二乘支持向量機(jī);故障預(yù)測(cè);電子裝備;故障預(yù)測(cè)與健康管理

0 引言

故障預(yù)測(cè)與健康管理(prognostic and health management，PHM)是一種全面故障檢測(cè)、隔離和預(yù)測(cè)及健康管理技術(shù)，它的引入不僅僅是為了消除故障，而是了解和預(yù)測(cè)故障何時(shí)、何處可能發(fā)生以及故障類(lèi)型，使得系統(tǒng)在尚未發(fā)生故障之前，就能依據(jù)系統(tǒng)的當(dāng)前健康狀況決定何時(shí)維修， 從而實(shí)現(xiàn)自助式維護(hù)系統(tǒng)，降低使用和維護(hù)費(fèi)用的目標(biāo)。故障預(yù)測(cè)是PHM的重要組成部分，故障預(yù)測(cè)相關(guān)技術(shù)的研究和發(fā)展為PHM理念提供有效的理論根據(jù)，從而實(shí)現(xiàn)從傳統(tǒng)的基于傳感器的故障診斷轉(zhuǎn)向基于智能系統(tǒng)的故障預(yù)測(cè)。

現(xiàn)代的電子裝備結(jié)構(gòu)越來(lái)越復(fù)雜化，可能發(fā)生的故障越來(lái)越多樣化，其故障相對(duì)于機(jī)械設(shè)備來(lái)說(shuō)更難檢測(cè)出來(lái)，因此需要探索出一種有效可行的基于PHM的電子裝備故障預(yù)測(cè)方法，通過(guò)故障預(yù)測(cè)有效的監(jiān)測(cè)設(shè)備故障狀態(tài)以及故障發(fā)展趨勢(shì)，實(shí)現(xiàn)對(duì)設(shè)備的事先維修，避免重大事故的發(fā)生，提高電子設(shè)備的安全性。本文主要是開(kāi)展基于最小二乘支持向量機(jī)(least squares support vector machine，LSSVM)對(duì)其電子裝備進(jìn)行故障預(yù)測(cè)研究，實(shí)現(xiàn)對(duì)緩變故障的預(yù)測(cè)。

1 LSSVM故障預(yù)測(cè)模型和預(yù)測(cè)步驟

1.1 LSSVM故障預(yù)測(cè)模型

面對(duì)大量數(shù)據(jù)時(shí)，支持向量機(jī)(Support Vector Machine，SVM)很難對(duì)優(yōu)化問(wèn)題進(jìn)行求解，因此Suykens等人提出了LSSVM來(lái)完善SVM的不足，LSSVM把約束條件由不等式變成等式，把非線性回歸問(wèn)題轉(zhuǎn)換成線性回歸問(wèn)題，將誤差平方和應(yīng)用到目標(biāo)函數(shù)中，再通過(guò)KKT(Karush-Kuhn-Tucker)最優(yōu)條件把SVM的優(yōu)化問(wèn)題轉(zhuǎn)換為對(duì)線性方程組的求解問(wèn)題，提高了訓(xùn)練速度和收斂精度。

建立LSSVM故障預(yù)測(cè)模型，首先把訓(xùn)練數(shù)據(jù)輸入模型中，通過(guò)相空間重構(gòu)確定輸入輸出的對(duì)應(yīng)關(guān)系，建立了預(yù)測(cè)模型，再把測(cè)試數(shù)據(jù)輸入模型進(jìn)行預(yù)測(cè)，從而實(shí)現(xiàn)對(duì)未來(lái)某一時(shí)刻的預(yù)測(cè)，下面是LSSVM的學(xué)習(xí)樣本：

(1)

從式(1)中發(fā)現(xiàn)輸入與輸出是一一映射的，其中f:Rm→Rm，m為嵌入維數(shù)，m的確定根據(jù)最終預(yù)測(cè)誤差(FPE)準(zhǔn)則。

(2)

其中：

可以看出FPE(k)是隨著k變化而變化的，當(dāng)FPE(k)取得最小值時(shí)，則最優(yōu)解m就是最佳嵌入維數(shù)m=kopt。

開(kāi)始LSSVM模型訓(xùn)練，得到LSSVM回歸函數(shù)為：

(3)

得到第1步預(yù)測(cè)為:

(4)

則第2步預(yù)測(cè)為:

(5)

以此類(lèi)推，則第k步的LSSVM預(yù)測(cè)模型為:

(6)

1.2 LSSVM故障預(yù)測(cè)流程

基于LSSVM故障預(yù)測(cè)步驟如下：

1)確定特征參數(shù)和數(shù)據(jù)處理。對(duì)于給定的預(yù)測(cè)系統(tǒng)進(jìn)行分析，找出能夠反映系統(tǒng)狀態(tài)變化的特征參數(shù)，獲得樣本數(shù)據(jù)；對(duì)樣本數(shù)據(jù)預(yù)處理，得到模型訓(xùn)練和測(cè)試所需要的數(shù)據(jù)；為了避免樣本數(shù)據(jù)數(shù)量級(jí)的影響，可以先對(duì)所有樣本數(shù)據(jù)歸一化處理。

2)確定模型參數(shù)。首先根據(jù)需要選擇合適的LSSVM預(yù)測(cè)模型，然后輸入LSSVM的學(xué)習(xí)樣本，根據(jù)式(2)確定嵌入維數(shù)，通過(guò)學(xué)習(xí)得到模型輸入輸出映射關(guān)系。其中模型參數(shù)的選擇尤為重要，本文中采用的核函數(shù)是徑向基核函數(shù)，同時(shí)調(diào)整參數(shù)γ和核參數(shù)σ2對(duì)LSSVM的性能好壞也起到?jīng)Q定性的作用。當(dāng)調(diào)整參數(shù)γ越大時(shí)，訓(xùn)練樣本在模型中的擬合程度越好，當(dāng)調(diào)整參數(shù)γ越小時(shí)，相應(yīng)的模型復(fù)雜度越低。而核參數(shù)σ2的取值是影響擬合曲線光滑程度的關(guān)鍵。

3)模型訓(xùn)練。把樣本數(shù)據(jù)劃分成訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)，將訓(xùn)練數(shù)據(jù)輸入模型進(jìn)行訓(xùn)練。

4)預(yù)測(cè)。把測(cè)試樣本輸入模型進(jìn)行預(yù)測(cè)，輸出值即預(yù)測(cè)值。

5)評(píng)價(jià)預(yù)測(cè)模型。對(duì)得到的預(yù)測(cè)結(jié)果進(jìn)行評(píng)價(jià)分析，如果不能達(dá)到理想的預(yù)測(cè)結(jié)果，則重新進(jìn)行訓(xùn)練，直到得到較為理想的預(yù)測(cè)結(jié)果。

本文采用的評(píng)價(jià)指標(biāo)為絕對(duì)誤差和相對(duì)誤差。絕對(duì)誤差(Absolute Error，AE)：

,...n

(7)

相對(duì)誤差(Relative Error，簡(jiǎn)稱(chēng)RE)：

,...,n

(8)

LSSVM故障預(yù)測(cè)流程如圖1所示。

圖1 基于LSSVM故障預(yù)測(cè)流程

2 LSSVM在電子裝備故障預(yù)測(cè)中的應(yīng)用案例

由于電子裝備的退化狀態(tài)數(shù)據(jù)很難獲得，對(duì)整個(gè)電子裝備的故障預(yù)測(cè)研究可以從一個(gè)類(lèi)似的模擬電路故障預(yù)測(cè)研究出發(fā)， 如圖2所示為Sallen-Key帶通濾波器，采用PSPICE軟件對(duì)電路仿真，所有R的容差為±10%，C的容差為±5%。

圖2 Sallen-Key帶通濾波器

2.1 特征參數(shù)的選取

對(duì)圖2的模擬電路來(lái)說(shuō)在正常工作狀態(tài)下每個(gè)元件都有規(guī)定的容差范圍，當(dāng)元件超出規(guī)定的容差就可能出現(xiàn)故障。在一個(gè)電子裝備的實(shí)際電路中可能會(huì)由大量的元件組成，每個(gè)元件的變化都可能會(huì)導(dǎo)致故障的發(fā)生，但每個(gè)元件改變多少對(duì)電路輸出影響才會(huì)明顯，這就由元件靈敏度的大小來(lái)決定了。靈敏度越大，當(dāng)改變?cè)笮』蛉莶顚?duì)輸出影響越大。本文采用PSPICE中的靈敏度分析對(duì)圖2的模擬電路中各元件進(jìn)行分析，選擇靈敏度高的元件作為模擬故障漸進(jìn)過(guò)程的元件。

首先對(duì)電路進(jìn)行交流仿真，本文采用的信號(hào)源為幅值為2 V，相角0o的正弦波信號(hào)。各元件均工作在正常容差范圍內(nèi)，測(cè)試點(diǎn)為電路輸出點(diǎn)V0，選取頻響輸出電壓作為監(jiān)測(cè)信號(hào)，圖3為該模擬電路的交流仿真結(jié)果。

圖3 交流仿真結(jié)果

通過(guò)對(duì)該電路進(jìn)行靈敏度分析可知，對(duì)電路輸出帶寬和最大增益影響最大的是C1、C2，再通過(guò)參數(shù)掃描來(lái)確定要改變的元件。

分別對(duì)C1、C2取不同數(shù)值，觀察C1、C2取不同值時(shí)對(duì)電路輸出波形的影響，輸出波形如圖4、圖5所示。

圖4 C2取不同值電路的輸出波形

圖5 C1取不同值電路的輸出波形

如圖4、圖5所示，當(dāng)C1、C2取標(biāo)稱(chēng)值和不同值時(shí)，電路的輸出波形變化都很明顯，C1的波形變化主要集中在100 Hz～100 KHz之間，C2的波形變化主要集中在10 KHz～10 MHz之間，本文選取C2作為測(cè)試元件，將C2的不同變化作為特征參數(shù)。

2.2 狀態(tài)設(shè)置與特征提取

本文只考慮C2的變化對(duì)整個(gè)電路系統(tǒng)的影響，其他元件參數(shù)均在正常容差內(nèi)變化，測(cè)試點(diǎn)為端節(jié)點(diǎn)V0，對(duì)該電路進(jìn)行頻率響應(yīng)分析。

1)當(dāng)C2的容差變化范圍為[-5,+5]%，C2在正常的容差變化范圍內(nèi)，為正常狀態(tài)；

2)當(dāng)C2的容差變化范圍為[5,10]%，C2出現(xiàn)微弱故障，為退化狀態(tài)1；

3)當(dāng)C2的容差變化范圍為[10,15]%，C2逐漸偏離正常狀態(tài)，為退化狀態(tài)2；

以此類(lèi)推

4)當(dāng)C2的容差變化范圍為[45,50]%，C2將無(wú)法正常工作，為完全故障狀態(tài)；

即C2的容差變化范圍分別為[5,10]%，[10,15]%，[15,20]%，[20,25]%，[25,30]% [30,35]%，[35,40]%，[40,45]%，[45,50]%來(lái)模擬該電路系統(tǒng)的狀態(tài)退化過(guò)程，加上正常狀態(tài)共設(shè)置了10種狀態(tài)，分別對(duì)得到的每種狀態(tài)進(jìn)行50次蒙特卡羅(MC)分析，設(shè)置頻率變化范圍為100 Hz～10 MHz，圖6為各狀態(tài)的仿真結(jié)果。

結(jié)合圖4和圖6發(fā)現(xiàn)在10～400 kHz之間C2的變化對(duì)電路輸出的影響最為明顯，因此分別對(duì)每個(gè)狀態(tài)取10 kHz、25 kHz、50 kHz、80 kHz、100 kHz、150 kHz、200 kHz、250 kHz、300 kHz、400 kHz對(duì)應(yīng)的10個(gè)頻響電壓幅值構(gòu)成一個(gè)10維的電壓特征向量，作為原始特征向量。其中每種狀態(tài)有50組特征向量，30組作為訓(xùn)練樣本，20組作為測(cè)試樣本。

2.3 模型訓(xùn)練與故障預(yù)測(cè)

對(duì)正常狀態(tài)和各退化狀態(tài)取得的10維電壓特征向量取平均值，構(gòu)成訓(xùn)練數(shù)據(jù)，表1為各狀態(tài)在對(duì)應(yīng)頻率下輸出電壓的平均值，1～10分別代表電路的正常狀態(tài)、退化狀態(tài)2～9和完全故障狀態(tài)。

圖6 各狀態(tài)的仿真結(jié)果

從表1可以看出隨著該電路的狀態(tài)逐漸退化，其所對(duì)應(yīng)的各頻率下的輸出電壓也逐漸降低，因此證明了通過(guò)改變C2的容差來(lái)模擬狀態(tài)退化過(guò)程是合理的。

通過(guò)對(duì)訓(xùn)練樣本訓(xùn)練，確定嵌入維數(shù)為4，采用徑向基核函數(shù)，通過(guò)模型訓(xùn)練和對(duì)測(cè)試樣本的預(yù)測(cè)確定(σ2，γ)為(0.25，100)。從表1中選取25 kHz(各狀態(tài)樣本中最大值)、50 kHz(同一狀態(tài)下相鄰頻率之間變化最大的)的各狀態(tài)數(shù)據(jù)對(duì)其進(jìn)行LSSVM故障預(yù)測(cè)。選取狀態(tài)1～4的數(shù)據(jù)作為第一次訓(xùn)練樣本，得到狀態(tài)5的預(yù)測(cè)值，再選取狀態(tài)2～5的數(shù)據(jù)作為第二次訓(xùn)練樣本，得到狀態(tài)6的預(yù)測(cè)值，以此類(lèi)推，得到狀態(tài)5～10的預(yù)測(cè)值。作為對(duì)比，分別利用最小二乘法(Least Squares，LS)算法、SVM算法和LSSVM算法對(duì)狀態(tài)5～10進(jìn)行回歸預(yù)測(cè)，實(shí)際曲線和各預(yù)測(cè)算法所得到的曲線如圖7、圖8所示。

表1 模擬電路在各狀態(tài)下輸出電壓平均值

圖7 25 kHz下各狀態(tài)實(shí)際與預(yù)測(cè)曲線的比較

圖8 50 kHz下各狀態(tài)實(shí)際與預(yù)測(cè)曲線的比較

表2、表3為各狀態(tài)在25 kHz、50 kHz下分別利用LS算法、SVM算法和LSSVM算法的預(yù)測(cè)結(jié)果和相對(duì)誤差。

2.4 預(yù)測(cè)結(jié)果分析

根據(jù)圖7與圖8中各算法得到的預(yù)測(cè)結(jié)果與實(shí)際曲線對(duì)比可知，前3個(gè)狀態(tài)中3種算法的預(yù)測(cè)值與實(shí)際值都很接近，隨著預(yù)測(cè)步數(shù)的增加，LS算法的預(yù)測(cè)逐漸偏離實(shí)際值，預(yù)測(cè)精度隨之降低；SVM、LSSVM算法預(yù)測(cè)結(jié)果較理想，擬合效果好。通過(guò)表2與表3可知，LS算法在前3個(gè)狀態(tài)預(yù)測(cè)誤差均小于1%，能夠很好的實(shí)現(xiàn)預(yù)測(cè)，但對(duì)后3種狀態(tài)的預(yù)測(cè)則偏離實(shí)際值很遠(yuǎn)，甚至預(yù)測(cè)值遠(yuǎn)大于狀態(tài)實(shí)際值，如表2中應(yīng)用LS算法對(duì)狀態(tài)9的預(yù)測(cè)值與狀態(tài)7的實(shí)際值幾乎一樣，這樣就不能準(zhǔn)確的實(shí)現(xiàn)故障預(yù)測(cè)，因此LS算法較適合短期預(yù)測(cè)。SVM算法的預(yù)測(cè)誤差均小于0.6%，LSSVM算法的預(yù)測(cè)誤差在0.3%左右，兩者都能較好的實(shí)現(xiàn)故障預(yù)測(cè)，但LSSVM算法的預(yù)測(cè)效果更佳，更適合模擬電路故障狀態(tài)預(yù)測(cè)。

表2 各狀態(tài)在25 kHz下的預(yù)測(cè)結(jié)果和相對(duì)誤差

表3 各狀態(tài)在50 kHz下的預(yù)測(cè)結(jié)果和相對(duì)誤差

3 結(jié)論

本文針對(duì)電子裝備的故障預(yù)測(cè)方法進(jìn)行了研究，首先介紹了LSSVM故障預(yù)測(cè)算法的基本原理和預(yù)測(cè)流程；然后，對(duì)整個(gè)電子裝備的故障預(yù)測(cè)研究可以從一個(gè)類(lèi)似的模擬電路故障預(yù)測(cè)研究出發(fā)，因此本章采用對(duì)帶通濾波器進(jìn)行研究，通過(guò)靈敏度分析和參數(shù)掃描確定要改變的電路元件，再將該元件容差設(shè)為不同范圍來(lái)定義電路的不同故障狀態(tài)，分別采用LS、SVM、LSSVM對(duì)電路的不同狀態(tài)進(jìn)行預(yù)測(cè)，可以得到不同狀態(tài)的預(yù)測(cè)值；最后針對(duì)LSSVM預(yù)測(cè)性能進(jìn)行分析，結(jié)果表明本章提出的方法能夠?qū)崿F(xiàn)模擬電路的緩變故障預(yù)測(cè)，且預(yù)測(cè)效果較好。

[1] Yin M， Ye X H， Chen S C. Sensor Selection and Location Scheme for Prognostic and Health Management[J]． Sensors and Transducers，2013，158(11)：230-235．

[2] 王紅霞，潘紅兵，葉曉慧.多故障的測(cè)試序列問(wèn)題研究[J]．兵工學(xué)報(bào)，2011，32(11)：1518-1523.

[3] 謝松汕．基于HMM/SVM的風(fēng)電設(shè)備故障趨勢(shì)預(yù)測(cè)方法研究[J]．計(jì)算機(jī)測(cè)量與控制，2014，22(1)：39-41．

[4] 王 承．基于神經(jīng)網(wǎng)絡(luò)的模擬電路故障診斷方法研究[D]．成都：電子科技大學(xué)，2005.

[5] 高亞龍，張 磊，柴 波．基于PHM的電子系統(tǒng)測(cè)試性設(shè)計(jì)與故障診斷技術(shù)[J]．電子技術(shù)與軟件工程，2014，43(7)：110-111．

Research of Fault Prognostic Based on Least Squares Support Vector Machine for Electronic Equipment

Zhang Bo,Chen Yanshen,Li Yanqing

(Naval Qingdao Repair Workshop of Radar Sonar, Qingdao 266100,China)

Because fault information of the electronic equipment is insufficient, high incidence of failure, through fault prediction and effective monitoring equipment failure status and development trend, the realization of the equipment maintenance, to avoid the occurrence of major accidents, improve the safety of electronic equipment. Fault prediction of electronic equipment is analyzed, and a fault prediction method based on least square support vector machine (LSSVM) is proposed.Firstly it introduces the basic principle and the fault prognostic algorithm of the LSSVM process. Then, fault prognostic research for the electronic equipment can be from a similar analog band-pass filter circuit. Compared to the least square method and support vector machine method, LSSVM method is applied to the different fault condition of the circuit, which obtained the different results.It shows that the proposed method can achieve graded fault prognostic for the analog circuit, and has the better prediction effecting.

least squares support vector machine; fault prognosis;electronic equipment; prognostic and health management

2016-07-11；

2016-07-25。

張 波(1974-)，男，山東安丘人，研究生，高級(jí)工程師，主要從事電子裝備自動(dòng)測(cè)試與故障診斷方向的研究。

1671-4598(2016)12-0106-04

10.16526/j.cnki.11-4762/tp.2016.12.030

TP274

A