管業(yè)勤， 蔣祖華

(上海交通大學(xué) 機械與動力工程學(xué)院，上海 200240)

機電設(shè)備隨著科技的發(fā)展和進步日趨復(fù)雜，隨機性、繼發(fā)性、并發(fā)性、暴發(fā)性、隱蔽性等也已成為故障出現(xiàn)時所具備的性質(zhì)[1]。同時，故障的出現(xiàn)方式更加復(fù)雜，多個故障同時發(fā)生或相互作用的情況更加常見。

傳統(tǒng)的研究將多重故障診斷轉(zhuǎn)化為一類由各個組成故障對應(yīng)于征兆數(shù)據(jù)集合的類劃分問題[2]?，F(xiàn)有的智能診斷方法大多針對具體的工程問題展開，如文獻[3]針對航空發(fā)動機的并發(fā)多故障診斷問題，運用自聯(lián)想記憶神經(jīng)網(wǎng)絡(luò)，改進輸入數(shù)據(jù)不完整或充滿噪聲情況下的診斷效果，但其特點對于相似故障的判別能力較弱。文獻[4]建立基于置信規(guī)則的復(fù)合式診斷系統(tǒng)架構(gòu)以應(yīng)對無耦合關(guān)聯(lián)和發(fā)生沖突的船用柴油機并發(fā)多故障，擴大系統(tǒng)可診斷的故障范圍，其缺點是沒有考慮可能并發(fā)的故障之間如沖突、耦合等更為復(fù)雜的聯(lián)系。文獻[5]針對電動機故障診斷復(fù)雜，訓(xùn)練困難等難題，擴展了單故障診斷方法，采用子徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)構(gòu)造組態(tài)式故障診斷模型一種故障模式。文獻[6]針對傳統(tǒng)模糊診斷規(guī)則庫缺乏聯(lián)想和自學(xué)習(xí)能力的缺點，采用模糊神經(jīng)網(wǎng)絡(luò)構(gòu)造智能診斷系統(tǒng)，將遺傳算法和蟻群算法用于系統(tǒng)參數(shù)優(yōu)化訓(xùn)練中，提高了診斷系統(tǒng)的泛化能力和收斂速度，不足之處在于該方法僅針對多種相互獨立故障，難以應(yīng)對復(fù)雜的多故障并發(fā)情形?，F(xiàn)有研究大多聚焦于提取表征故障類型的有效故障特征，或著力于建立基于特征信息的模式分類系統(tǒng)。

機器學(xué)習(xí)作為新興的技術(shù)手段，在故障診斷領(lǐng)域大放異彩。遞歸神經(jīng)網(wǎng)絡(luò)是機器學(xué)習(xí)最常用到的模型，遞歸神經(jīng)網(wǎng)絡(luò)中常用的Elman網(wǎng)絡(luò)，其輸出不僅取決于當(dāng)前的輸入，而且與以前的網(wǎng)絡(luò)內(nèi)部狀態(tài)有關(guān)，契合復(fù)雜系統(tǒng)的實時故障診斷要求[7]。故障診斷情境具有歷史數(shù)據(jù)稀疏的特點，結(jié)構(gòu)簡單的支持向量機(support vector machine，SVM)算法適合解決此類小樣本模式識別問題[8]。文獻[9]結(jié)合極限學(xué)習(xí)機(extreme learning machine, ELM)算法與糾錯輸出碼(error corrected output code, ECOC)，建立基于故障特征的模式分類系統(tǒng)，準(zhǔn)確識別故障原因。因而，本文提出了基于Elman網(wǎng)絡(luò)和ECOC-SVM的機電系統(tǒng)并發(fā)多故障診斷方法，在線推送診斷結(jié)果，助力維修決策。

1 并發(fā)多故障診斷方法

如圖1，本文提出的并發(fā)多故障診斷方法分為離線建模和在線診斷2個部分：離線建模：1)待診斷故障的原因初判模型；2)疑似故障的篩選模型。在線診斷：1)運用初判模型構(gòu)造疑似故障原因集合；2)利用篩選模型識別故障原因。

圖1 多故障并發(fā)診斷方法示意Fig.1 Fault diagnostic method for multiple concurrent fault modes

1.1 故障類別初判

本文采用基于Elman網(wǎng)絡(luò)的組態(tài)式模型對故障類別進行初判。如圖2所示，幾個相對獨立的子模型組成多故障初判模型，其輸入是傳感器監(jiān)測到的系統(tǒng)運行參數(shù)值，不同的故障類型分別對應(yīng)各自的子模型?？紤]到在線診斷的實時性要求，子模型均由Elman網(wǎng)絡(luò)訓(xùn)練而成。

編號為i(i=1,2,…,N)的子模型中，其故障特征集合Ti根據(jù)專家知識選取得到，輸入層神經(jīng)元的個數(shù)由Ti決定，網(wǎng)絡(luò)中間層到輸出層的傳遞函數(shù)采用對數(shù)Sigmoid函數(shù)，輸出表示為yi，yi的取值范圍是(-1,1)。Pi用于推測該子模型用于識別的類型是否為故障原因。

當(dāng)yi≤0時，Pi=0,表示該子模型對應(yīng)的故障未發(fā)生；當(dāng)yi>0時，Pi=yi，表示該子模型對應(yīng)的故障類型，其發(fā)生概率與模型輸出值的大小成正比。

可能的故障原因集合F為：

F={(F1,P1),…,(Fi,Pi),…,(FN,PN)

(1)

式中Fi(i=1,2,…,N)表示第i種故障類型。

Pi的取值為：

(2)

圖2 基于Elman網(wǎng)絡(luò)的組態(tài)式多故障類別初判模型結(jié)構(gòu)Fig.2 Fault diagnostic model for multiple concurrent fault modes in a parallel structure

1.2 故障原因篩選

1.2.1 篩選模型

SVM結(jié)構(gòu)簡單、泛化能力強；ECOC對于解決多分類問題很有效。因此本文通過結(jié)合ECOC與OVO將SVM擴展至ECOC-SVM建立篩選模型。

離線建模過程中，本文用于訓(xùn)練分辨任兩類故障的SVM二值分類器與1.1節(jié)中訓(xùn)練Elman網(wǎng)絡(luò)的歷史故障數(shù)據(jù)一致，假設(shè)所有的可能故障類別數(shù)為N。

訓(xùn)練過程如圖3所示。

圖3 故障篩選模型訓(xùn)練流程圖Fig.3 Fault screening model training flowchart

不同于文獻[8]在編碼之前使用統(tǒng)計特征(例如主成分和線性判別分析)來過濾特征，本文采用唯一初始矩陣：列向量為二值分類器，行向量為類別標(biāo)簽，規(guī)避了編碼穩(wěn)定性不強的問題。

本文提出的編碼矩陣M取值于集合，{-1，0，+1}，M[i,j]=0意味著樣本的標(biāo)簽值對于第j個二值分類器無意義。對于類別數(shù)為m的多分類問題，M是一個m行、m(m-1)/2列的矩陣，對于第j列，若M[r1,j]=+1，M[r2,j]=-1，且其他處均為零，說明該列代表區(qū)分故障類別r1和r2的二值分類器。結(jié)合ECOC與OVO初始化糾錯輸出碼矩陣M的詳細流程如圖4所示。

圖4 糾錯輸出碼矩陣初始化流程Fig.4 ECOC matrix flowchart

執(zhí)行上述步驟得到的初始化編碼矩陣M為：

(3)

1.2.2 篩選過程

F為本文1.1節(jié)得到的可能故障原因集合，m為集合中的故障類別數(shù)量。當(dāng)m≤2時，診斷結(jié)果即為集合F。

本文考慮m>2的診斷情形，提出基于極大似然估計[13]的ECOC解碼方式，運用ECOC-SVM多分類器篩選故障原因，得到最終診斷結(jié)果。

類別數(shù)為m的多分類問題中，ψn表示第n組分類，有ψn{SVMi,j,SVMj,i}(n=1,2,…,m(m-1)/2)。假設(shè)初始編碼矩陣M中，hn(i)表示第n列第i行的元素值，hn(i)∈{-1,0,+1}。若hn(i)≠0，un(di)表示以待診斷故障數(shù)據(jù)d為輸入時,該非零項的實際預(yù)測值，un(di)∈{+1,-1}。gn(di)表示在第n組分類中，d屬于類別i的權(quán)重，其取值為：

(4)

其中：

(5)

d屬于類別i的可能性大小U(di)為：

(6)

本文提出的篩選模型用于識別故障原因的過程如下：

2)依次用ψ中第n組分類器ψn對d進行分類，若SVMi,j返回值為-1，則un(di)=-hn(i)；若SVMi,j返回值為+1，則un(di)=hn(i)；若SVMj,i返回值為-1，則un(di)=-hn(i)；若SVMj,i返回值為+1，則un(di)=hn(i)。

3)運用式(4)、(5)計算d屬于類別i的權(quán)重gn(di)；

4)d的歸屬類別與類別i的相似度值U(di),由式(6)計算得到，篩選判據(jù)為：

(7)

經(jīng)上述步驟，診斷結(jié)果經(jīng)故障原因篩選后推送給維修人員輔助其決策。

2 多故障診斷實例分析

2.1 船用發(fā)動機故障診斷

本文采集某類型船用發(fā)動機售后維修部的真實數(shù)據(jù)，以該發(fā)動機故障診斷為例，對本文提出的診斷方法進行實驗評估。

2.1.1 離線建模

本文收集897項報警內(nèi)容為發(fā)動機氧合系數(shù)異常的船用發(fā)動機故障的發(fā)動機運行數(shù)據(jù)用于實驗。

表1為9個預(yù)先設(shè)置的特征參數(shù)。表2為可能引起發(fā)動機氧合系數(shù)異常的6種故障原因。

表1 特征參數(shù)表Table 1 Features details

表2 故障原因表Table 2 Faults details

表3表示根據(jù)專家經(jīng)驗得到的特征參數(shù)與故障原因間的映射關(guān)系，由此構(gòu)造診斷系統(tǒng)。

針對此6類故障原因，采用1.2節(jié)所述方法構(gòu)建故障類別初判模型S；采用1.1節(jié)所述步驟，訓(xùn)練SVM二值分類器，構(gòu)造用于在線診斷階段的ECOC-SVM分類器。

表3 特征參數(shù)-故障明細表Table 3 Features-faults for every sub-system

2.1.2 在線診斷

本實例中待診斷故障數(shù)據(jù)為d，經(jīng)2.1.1節(jié)構(gòu)造的故障類別初判模型S處理后得到可能故障原因集合F為：

F={(F1,0.65),(F2,0.73),(F3,0.57),

(F4,0.51),(F5,0),(F6,0)}

(8)

初始化編碼矩陣為：

(9)

d的歸屬類別與各類別的相似度值U(di)(i=1,2,3,4)如表4所示。

表4 ECOC-SVM預(yù)測值Table 4 Prediction values of ECOC-SVM

(10)

2.2 性能對比實驗

性能對比實驗均在R環(huán)境下進行，所用計算機內(nèi)存為8 GB。

2.2.1 對比常用機器學(xué)習(xí)分類方法

表5給出了與本文方法進行比較的分類算法[10-12]的描述和參數(shù)選擇。

表5 實例研究中的各個算法說明Table 5 Details of classifiers used in the experimental study

本文使用性能測量指標(biāo)宏F1(macro_F1)衡量分類器性能：

(11)

性能對比如圖5所示，其中TP、FP、TN和FN分別代表真陽性、假陽性、真陰性和假陰性的數(shù)量。

圖5 分類器性能比較箱線圖Fig.5 Boxplot of average Macro-F1 obtained examined classifiers used

每種方法的平均訓(xùn)練持續(xù)時間和測試持續(xù)時間如表6所示。

從圖5可以看出，單個分類器(C5.0，kNN)的性能指標(biāo)低于80%，這意味著超過1/5的實際故障在故障診斷中將被忽略。

表6 算法時長對比

OVA-SVM使用一對多分類策略，精確度不高的原因可能是樣本數(shù)量不均。輸出代碼設(shè)計(ECOC)是糾錯碼(ECC)和一對一分類(OVO)的結(jié)合。從圖6可以看出，與ECOC組合的分類器的性能要優(yōu)于組合前單個分類器的性能。另外，作為比較算法，k-NN的宏高于C5.0，但結(jié)合糾錯輸出代碼，ECOC-k-NN性能遠不及其他混合算法，而ECOC-SVM性能高于其他混合算法。

圖6 分類錯誤率對比Fig.6 Comparison of the multiclass error

考慮到診斷系統(tǒng)需要及時給出故障檢測建議，以解除警報，因此本文對比了各分類方法的平均訓(xùn)練時間與對未知樣本的平均分類時間(測試時間)，如表6所示。盡管k-NN不需要預(yù)先訓(xùn)練，但其測試時間顯著高于其他方法，不適合實際使用。與OVA-SVM相比，ECOC-SVM的訓(xùn)練時間更長，但是實際的診斷系統(tǒng)采用離線訓(xùn)練，訓(xùn)練時長不影響在線診斷的即時響應(yīng)時間。

2.2.2 對比基于漢明距離的ECOC-SVM分類方法

將本文提出的基于最大似然估計的ECOC-SVM故障分類方法與傳統(tǒng)的基于漢明距離的ECOC-SVM故障分類方法進行比較[8]，如圖6所示。

本文提出的方法考慮了分類過程中的損失函數(shù)，因此與傳統(tǒng)的漢明距離方法相比，分類精度有所提高。但隨著分類數(shù)量的增加，2種分類方法的錯誤率均增加，分類準(zhǔn)確度呈下降趨勢。

本文診斷方法的優(yōu)勢在于使用故障類別初判模型減少ECOC-SVM的分類數(shù)量，以此降低ECOC-SVM的分類錯誤率。

3 結(jié)論

1)本文提出的方法利用Elman網(wǎng)絡(luò)構(gòu)造組態(tài)式的多故障診斷模型，構(gòu)建方法簡單，各子系統(tǒng)含義清晰。

2)這種方法的模型訓(xùn)練的實質(zhì)是訓(xùn)練子系統(tǒng)。子系統(tǒng)可以根據(jù)應(yīng)用條件進行重組或更新，以方便擴展。

3)這種方法中的子系統(tǒng)是相對獨立的。故障特征的選擇充分利用了專家的經(jīng)驗。

4)該方法根據(jù)實時數(shù)據(jù)的特征從所有單個故障中選擇可能的故障類型，避免了故障診斷對機理模型的依賴。

本文提出的故障診斷方法以沒有未知故障為前提，忽略了故障模式未知的診斷情形。因此之后的研究應(yīng)聚焦未知故障情境下的診斷方法。