李梅琴

(閩西職業(yè)技術(shù)學(xué)院 實訓(xùn)實驗管理中心，福建 龍巖 364021)

虛擬仿真技術(shù)在儀器分析和操作中具有非常明顯的應(yīng)用優(yōu)勢,為現(xiàn)階段強化儀器管理提供了虛擬實驗室系統(tǒng)操作的概念。鄧雅瓊等[1]提出儀器分析的虛擬仿真平臺設(shè)計方法,在虛擬實驗室環(huán)境中,對設(shè)備應(yīng)用及分析進行教學(xué)和管理,保障操作的重復(fù)性和準(zhǔn)確性。而在現(xiàn)階段高校教育中,同樣存在儀器設(shè)備不足和難以觀察的問題,影響教學(xué)效果,以此提出虛擬仿真實驗室的概念,為教學(xué)提供了全新方式。黃科等[2]分析了虛擬仿真實驗室建立的必要性,并對虛擬仿真技術(shù)的應(yīng)用方式作出假設(shè),為實驗室的建設(shè)和管理提供了一定參考。

無論是現(xiàn)實儀器應(yīng)用還是虛擬實驗室環(huán)境中的儀器應(yīng)用,都需要對其進行全方位的管理,以確保儀器能夠安全地進行多種類型的操作。其中對故障預(yù)警的設(shè)計是儀器管理中較為重要的一個環(huán)節(jié),樊紅衛(wèi)等[3]提出一種基于轉(zhuǎn)子振動頻率的故障預(yù)警方式,解釋了典型故障的原因和診斷機理及對振動頻率的引用,可以非常清晰地模擬轉(zhuǎn)子的不平衡與不對中的狀態(tài),能夠?qū)υO(shè)備的故障類型做出自動判斷。鐘少恒等[4]提出了隨機森林的算法清洗方式,以多維分布的節(jié)點構(gòu)建隨機處理模型,對故障信息進行特征采樣。

本文以上述研究為基礎(chǔ),研究隨機森林算法的故障預(yù)警方法,為虛擬仿真實驗室的儀器管理提供理論支持。

1 虛擬仿真實驗室儀器故障預(yù)警

1.1 集成神經(jīng)網(wǎng)絡(luò)對應(yīng)儀器故障特征

虛擬仿真實驗室中的儀器,在連接和組成結(jié)構(gòu)上,與真實儀器的擺放形式一致,能夠真實地還原設(shè)備現(xiàn)場的操作環(huán)境。當(dāng)其出現(xiàn)故障或者問題時,同樣需要按照現(xiàn)實標(biāo)準(zhǔn)進行判斷,以為常規(guī)條件下儀器的應(yīng)用提供參考。故障特征信號在傳遞過程中,以文件形式為存在標(biāo)準(zhǔn),通過索引號和通道號以及量值等信息,預(yù)估出報警上限和報警下限,判斷實驗室儀器的運行狀態(tài),并加以說明。

設(shè)置診斷子網(wǎng)絡(luò)個數(shù)為p,與決策融合網(wǎng)絡(luò)構(gòu)成一體的綜合網(wǎng)絡(luò)形式,即集成神經(jīng)網(wǎng)絡(luò),能夠診斷出q種類型故障[5]。

集成網(wǎng)絡(luò)用WW1來表示,其中輸出的不穩(wěn)定信號為故障向量,表示為

Er=(er1,er2,…,ert)q,

(1)

故障向量Er映射后,轉(zhuǎn)換為

Er=fr(Yr),

(2)

式中:fr表示映射函數(shù),r=1,2,…,p;Yr表示網(wǎng)絡(luò)WW1的特征向量。

故障特征量融合的過程實際上就是故障信號輸出的過程,以每個子網(wǎng)絡(luò)中的輸出量對應(yīng)融合網(wǎng)絡(luò)中的節(jié)點信息,將WW1中的輸出節(jié)點個數(shù)設(shè)置為wr,則融合網(wǎng)絡(luò)中的決策點個數(shù)表示為[6]

(3)

融合網(wǎng)絡(luò)中的決策信息輸出結(jié)果為

E=f(Y1+Y2+…+Yn)。

(4)

以此尋求神經(jīng)網(wǎng)絡(luò)中的訓(xùn)練樣本,將前置子網(wǎng)絡(luò)中的所有數(shù)據(jù)信息點進行匯總,當(dāng)決策網(wǎng)絡(luò)中的樣本數(shù)據(jù)來源于前置網(wǎng)絡(luò)時,即可設(shè)定兩個網(wǎng)絡(luò)之間的特征相匹配。

將網(wǎng)絡(luò)WW1的故障向量設(shè)置為集合Ar=[ar1,ar2,…,art],每一種故障對應(yīng)的置信權(quán)值向量Sr=[Sr1,Sr2,…,Srt],子網(wǎng)絡(luò)的并行組合向量集Wp=[WW1,WW2,…,WWp],以此建立故障特征矩陣A為[7]

(5)

置信權(quán)值矩陣S為

(6)

此時融合網(wǎng)絡(luò)輸出為

E=A·S。

(7)

由此對實驗室儀器故障類型進行判斷,將產(chǎn)生的不同種類故障特征進行分析,以集成神經(jīng)網(wǎng)絡(luò)的有機整體,在多組相互獨立且配合的模塊中,實現(xiàn)特征的在線提取和劃分,并通過森林算法構(gòu)建預(yù)警模型。

1.2 隨機森林算法構(gòu)建預(yù)警模型

集成神經(jīng)網(wǎng)絡(luò)的實現(xiàn)借助于信息分配網(wǎng)絡(luò)的構(gòu)建,以多個信號為基礎(chǔ),對應(yīng)實驗室儀器故障診斷,將部件級別的信號進行定位[8]。與現(xiàn)階段個體網(wǎng)絡(luò)診斷不同,集成神經(jīng)網(wǎng)絡(luò)能夠真實還原故障定位,對故障點的信號完成標(biāo)識。

從數(shù)學(xué)專業(yè)角度,將隨機森林算法引入故障診斷中,定義特征決策樹,設(shè)置即將需要分類的故障類型,對某一類的信息值進行計算,公式為

Z(C=cr)=-lbX(cr),

(8)

式中:Z(C)表示實驗室儀器的隨機監(jiān)測數(shù)據(jù)變量;X(cr)表示某一類信息cr出現(xiàn)的概率。

對隨機變量的不確定度量,可以采用信息熵,即該故障特征的期望值,表示為[9]

(9)

式中g(shù)表示儀器故障的分類數(shù)量。

信息熵完全依賴于C的分布,與其參數(shù)取值沒有聯(lián)系,基本上與C=cr出現(xiàn)的概率呈反比趨勢,其值越大,表示故障分類的準(zhǔn)確性越低。當(dāng)隨機選擇兩個變量時,其與概率之間的變化關(guān)系如圖1所示。

圖1 信息熵與概率的變化關(guān)系

根據(jù)圖1內(nèi)容所示,橫坐標(biāo)表示為概率,縱坐標(biāo)表示為信息熵,當(dāng)橫坐標(biāo)的值取0或者1時,其縱坐標(biāo)的對應(yīng)值均為0,表示隨機變量完全沒有不確定性[10]。而取值為0.5時,縱坐標(biāo)值為1,即隨機變量的不確定性達到頂峰。以此將熵概念引入特征分類中,對儀器的故障類型進行判斷,對隨機變量進行定義,都設(shè)置為F,在變量條件C下的不確定性,即為判斷概率,表示為

(10)

式中:M(F|C)表示聯(lián)合熵;M(F|C=c)表示單獨的熵[11]。在C和F共同滿足信息類型時,能夠在給定條件下,對故障問題做出預(yù)警信號,借助遞歸形式,對上述特征進行組合,當(dāng)出現(xiàn)故障時第一時間完成預(yù)警。

1.3 遞歸形式組建分類樹預(yù)警故障

儀器設(shè)備在運行過程中只會出現(xiàn)兩種結(jié)果,一是正常工作狀態(tài),二是故障狀態(tài),而在不同事件中產(chǎn)生的隨機事件可能為正常工作,也可能為故障狀態(tài)。因此采用隨機森林的方式進行故障預(yù)警,可以將兩種狀態(tài)作為隨機時間,而{正常,故障}集合則為隨機森林算法的樣本空間。但常規(guī)模式下數(shù)學(xué)計算過程不會用正常和故障兩種字眼作為數(shù)學(xué)運算的介質(zhì),本文用1表示故障,0表示正常[12-13]。

對給定的樣本數(shù)據(jù)能夠分類出的信息期望做出假設(shè),即信息熵,利用式(8)可表示為

(11)

當(dāng)樣本數(shù)據(jù)中包含多種特征屬性時,定義k個特征屬性構(gòu)成集合為KL(L=1,2,…,k),每個特征屬性均含有H個數(shù)值。特征屬性KL將J劃分成k個子集,分別為J1,J2,…Jk。假定屬性KL中子集Jk的類Cr的樣本數(shù)用drk來表示,則由屬性KL劃分的子集熵值的計算公式為[14]

(12)

(13)

式中:GR表示增益效果;Gn表示信息增益;SI表示信息類型。

對故障特征屬性KL分類出的判斷結(jié)果代表信息類型,可用SI(J,KL)來表示,具體為[15]

(14)

按照信息增益的最大原則,對不同儀器設(shè)備隨著分類得出的判斷結(jié)果進行標(biāo)記,聯(lián)系故障信號特征與某個儀器之間的關(guān)系,確定故障位置進行預(yù)警。至此在隨機森林算法下,完成了對虛擬仿真實驗室儀器故障的預(yù)警方法設(shè)計。

2 實驗測試與分析

本文設(shè)計了隨機森林預(yù)警方法,對虛擬實驗室儀器故障進行監(jiān)測,為驗證其實際應(yīng)用價值,選擇兩組傳統(tǒng)方法進行對比,測試不同預(yù)警方法的應(yīng)用效果。

2.1 獲取實驗數(shù)據(jù)

故障信號預(yù)警的基本前提,就是對故障信號頻率的預(yù)估準(zhǔn)確度。為驗證三種不同方法的預(yù)警效果,選擇某虛擬仿真實驗室儀器為測試對象,對其故障信號頻率進行預(yù)估。

將信號采樣率設(shè)置為4 000 Hz,采樣點數(shù)量為2 024個,隨機選擇余弦信號下對應(yīng)的故障頻率,進行全局頻譜圖繪制,如圖2所示。

圖2 采樣點信號全局頻譜圖

根據(jù)圖2內(nèi)容所示,此次設(shè)計的儀器故障信號頻譜存在三組余弦信號極值,故障信號表示為

I=cos(2πf1t)+cos(2πf2t)+cos(2πf3t),

(15)

式中f1、f2和f3的取值分別為246.12、425.87和648.03 Hz。將上述頻率作為測試對象,代入預(yù)警方法中進行測試。

2.2 余弦信號下故障信號頻率預(yù)估對比

分別將三種預(yù)警方法連接到儀器設(shè)備中進行頻率預(yù)估,對故障信號進行局部細(xì)化處理,如圖3所示。

(a)246.12 Hz

根據(jù)圖3內(nèi)容所示,在不同故障頻率的細(xì)化頻譜下,本文方法對應(yīng)的數(shù)據(jù)基本與原始采樣點數(shù)據(jù)一致,而兩組傳統(tǒng)方法存在一定偏離。

為更清晰地展示預(yù)估精度,將故障信號的實際頻率和估計頻率進行匯總,統(tǒng)計各信號與真實數(shù)據(jù)之間的差值,見表1。

表1 不同方法預(yù)估誤差 單位:Hz

根據(jù)表1內(nèi)容可知,本文方法的估計誤差可以控制在0.002 5 Hz以下,兩組傳統(tǒng)方法的估計誤差分別為0.2 Hz和0.15 Hz。

2.3 不同信噪比下故障頻率預(yù)估對比

在此基礎(chǔ)上對故障信號加入噪聲,以不同信噪比變化為條件,從-10到10 dB,驗證三種預(yù)警方法的頻率預(yù)估能力。

以4 dB為間隔,在三種預(yù)警方式下,獲取三組信號的估計頻率,如圖4所示。

根據(jù)圖4內(nèi)容所示,隨著信噪比的加入,故障信號的預(yù)估頻率也發(fā)生變化,在本文方法下對故障信號的頻率預(yù)估逐漸趨向?qū)嶋H數(shù)值,最大誤差只有0.080 1 Hz。而兩組傳統(tǒng)方法下,當(dāng)加入噪聲后對信號頻率的預(yù)估會出現(xiàn)較大誤差,對故障信號的預(yù)警會出現(xiàn)延遲現(xiàn)象,說明本文方法更加有效。

3 結(jié)束語

本文以隨機森林算法為基礎(chǔ),按照對信息熵和信息增益的處理原則,重新劃分實驗室儀器的故障類型,完成不同特征信號的定位匹配,設(shè)計一種新的儀器故障預(yù)警方法,主要結(jié)論如下:

1)不同故障頻率的細(xì)化頻譜基本與原始采樣點數(shù)據(jù)一致,故障信號的頻率預(yù)估逐漸趨向?qū)嶋H數(shù)值,最大誤差只有0.08 1 Hz,能夠?qū)Σ煌墓收项愋瓦M行精確匹配。

2)估計誤差可以控制在0.002 5 Hz以下,及時發(fā)出故障預(yù)警信號,保障儀器的穩(wěn)定運行,具有實際應(yīng)用效果。

由于本文在對故障測試樣本選擇上能夠?qū)Ρ鹊倪x項較為單一,所得結(jié)果具有一定偏差,后續(xù)研究針對不足之處,進行更深層次的改進,對非平穩(wěn)信號或者信息較大的信號進行劃分,提出適用于多種類型的預(yù)警方法。