龐 聰 馬武剛 李查瑋,3 龔燕民劉曉磊 江 勇 廖成旺

1 中國地震局地震研究所，武漢市洪山側(cè)路40號，430071 2 武漢引力與固體潮國家野外科學觀測研究站，武漢市洪山側(cè)路40號，430071 3 河北省地震動力學重點實驗室，河北省三河市學院街465號，065201 4 河北省地震局易縣地震臺，河北省保定市易縣，074211

傾斜儀故障會影響地震監(jiān)測數(shù)據(jù)的質(zhì)量。目前地震臺站部署的傾斜儀主要有VS型、DSQ型以及SSQ型等[1]。這些傳統(tǒng)傾斜儀的運維已有較成熟的配套方案，可依賴具有豐富儀器故障處理經(jīng)驗的專業(yè)技術(shù)人員和儀器生產(chǎn)廠家進行故障診斷與排除工作。VP型傾斜儀是中國地震局地震研究所自主研發(fā)的一種新型寬頻帶垂直擺式地形變觀測設備，其故障分析診斷主要依賴人工判斷并依照既定檢修流程的傳統(tǒng)方式，存在一定主觀性，會影響儀器故障判斷檢修效率。

隨著人工智能技術(shù)在故障診斷領域的快速應用，諸多模式識別模型已成功應用于部分較復雜設備的電機軸承故障診斷、工業(yè)過程故障分析或天氣干擾異常識別等領域[2-3]，診斷精度與結(jié)果可信度均較高。本文在綜合研究神經(jīng)網(wǎng)絡模型和群體智能優(yōu)化算法的基礎上，提出一種VP型傾斜儀故障智能診斷方法。首先引入經(jīng)驗模態(tài)分解(EMD)和近似熵進行故障信號的多尺度特征提取；然后基于蝗蟲優(yōu)化算法改進自組織映射神經(jīng)網(wǎng)絡的關鍵參數(shù)，利用改進后的新模型進行故障智能診斷。

1 數(shù)據(jù)來源

以河北易縣地震臺VP型傾斜儀為研究對象。該儀器安裝于華北平原與太行山交界處斷裂帶附近的觀測山洞中，場地巖性以閃長巖、石灰?guī)r及頁巖為主。儀器采集到大量故障數(shù)據(jù)，主要類型為數(shù)據(jù)采集設備故障、電源設備故障以及天氣干擾。實驗利用上述3種傾斜儀故障類型數(shù)據(jù)，時間跨度為2016-04-15～2021-11-20，采集到有效故障記錄數(shù)目依次為96、149、206條，包含NS與EW兩個方向的數(shù)據(jù)，原始記錄長度為86 400。將空缺值或null點設置為0，并以最大異常絕對值為中心將數(shù)據(jù)長度截取成4 000。最后，對數(shù)據(jù)進行歸一化處理，將幅值限定在[-1,1]范圍內(nèi)，以消除量綱帶來的影響。

2 方法與原理

2.1 蝗蟲優(yōu)化算法

蝗蟲優(yōu)化算法[4](grasshopper optimization algorithm,GOA)是一種模仿蝗蟲群體幼蟲與成蟲同時雜居與遷移的新型群體仿生優(yōu)化算法，其利用蝗蟲幼蟲行動遲緩和成蟲移動較快的特性同時開展局部搜索與全局尋優(yōu)。GOA更新蝗蟲位置的核心公式為：

(1)

2.2 SOM神經(jīng)網(wǎng)絡

自組織特征映射(self-organizing feature map, SOM)神經(jīng)網(wǎng)絡[5]是一種無教師、自主學習型網(wǎng)絡算法，既可以學習輸入矩陣向量的分布特征，又可以學習其拓撲結(jié)構(gòu)，通過更新神經(jīng)元及其近鄰神經(jīng)元的權(quán)值向量來進行分類與排序，最后只需要比對測試數(shù)據(jù)的類標與訓練數(shù)據(jù)的類標是否匹配即可得到預測結(jié)果。

SOM網(wǎng)絡一般只由輸入層和二維平面型競爭層組成，二者的神經(jīng)元之間以全連接的方式產(chǎn)生聯(lián)系，而競爭層維數(shù)、網(wǎng)絡學習速率、步長、領域距離等參數(shù)對神經(jīng)網(wǎng)絡學習效果具有一定影響，不恰當?shù)木W(wǎng)絡參數(shù)值將直接影響網(wǎng)絡訓練效率并降低網(wǎng)絡預測的精度。

2.3 故障智能診斷原理

基于EMD多尺度近似熵和GOA-SOM神經(jīng)網(wǎng)絡模型(簡稱GOA-SOM模型)的VP型垂直擺傾斜儀故障診斷流程如圖1所示，具體過程為：

圖1 VP型傾斜儀故障智能辨識流程Fig.1 Flow chart of intelligent fault identification method for VP tiltmeter

1)對N個傾斜儀原始故障數(shù)據(jù)進行畸變點定位、統(tǒng)一長度截取、數(shù)據(jù)歸一化等預處理，得到故障特征分析輸入向量Xi(i=1,2,…,N)。

2)使用EMD將故障信號Xi分解為6個本征模態(tài)函數(shù)IMFi,j(j=1,2,…,6)和1個剩余信號Ri，并線性重構(gòu)為:

(2)

3)計算各個IMF分量的近似熵，得到該信號的EMD多尺度近似熵向量，并重復步驟1)～2)，依次計算各個故障信號Xi的EMD多尺度近似熵值，從而組建SOM神經(jīng)網(wǎng)絡輸入矩陣S0。

近似熵是表征信號混亂程度的特征參量，其運算速度和特征區(qū)分效果與嵌入維數(shù)、容忍系數(shù)以及延遲時間有關，在實驗中3者可分別取值為2、0.15或0.2、8[5]。

4)將S0以隨機抽樣的方式劃分成訓練集S1和測試集S2,并固定比例8∶2。以訓練集為對象，應用GOA算法優(yōu)化SOM模型的第1層競爭層維數(shù)、第2層競爭層維數(shù)、分類階段步長以及調(diào)諧階段領域距離等網(wǎng)絡參數(shù)，以診斷錯誤率表達式(式(3))為適應度函數(shù)，將得到的最優(yōu)值替換SOM模型中的原參數(shù)值，得到GOA-SOM模型：

y=|100-Acc|/100

(3)

5) 將GOA-SOM模型應用于上述故障數(shù)據(jù)的訓練集和測試集，以訓練集S1為基礎得到P個故障信號的SOM聚類標簽值lp(p=1,2,…,P)，以測試集S2為基礎得到Q個故障信號的SOM聚類標簽值Lq(q=1,2,…,Q)。將Lq與lp進行匹配，若標簽值相同，則二者被GOA-SOM模型視作同類故障；如果Lq與lp所代表的故障信號真實屬性標簽值Tq與Tp也完全相同，則判定該次診斷正確，否則判定診斷錯誤。測試集中Q個故障待測信號全部執(zhí)行完上述診斷步驟后，診斷結(jié)束，得到最終診斷結(jié)果。

3 實驗與分析

3.1 EMD多尺度近似熵計算結(jié)果

圖2和表1為經(jīng)過EMD分解和多尺度近似熵計算的VP傾斜儀故障特征?？梢钥闯觯?種故障類型的IMF1、IMF2、IMF3的近似熵均值都表現(xiàn)出顯著差異性，其比例接近2∶1∶4；從IMF4開始，電源故障和數(shù)采故障的近似熵均值相似性較高，二者的故障信號中存在大量零值數(shù)據(jù)，區(qū)分難度較大，這對診斷模型在線性判據(jù)上的抗干擾能力具有一定檢驗作用。

圖2 EMD多尺度近似熵計算結(jié)果Fig.2 Results of EMD multiscale approximate entropy

表1 EMD各IMF分量的近似熵均值和標準差Tab.1 The mean values and STD of approximate entropy of each IMF component of EMD

3.2 GOA-SOM模型診斷效果

為測試GOA-SOM模型在VP型傾斜儀故障診斷中的有效性，采用100輪隨機抽取樣本的實驗方式，對電源故障、數(shù)采故障和環(huán)境異常3種故障類型數(shù)據(jù)進行智能診斷，訓練集與測試集樣本量比例約為8∶2，測試結(jié)果如圖3～5所示。

圖3 SOM和GOA-SOM模型診斷結(jié)果Fig.3 Identification results of SOM and GOA-SOM model

圖4 GOA-SOM模型各故障類型診斷結(jié)果Fig.4 Identification results of each fault type of GOA-SOM model

圖5 GOA算法優(yōu)化SOM神經(jīng)網(wǎng)絡參數(shù)結(jié)果箱線圖Fig.5 Boxplot of the results of optimizing SOM neural network parameters by GOA algorithm

由圖3～4可知，GOA-SOM模型的整體診斷效果優(yōu)于SOM模型，其電源故障類型的診斷率達到100%，在數(shù)采故障類型存在少許跳躍較大的峰值點，但準確率也在90%以上。

圖5為100次隨機診斷實驗下GOA算法優(yōu)化SOM神經(jīng)網(wǎng)絡參數(shù)結(jié)果箱線圖?？梢钥闯?，第1層競爭層維數(shù)、第2層競爭層維數(shù)、分類階段步長及調(diào)諧階段領域距離等SOM神經(jīng)網(wǎng)絡參數(shù)優(yōu)化后的中位數(shù)分別為3.635 0、4.204 7、45.930 6和3.373 0，各參數(shù)優(yōu)化后未出現(xiàn)顯著的偏移和離群值。

3.3 機器學習模型故障辨識效果對比

為檢驗GOA-SOM模型的性能，選取標準SOM神經(jīng)網(wǎng)絡、樸素貝葉斯、K最近鄰(KNN)、支持向量機以及決策樹等5種模型[6-8]作為參照，利用100次診斷實驗下的正確率均值作為評價指標，具體對比結(jié)果如表2～3和圖6所示。

表2 GOA模型和GOA-SOM模型對比Tab.2 Comparison between GOA-SOM model and SOM model

圖6 3種模型準確率對比Fig.6 Comparison of identification accuracy of 3 methods

表2為SOM模型和GOA-SOM模型在100次傾斜儀故障診斷隨機子實驗下的對比結(jié)果?？梢钥闯?，二者的診斷精確度均較高，尤其是對電源故障類型數(shù)據(jù)的識別都極為準確；二者差異主要在數(shù)采故障類型上，SOM模型的診斷正確率只有92.676 3%，低于GOA-SOM模型的99.093 8%；SOM模型診斷結(jié)果的穩(wěn)定性也存在不足，其數(shù)采故障類型診斷精度的標準差是GOA-SOM模型的3倍?？傮w而言，GOA-SOM模型相對于SOM模型，在診斷率和穩(wěn)定性上均有較顯著的進步。

表3為4種經(jīng)典機器學習模型和GOA-SOM模型對比結(jié)果，圖6為3種診斷模型的對比細節(jié)?？梢钥闯?，GOA-SOM模型具有較優(yōu)越的診斷性能，對線性相關判據(jù)的抗干擾效果較為顯著，未受到相似判據(jù)屬性值的影響。

表3 常見模型的診斷率均值結(jié)果對比Tab.3 Comparison of average values of identification for some common methods

4 結(jié) 語

本文以VP型傾斜儀各類故障數(shù)據(jù)為研究對象，利用GOA算法改進SOM神經(jīng)網(wǎng)絡，設計了一種VP傾斜儀故障智能診斷模型GOA-SOM。實驗結(jié)果表明，該診斷模型具有精度高、較穩(wěn)健等特點，對臺站VP型傾斜儀故障分析準確判斷、運維巡修、提高儀器運行率具有重要意義。

本研究有以下幾個方面需要注意：

1)本文模型忽視了GOA算法優(yōu)化SOM神經(jīng)網(wǎng)絡參數(shù)帶來的診斷效率問題，受最大迭代次數(shù)、適應度值計算速度等因素影響，故障診斷平均耗時較長，達到72.737 9 s。

2)受制于部分故障類型(爆破或塌陷、雷電干擾、人工檢修等)樣本數(shù)目極少，本文故障診斷實驗數(shù)據(jù)的種類和代表性存在一定不足；同時，本文缺少其他臺站的樣本，這在一定程度上會影響本文診斷模型的可靠性驗證和應用推廣。

3)本文診斷模型可推廣應用于VS傾斜儀、水管儀、伸縮儀等儀器的故障判準。但傳感原理和技術(shù)參數(shù)存在顯著不同的儀器，其分量受環(huán)境影響變化趨勢差異較大，進而會影響故障特征提取的質(zhì)量，這對模型的有效推廣是一個挑戰(zhàn)。