王瑩　王亞慧　安允

摘 ?要： 針對(duì)燃?xì)庹{(diào)壓器故障數(shù)據(jù)的非線性、非平穩(wěn)與高維度的特點(diǎn)，提出基于粒子群優(yōu)化（PSO）的核主元分析法（KPCA）與學(xué)習(xí)向量量化神經(jīng)網(wǎng)絡(luò)（LVQ）的故障診斷方法。先采用KPCA對(duì)故障數(shù)據(jù)進(jìn)行降維和降噪，由于核函數(shù)中未知參數(shù)難以確定，采用粒子群算法（PSO） 進(jìn)行優(yōu)化得到最優(yōu)的核參數(shù);然后采用LVQ對(duì)數(shù)據(jù)進(jìn)行識(shí)別分類;最后，將PSO?KPCA?LVQ算法故障診斷正確率及運(yùn)行時(shí)間分別與PSO?KPCA?SVM算法以及LVQ算法進(jìn)行比較。結(jié)果表明，基于PSO?KPCA?LVQ的故障診斷模型優(yōu)于其他兩種算法，驗(yàn)證了該文算法的有效性。

關(guān)鍵詞： 燃?xì)庹{(diào)壓器; 故障診斷; 數(shù)據(jù)處理; 核參數(shù)優(yōu)化; 數(shù)據(jù)分類; 算法比較

中圖分類號(hào)： TN131?34 ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼： A ? ? ? ? ? ? ? ? ? ? ?文章編號(hào)： 1004?373X（2020）24?0067?05

Gas pressure regulator fault diagnosis of based on PSO?KPCA?LVQ

WANG Ying， WANG Yahui， AN Yun

（Beijing University of Civil Engineering and Architecture， Beijing 100044， China）

Abstract： In allusion to the characteristics of nonlinear， non?stationary and high?dimensional fault data of gas pressure regulator， a fault diagnosis method based on particle swarm optimization （PSO）?kernel principal component analysis （KPCA）?learning vector quantization （LVQ） neural network is proposed. The KPCA is used for the dimension reduction and noise reduction of fault data. As unknown parameters in kernel function are difficult to determine， the PSO is adopted to optimize and obtain the optimal kernel parameters. The LVQ is used to identify and classify the data. The fault diagnosis accuracy and running time of PSO?KPCA?LVQ algorithm are compared with PSO?KPCA?SVM algorithm and LVQ algorithm， respectively. The results show that the fault diagnosis model based on PSO?KPCA?LVQ is better than the other two algorithms， which verifies the effectiveness of the algorithm.

Keywords： gas pressure regulator; fault diagnosis; data process; kernel parameter optimization; data classification; algorithm comparison

0 ?引 ?言

隨著人工智能技術(shù)的發(fā)展，基于證據(jù)理論[1] 、 壓縮感知[2]、模糊聚類[3]等理論與技術(shù)普遍應(yīng)用于故障診斷領(lǐng)域。然而很多智能方法在故障診斷過(guò)程中會(huì)出現(xiàn)一些不足之處?；贒?S證據(jù)理論可以融合多種數(shù)據(jù)和知識(shí)來(lái)提高確定性，但是當(dāng)證據(jù)之間存在矛盾時(shí)，得到的結(jié)果可能違背常理;壓縮感知降低了對(duì)采樣帶寬的要求，而且無(wú)須另辟空間來(lái)存儲(chǔ)采樣數(shù)據(jù)，但是要求輸入信號(hào)滿足稀疏性;模糊聚類雖然直觀、簡(jiǎn)明，但是樣本數(shù)目過(guò)多時(shí)，要獲得聚類結(jié)論有一定困難。因此，在原有技術(shù)的基礎(chǔ)上，研究和改進(jìn)故障診斷方法的正確率，提高故障分類的效率，才能保證機(jī)械設(shè)備能夠正常進(jìn)行生產(chǎn)活動(dòng)。

1 ?學(xué)習(xí)向量量化神經(jīng)網(wǎng)絡(luò)

LVQ （Learning Vector Quantization）雖然是一種有監(jiān)督訓(xùn)練方法，但采用無(wú)監(jiān)督的方法，在處理數(shù)據(jù)集時(shí)是把相同屬性的數(shù)據(jù)進(jìn)行聚類，從而允許獲得聚類中心。LVQ網(wǎng)絡(luò)由輸入層與輸出層（也稱競(jìng)爭(zhēng)層）組成。當(dāng)LVQ獲得輸入數(shù)據(jù)時(shí)，競(jìng)爭(zhēng)層的神經(jīng)元會(huì)遵循“勝者為王”原則來(lái)產(chǎn)生獲得勝利的神經(jīng)元，輸出為1，其余競(jìng)爭(zhēng)失敗的神經(jīng)元?jiǎng)t輸出為0。那么，得到1的輸出神經(jīng)元將與輸入劃分為同一類型，不同的輸出神經(jīng)元代表不一樣的類型，以達(dá)到輸出樣本分類識(shí)別的目的[4]。LVQ基本結(jié)構(gòu)如圖1所示。

由圖1可知，網(wǎng)絡(luò)的連接權(quán)為{[ωij]}，i=1，2，…，N，j=1，2，…，M，約束條件為：

[i=1Nωij=1] ? （1）

網(wǎng)絡(luò)的T個(gè)二值輸入學(xué)習(xí)模式為Pk=[pk1，pk2，…，pkN]，與其對(duì)應(yīng)的競(jìng)爭(zhēng)層輸出模式為Ak=[ak1，ak2，…，akN]，k=1，2，…，T。

2.3 ?PSO?KPCA

粒子群的每次更新對(duì)應(yīng)著粒子適應(yīng)度的更新，以及粒子群全局最優(yōu)和粒子最優(yōu)的更新，個(gè)體最優(yōu)和全局最優(yōu)又作用于粒子群的更新。當(dāng)?shù)瓿蓵r(shí)，得到最優(yōu)的適應(yīng)度值及對(duì)應(yīng)的粒子。粒子群優(yōu)化核函數(shù)參數(shù)的流程如圖2所示。

解碼得到最優(yōu)的核函數(shù)參數(shù)，然后重新計(jì)算核函數(shù)矩陣，得到新的特征值與特征向量[9]。設(shè)前j個(gè)主成分的累計(jì)貢獻(xiàn)率為[ηj]，前j個(gè)特征值特征向量矩陣為[V2=v1，v2，…，vj] ，則前j個(gè)主成分為[Y2=y1，y2，…，yj=VT2X]。

3 ?基于PSO?KPCA?LVQ的故障診斷模型的建立

3.1 ?基本思路

LVQ網(wǎng)絡(luò)本身假定各個(gè)維度的對(duì)應(yīng)屬性在分類過(guò)程中重要度相同，而在進(jìn)行燃?xì)庹{(diào)壓器故障診斷過(guò)程中，為避免冗余數(shù)據(jù)影響LVQ網(wǎng)絡(luò)分類精度，采用KPCA先對(duì)故障數(shù)據(jù)進(jìn)行預(yù)處理，簡(jiǎn)化數(shù)據(jù)矩陣信息，從而實(shí)現(xiàn)提高數(shù)據(jù)分類精度目的。KPCA核參數(shù)又需要PSO來(lái)進(jìn)行參數(shù)優(yōu)化?；玖鞒虨橄韧ㄟ^(guò)PSO?KPCA除去冗余信息，降低故障數(shù)據(jù)維數(shù)。將得到的主成分作為L(zhǎng)VQ網(wǎng)絡(luò)的學(xué)習(xí)樣本。然后，將新的學(xué)習(xí)樣本作為L(zhǎng)VQ神經(jīng)網(wǎng)絡(luò)的輸入層，進(jìn)一步構(gòu)建LVQ網(wǎng)絡(luò)的預(yù)測(cè)模型[10]。

本文中共將3種故障作為被診斷的原型故障，包括用氣高峰壓力低、喘振故障、關(guān)閉壓力高?？紤]到正常狀態(tài)作為一種診斷類型，則共有4種狀態(tài)，即喘振故障、用氣高峰壓力低、正常狀態(tài)和關(guān)閉壓力高狀態(tài)，對(duì)應(yīng)的標(biāo)簽分別為F1，F(xiàn)2，F(xiàn)3，F(xiàn)4?，F(xiàn)從燃?xì)饧瘓F(tuán)采集的調(diào)壓器出口壓力故障數(shù)據(jù)中隨機(jī)選取40組進(jìn)行仿真測(cè)試。表1為燃?xì)庹{(diào)壓器的每類運(yùn)行狀態(tài)的一組樣本。

3.2 ?仿 ?真

首先將未進(jìn)行處理的燃?xì)庹{(diào)壓器狀態(tài)數(shù)據(jù)輸入到LVQ中，運(yùn)行后得到LVQ網(wǎng)絡(luò)的訓(xùn)練過(guò)程曲線如圖3所示。圖4為L(zhǎng)VQ網(wǎng)絡(luò)故障診斷結(jié)果，可看出LVQ的故障診斷模型識(shí)別率達(dá)80%。

表2為KPCA分解后，原數(shù)據(jù)各主成分的具體值以及累計(jì)貢獻(xiàn)率。貢獻(xiàn)率指每一維數(shù)據(jù)對(duì)區(qū)分整個(gè)數(shù)據(jù)的貢獻(xiàn)。輸入特征太多使得數(shù)據(jù)仍存在過(guò)多冗余信息導(dǎo)致計(jì)算時(shí)間過(guò)長(zhǎng)，而輸入特征太少會(huì)導(dǎo)致故障檢測(cè)率大幅下降。因此，需要綜合考慮系統(tǒng)速度和檢測(cè)速度來(lái)確定合理的降維。而本文選取貢獻(xiàn)值大于85%的主元個(gè)數(shù)。根據(jù)表2選擇22維度。

在試驗(yàn)中，盡管每次迭代次數(shù)都不相同，但通過(guò)多次試驗(yàn)可以發(fā)現(xiàn)，如圖5所示，PSO?KPCA?LVQ模型的運(yùn)行迭代次數(shù)大概在18次。由圖6可知，識(shí)別正確的樣本個(gè)數(shù)為14個(gè)，PSO?KPCA?LVQ故障診斷模型識(shí)別率達(dá)87.5%。

SVM與LVQ同為小樣本分類算法。本文將PSO?KPCA?LVQ與PSO?KPCA?SVM算法進(jìn)行對(duì)比研究，將PCA處理后的數(shù)據(jù)輸入到SVM神經(jīng)網(wǎng)絡(luò)里面，運(yùn)行后得到結(jié)果如圖7、圖8所示。

由圖7可知，在迭代次數(shù)為16時(shí)，達(dá)到最優(yōu)。由圖8可知，有13個(gè)樣本分類正確，可看出PSO?KPCA?SVM的故障診斷模型識(shí)別率達(dá)81.25%。

3.3 ?PSO?KPCA?LVQ與PSO?KPCA?SVM對(duì)比

對(duì)比上面3個(gè)模型的訓(xùn)練結(jié)果后發(fā)現(xiàn)PSO?KPCA?SVM與PSO?KPCA?LVQ模型的訓(xùn)練時(shí)間和訓(xùn)練步長(zhǎng)都大大縮短，證明了優(yōu)化后的KPCA具有很好的非線性逼近能力[11]。數(shù)據(jù)通過(guò)處理后再用LVQ進(jìn)行識(shí)別，分類精度明顯提高。LVQ網(wǎng)絡(luò)與PSO?KPCA?SVM網(wǎng)絡(luò)及PSO?KPCA?LVQ網(wǎng)絡(luò)訓(xùn)練結(jié)果的信息對(duì)比如表3所示。從表3可看出，對(duì)于燃?xì)庹{(diào)壓器故障數(shù)據(jù)樣本，PSO?KPCA?LVQ模型故障識(shí)別率明顯高于PSO?KPCA?SVM，這也說(shuō)明了LVQ模型用在燃?xì)庹{(diào)壓器故障診斷方面具有很大的優(yōu)越性。

4 ?結(jié)語(yǔ)

對(duì)燃?xì)庹{(diào)壓器的故障數(shù)據(jù)進(jìn)行故障特征提取，本文提取288維數(shù)據(jù)。而在進(jìn)行燃?xì)庹{(diào)壓器故障診斷過(guò)程中，為避免冗余數(shù)據(jù)影響神經(jīng)網(wǎng)絡(luò)分類精度，采用核主元分析法先對(duì)采集得到的數(shù)據(jù)進(jìn)行初步處理，采用粒子群算法對(duì)核參數(shù)進(jìn)行尋優(yōu)，最終得到 22 個(gè)能反映原本數(shù)據(jù)的特征量。最后將其分別代入 LVQ 模型和SVM模型中。試驗(yàn)結(jié)果表明，核主元分析法降低了數(shù)據(jù)維度，有效提取出數(shù)據(jù)中的重要信息，提高了識(shí)別的效率; 在故障診斷方面，粒子群優(yōu)化核主元分析法與LVQ神經(jīng)網(wǎng)絡(luò)相比粒子群優(yōu)化核主元分析法與 SVM故障診斷模型具有更高的可靠性。

參考文獻(xiàn)

[1] 王秀玉.基于壓縮感知和機(jī)器學(xué)習(xí)的滾動(dòng)軸承故障診斷方法研究[D].北京：北京工業(yè)大學(xué)，2018.

[2] 程加堂，艾莉，段志梅.改進(jìn)證據(jù)理論與神經(jīng)網(wǎng)絡(luò)集成的變壓器故障診斷[J].電力系統(tǒng)保護(hù)與控制，2013（14）：92?96.

[3] 陳東寧，張運(yùn)東，姚成玉，等.基于FVMD多尺度排列熵和GK模糊聚類的故障診斷[J].機(jī)械工程學(xué)報(bào)，2018（14）：16?27.

[4] 趙晶晶，葛慶平，張存林.LVQ聚類算法在爆炸物THz光譜識(shí)別中的應(yīng)用[J].計(jì)算機(jī)工程與應(yīng)用，2009，45（18）：239?241.

[5] 趙云鳳.建筑電氣故障診斷方法研究[D].北京：北京建筑大學(xué)，2017.

[6] 鄭波，朱新宇.基于LVQ神經(jīng)網(wǎng)絡(luò)模型的飛機(jī)故障分類診斷[J].中國(guó)民航飛行學(xué)院學(xué)報(bào)，2009，20（4）：3?5.

[7] ARNITA， SINAGA M S， ELMANANI. Classification and diagnosis of diabetic with neural network algorithm learning vector quantizatin （LVQ） [J]. Journal of physics： conference series， 2019（1）： 012091.

[8] 馬云龍.基于主成分分析的RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)算法及其應(yīng)用[D].長(zhǎng)春：吉林大學(xué)，2015.

[9] 許東陽(yáng)，任永泰，王如意，等.基于PSO?PPE模型的黑龍江省水資源生態(tài)安全探析[J].中國(guó)環(huán)境監(jiān)測(cè)，2019（4）：1?6.

[10] 李嘉琳，何巍華，曲永志.PSO優(yōu)化深度神經(jīng)網(wǎng)絡(luò)診斷齒輪早期點(diǎn)蝕故障[J].東北大學(xué)學(xué)報(bào)（自然科學(xué)版），2019，40（7）：974?979.

[11] PATRICIA Melin， JONATHAN Amezcua， FEVRIER Valdez， et al. A new neural network model based on the LVQ algorithm for multi?class classification of arrhythmias [J]. Information science， 2014， 279： 483?497.

[12] 陳芳文.燃?xì)庠O(shè)備故障智能診斷系統(tǒng)應(yīng)用研究[D].北京：北京建筑大學(xué)，2016.

[13] 彭紅星，潘梨莉，趙鴻圖.一種改進(jìn)的KPCA傳感器故障識(shí)別方法及其應(yīng)用[J].儀表技術(shù)與傳感器，2016（6）：92?94.

[14] 郭小康，簡(jiǎn)濤，董云龍.基于PSO?KPCA?LVQ神經(jīng)網(wǎng)絡(luò)的雷達(dá)一維距離像識(shí)別[J].電光與控制，2019，26（6）：22?26.

[15] LI Chuan， SANCHEZ René?Vinicio， ZURITA Grover， et al. Gearbox fault diagnosis based on deep random forest fusion of acoustic and vibratory signals [J]. Mechanical system signal process， 2016（1）： 283?293.

[16] YIN Yue， JIANG Hanjun， FENG Shulin， et al. Bowel sound recognition using SVM classification in a wearable health monitoring system [J]. Science China information sciences， 2018， 61（8）： 1?3.

[17] 洪翌.基于定子電流的雙饋風(fēng)電機(jī)組不對(duì)中故障診斷[D].北京：北京交通大學(xué)，2018.

作者簡(jiǎn)介：王 ?瑩（1995—），女，山東人，碩士研究生，研究方向?yàn)槿細(xì)庹{(diào)壓器故障診斷。

王亞慧（1962—），男，北京人，教授，研究方向?yàn)槿細(xì)庹{(diào)壓器故障診斷及建模、機(jī)器人、數(shù)據(jù)庫(kù)。

安 ?允（1993—），女，河北人，碩士，研究方向?yàn)槿細(xì)庹{(diào)壓器故障診斷。