基于MVRVM回歸和RVM二叉樹分類的自確認(rèn)氣動(dòng)執(zhí)行器故障診斷算法*

馮志剛,王 茹,田 豐

(沈陽(yáng)航空航天大學(xué)自動(dòng)化學(xué)院,沈陽(yáng) 110136)

?

基于MVRVM回歸和RVM二叉樹分類的自確認(rèn)氣動(dòng)執(zhí)行器故障診斷算法*

馮志剛*,王 茹,田 豐

(沈陽(yáng)航空航天大學(xué)自動(dòng)化學(xué)院,沈陽(yáng) 110136)

為了解決自確認(rèn)氣動(dòng)執(zhí)行器的故障診斷問(wèn)題,提出了一種基于多變量關(guān)聯(lián)向量機(jī)(MVRVM)回歸和關(guān)聯(lián)向量機(jī)二叉樹分類的氣動(dòng)執(zhí)行器故障診斷方法,該方法利用多變量關(guān)聯(lián)向量機(jī)回歸建立氣動(dòng)執(zhí)行器的正常模型,然后將實(shí)際輸出與模型輸出比較,產(chǎn)生殘差作為氣動(dòng)執(zhí)行器的非線性故障特征向量。以殘差作為輸入建立關(guān)聯(lián)向量機(jī)二叉樹多分類機(jī),診斷氣動(dòng)執(zhí)行器故障類型。利用DABLib生成的故障數(shù)據(jù)對(duì)所研究方法進(jìn)行了驗(yàn)證,并與基于RVM一對(duì)一分類的故障診斷方法進(jìn)行了比較,結(jié)果表明該方法是解決氣動(dòng)執(zhí)行器故障診斷的小樣本和非線性問(wèn)題的一種有效方法。

自確認(rèn)氣動(dòng)執(zhí)行器;關(guān)聯(lián)向量機(jī);多變量關(guān)聯(lián)向量機(jī)回歸;RVM二叉樹分類;RVM一對(duì)一分類;故障診斷

由于工業(yè)的飛速發(fā)展和工業(yè)自動(dòng)化程度的日益提高,執(zhí)行器作為工業(yè)過(guò)程中重要的技術(shù)設(shè)備,被人們廣泛應(yīng)用。而執(zhí)行器根據(jù)其動(dòng)力能源形式可分為氣動(dòng)、液動(dòng)、電動(dòng)3類[1]。氣動(dòng)執(zhí)行器由于價(jià)格低廉、驅(qū)動(dòng)能源易得、易于清潔、易于維護(hù)、響應(yīng)速度快、防爆等優(yōu)點(diǎn)被廣泛應(yīng)用,通常用于控制液體、氣體和泥漿的流量。由于大多數(shù)執(zhí)行器都工作在高溫、高壓、強(qiáng)干擾、強(qiáng)腐蝕等惡劣的環(huán)境下,其能否正常工作直接關(guān)系到生產(chǎn)的安全性和可靠性[2]。但對(duì)于診斷其故障還存在一些問(wèn)題,例如:故障與系統(tǒng)有關(guān),不同的系統(tǒng)要不同的方法診斷;很難分清故障是系統(tǒng)故障還是執(zhí)行器的故障等?；谶@些問(wèn)題,1999年牛津大學(xué)控制工程研究室的學(xué)者在自確認(rèn)傳感器技術(shù)研究的基礎(chǔ)上,將自確認(rèn)SEVA(self-validating)技術(shù)應(yīng)用于執(zhí)行器,提出了自確認(rèn)執(zhí)行器(self-validating actuator)的概念[3-4],開創(chuàng)了一種新型的執(zhí)行器研究方向——自確認(rèn)執(zhí)行器技術(shù),這對(duì)執(zhí)行器的發(fā)展必將成為一個(gè)非常重要的方向。本項(xiàng)目組通過(guò)對(duì)傳統(tǒng)三組件式氣動(dòng)執(zhí)行器進(jìn)行改進(jìn),提出了一種自確認(rèn)氣動(dòng)執(zhí)行器,該種執(zhí)行器不僅能夠給出正確的控制輸出,同時(shí)能夠?qū)崿F(xiàn)故障的自檢測(cè)、自診斷,給出輸出控制量的準(zhǔn)確度信息,自身的工作狀態(tài)信息等參數(shù)。其中對(duì)自身故障的檢測(cè)和診斷是至關(guān)重要,為了解決氣動(dòng)執(zhí)行器的故障診斷問(wèn)題,目前主要采用的方法是神經(jīng)網(wǎng)絡(luò)方法[5-6]和支持向量機(jī)[2]方法,均取得了一定的效果,但是神經(jīng)網(wǎng)絡(luò)方法存在結(jié)構(gòu)確定難、容易陷入局部最優(yōu)、過(guò)學(xué)習(xí)問(wèn)題且需要大量訓(xùn)練樣本的缺點(diǎn)。支持向量機(jī)方法在很大程度上克服了神經(jīng)網(wǎng)絡(luò)的缺點(diǎn),能夠在一定程度上解決故障診斷的小樣本、非線性問(wèn)題,但是其在實(shí)際應(yīng)用中也存在一些缺點(diǎn):①核函數(shù)必須滿足Mercer條件;②支持向量機(jī)具有一定的稀疏性,但是支持向量數(shù)會(huì)隨著訓(xùn)練樣本數(shù)的增加線性增加;③需要對(duì)一些模型參數(shù)進(jìn)行優(yōu)化,如果這些模型參數(shù)取值不當(dāng),將大大影響其性能,從而增加額外的計(jì)算量。

為了克服以上缺點(diǎn),本文將基于貝葉斯概率框架理論的關(guān)聯(lián)向量機(jī)用于氣動(dòng)執(zhí)行器的故障診斷,提出了一種基于多變量關(guān)聯(lián)向量(MVRVM)回歸和關(guān)聯(lián)向量機(jī)二叉樹分類的氣動(dòng)執(zhí)行器故障診斷方法。首先用MVRVM回歸對(duì)無(wú)故障氣動(dòng)執(zhí)行器的輸入、輸出進(jìn)行建模,然后將實(shí)際輸出和模型輸出進(jìn)行比較產(chǎn)生殘差,如果殘差發(fā)生異常則檢測(cè)到故障,將殘差作為特征向量輸入到訓(xùn)練好的RVM二叉樹多分類器,判斷氣動(dòng)執(zhí)行器的故障類型。基于MVRVM回歸和關(guān)聯(lián)向量機(jī)二叉樹多分類的氣動(dòng)執(zhí)行器故障診斷方法的原理如圖1所示。

圖1 基于MVRVM回歸建模和RVM二叉樹多分類器的氣動(dòng)執(zhí)行器故障診斷方法原理

1 自確認(rèn)氣動(dòng)執(zhí)行器結(jié)構(gòu)及常見故障

本文研究三組件式自確認(rèn)氣動(dòng)執(zhí)行器,由氣動(dòng)執(zhí)行機(jī)構(gòu)(Pneumatic servo motor)、閥門定位器(Positioner)、調(diào)節(jié)閥(Valve)3部分組成,如圖2和圖3所示。

圖2 傳統(tǒng)三組件式氣動(dòng)執(zhí)行器結(jié)構(gòu)圖

圖3 自確認(rèn)氣動(dòng)執(zhí)行器基本結(jié)構(gòu)圖

由圖可知,自確認(rèn)氣動(dòng)執(zhí)行器是一個(gè)四輸入,二輸出系統(tǒng),具體如圖4所示,其中CV為閥位指令信號(hào),P1為執(zhí)行器閥體前流體壓力,P2為執(zhí)行器閥體后流體壓力,T1為執(zhí)行器閥體流體溫度,是四個(gè)輸入;X為位置反饋信號(hào),F為流量信號(hào),是兩個(gè)輸出。

圖4 自確認(rèn)氣動(dòng)執(zhí)行器模型原理圖

當(dāng)執(zhí)行器給定的參數(shù)無(wú)法穩(wěn)定在規(guī)定的范圍內(nèi),同時(shí)不能完成規(guī)定的功能,我們視它為發(fā)生故障。文獻(xiàn)[7]中總結(jié)了氣動(dòng)執(zhí)行器的19種典型故障,具體見表1。

表1 氣動(dòng)執(zhí)行器的19種典型故障

2 基于MVRVM的建模方法

2.1 MVRVM回歸原理

Thayanantha等人在貝葉斯概率框架理論[8]的基礎(chǔ)上于2008年提出了模型較為稀疏的MVRVM理論[9-10],目的為實(shí)現(xiàn)多變量的同時(shí)回歸。由圖4可知,自確認(rèn)氣動(dòng)執(zhí)行器是四輸入二輸出系統(tǒng),此方法對(duì)于自確認(rèn)氣動(dòng)執(zhí)行器的建模問(wèn)題非常恰當(dāng)。因?yàn)镸VRVM回歸在小樣本下仍具有較好的泛化能力,可保證建模精度,同時(shí)模型稀疏,復(fù)雜度不高。作為一種核學(xué)習(xí)方法,它將自確認(rèn)氣動(dòng)執(zhí)行器建模中復(fù)雜的輸入輸出關(guān)系映射到線性的高維空間中,可解決其非線性問(wèn)題。

y(n)=Φ[x(n)]·W

(1)

MVRVM算法的基本原理簡(jiǎn)要分析如下:

(2)

(3)

若目標(biāo)樣本集中第m個(gè)待重構(gòu)成分的向量記為τm,wm是對(duì)應(yīng)權(quán)值向量,則W的似然分布也可如式(4)所示。

(4)

再者,權(quán)值矩陣W的先驗(yàn)分布如式(5)所示,此時(shí)W的后驗(yàn)概率則是每一個(gè)獨(dú)立的待重構(gòu)成分且服從高斯分布的權(quán)值向量?jī)?nèi)積,如式(6)所示,進(jìn)一步推導(dǎo)如式(7)所示。

(5)

(6)

(7)

(8)

(9)

(10)

(11)

(12)

相應(yīng)地,若最新的測(cè)試樣本記為是測(cè)試樣本個(gè)數(shù)x*∈Rp×q,q是自確認(rèn)氣動(dòng)執(zhí)行器輸入量個(gè)數(shù)),則MVRVM模型的多變量輸出為y*∈Rp×M,(M是自確認(rèn)氣動(dòng)執(zhí)行器輸出量個(gè)數(shù)),誤差向量由矩陣σy的對(duì)角線元素表征,其數(shù)學(xué)表達(dá)式為:

(13)

(14)

由于在最優(yōu)超參數(shù)計(jì)算過(guò)程中,隨著迭代次數(shù)的增加,很多超參數(shù)將趨于無(wú)窮大,此時(shí)相應(yīng)的大部分權(quán)值趨于0,則訓(xùn)練數(shù)據(jù)集中較多的樣本向量將被剔除,較少的相關(guān)向量個(gè)數(shù)被保留,從而實(shí)現(xiàn)模型的稀疏化。

2.2 MVRVM回歸模型的建立

基于上述MVRVM的理論知識(shí)和自確認(rèn)氣動(dòng)執(zhí)行器的結(jié)構(gòu)原理、動(dòng)作的原則,以及自確認(rèn)氣動(dòng)執(zhí)行器輸入和輸出之間的關(guān)系,自確認(rèn)氣動(dòng)執(zhí)行器的模型可以表示為式(15)。公式中各個(gè)量的物理意義見1中的說(shuō)明。

(15)

若執(zhí)行器產(chǎn)生故障,流體流量信號(hào)F或閥桿位置反饋信號(hào)X就產(chǎn)生異常現(xiàn)象,上面如式(15)的函數(shù)關(guān)系就會(huì)改變。直觀的故障診斷方法是分析殘差,即故障執(zhí)行器的輸出和正常的執(zhí)行機(jī)構(gòu)輸出之間的差異。從上面的模型,可以計(jì)算殘差方程(16)。

(16)

本文選擇高斯核函數(shù)(K(x,z)=exp(-‖x-z‖2/2σ2)),并設(shè)計(jì)合適的帶寬和最大迭代次數(shù),構(gòu)造了MVRVM回歸模型,其中參數(shù)σ直接影響MVRVM回歸性能。把執(zhí)行器的無(wú)故障數(shù)據(jù)作為學(xué)習(xí)樣本來(lái)訓(xùn)練設(shè)計(jì)執(zhí)行器模型,接著把實(shí)際輸出和模型的輸出進(jìn)行比較,得到殘差r。如果r發(fā)生了異常,則認(rèn)為執(zhí)行器發(fā)生了故障。將殘差作為特征向量帶入關(guān)聯(lián)向量機(jī)即可識(shí)別出故障狀態(tài)。

以無(wú)故障數(shù)據(jù)和故障f1,f2,f15為例,其中數(shù)據(jù)點(diǎn)取故障發(fā)生前后各100點(diǎn),如圖5～圖8所示。從圖5可以看出,當(dāng)無(wú)故障時(shí),輸出殘差很小;從圖6可以看出,當(dāng)發(fā)生故障1時(shí),r1和r2均有較大值,且r1為負(fù),且其絕對(duì)值變化趨勢(shì)為逐漸減小,r2為正,且其絕對(duì)值變化趨勢(shì)為逐漸減小;從圖7可以看出,當(dāng)發(fā)生故障2時(shí),r2發(fā)生較大變化,r1基本不變;從圖8可以看出,當(dāng)發(fā)生故障15時(shí),r1和r2均有較大值,且r2為負(fù),且其絕對(duì)值變化趨勢(shì)為逐漸增加,r1為正,且其絕對(duì)值變化趨勢(shì)為逐漸增加。即當(dāng)發(fā)生故障時(shí),殘差將發(fā)生變化,且不同故障的殘差改變形式不一樣,因此利用殘差作為特征,用于自確認(rèn)氣動(dòng)執(zhí)行器的故障診斷。

圖8 故障15仿真數(shù)據(jù)輸出的殘差r1和r2

圖5 無(wú)故障仿真數(shù)據(jù)輸出的殘差r1和r2

圖6 故障1仿真數(shù)據(jù)輸出的殘差r1和r2

圖7 故障2仿真數(shù)據(jù)輸出的殘差r1和r2

3 基于RVM二叉樹分類的氣動(dòng)執(zhí)行器的故障診斷

3.1 RVM二分類原理

本文選用RVM二叉樹實(shí)現(xiàn)自確認(rèn)氣動(dòng)執(zhí)行器的故障狀態(tài)識(shí)別。類似于支持向量機(jī),基本的RVM也為二分類器[11-13],對(duì)于多種故障可通過(guò)一對(duì)一(OAO)、一對(duì)多(OAA)或二叉樹分類方式解決。此外,RVM可直接實(shí)現(xiàn)多分類。在二分類問(wèn)題中,利用分類問(wèn)題中常用的sigmoid函數(shù)σ(y)=1/(1+e-y),則概率函數(shù)為:

p(ti=1|ω)=σ(y(xi;w))=1/(1+e-y(xi,w))

多主體梯級(jí)水電參與日前市場(chǎng)下游電站自調(diào)度投標(biāo)策略//張粒子,劉方,許通,蔣燕,李秀峰,徐宏//(19):27

(17)

假如所有觀測(cè)樣本間是相互獨(dú)立的,由伯努利分布,其似然函數(shù)可以表述為:

(18)

式中:tn∈{0,1}為目標(biāo)值。似然函數(shù)由下式完成:

(19)

式中:α=[α0,α1,α3,…,αn]T是用來(lái)引入控制相關(guān)前置權(quán)重的超參數(shù)。之后,給一個(gè)新的測(cè)試樣本x*,預(yù)測(cè)相關(guān)目標(biāo)值t*,其預(yù)分部為:

p(t*|t)=∫p(t*|ω)p(ω|t)p(α|t)dωdα

(20)

式中:p(ω|t,α)是后驗(yàn)分布,可以用p(α|t)來(lái)驗(yàn)證。權(quán)重不能通過(guò)分析直接獲得,因此通過(guò)拉普拉斯變換獲得。

①對(duì)于當(dāng)前的超參數(shù)α,其“最適合”的權(quán)重ωMP是通過(guò)給定的后驗(yàn)分部得到的,p(ω|t,α)∝p(t|ω)p(ω|α),而后驗(yàn)分布的極值問(wèn)題相當(dāng)于下式的最大值:

log{p(t|ω)p(ω|α)}=

(21)

最優(yōu)權(quán)重ωMP、yi=σ{y(xi;ω)}與A=diag(α0,α1,…,αn)共同組成當(dāng)前值α。這是一個(gè)判罰邏輯數(shù)似然函數(shù),并且需要達(dá)到迭代最大化。ωMP可用所述迭代加權(quán)最小二乘算法得到。

②Logistic對(duì)數(shù)似然函數(shù)經(jīng)過(guò)兩次微分可以得到如下式(21)的Hessian矩陣:H=WWlog[p(t|ω)p(ω|α)]=(-ΦTBΦ-A)

(22)

式中:B=diag(β1,β2,…,βn)是βi=σ[y(xi;ωMP)]{1-σ[y(xi;ωMP)]}的對(duì)角矩陣,Φ是設(shè)計(jì)矩陣,其中Φnm=K(xn,xm),Φn0=1。然后,該結(jié)果取反,反轉(zhuǎn)得到如下式(22)的協(xié)方差Σ,對(duì)于高斯近似到后驗(yàn)超過(guò)權(quán)重集中在ωMP:

Σ=-H-1=(ΦTBΦ+A)-1

(23)

(3)利用高斯近似值統(tǒng)計(jì)協(xié)方差Σ與均值ωMP,用如下更新超參數(shù):

(24)

式中:ωMPi是權(quán)重ωMP第i個(gè)元素,Σi,i是協(xié)方差Σ第i個(gè)元素。在優(yōu)化過(guò)程中,有一些αi的值很大,因此,我們?cè)O(shè)置它的權(quán)值,以將αi去除,由此實(shí)現(xiàn)稀疏化。優(yōu)化過(guò)程一直持續(xù),直到αi最大變化值低于某個(gè)閾值或者達(dá)到最大迭代數(shù),然后,我們可以預(yù)測(cè)分類結(jié)果為一個(gè)新的值x*。

(25)

RVM分類器的訓(xùn)練步驟如下:

①初始化{αi}。

④重復(fù)②和③直到滿足收斂條件和得到最大迭代次數(shù)。

⑤其中的非零權(quán)重即為關(guān)聯(lián)向量。

⑥運(yùn)用式(25)可以計(jì)算得到預(yù)測(cè)分類結(jié)果。

圖9 基于RVM的二叉樹多分類器拓?fù)浣Y(jié)構(gòu)

3.2 RVM二叉樹多分類器設(shè)計(jì)

類似支持向量機(jī),基本的關(guān)聯(lián)向量機(jī)也是一個(gè)二分類器,要實(shí)現(xiàn)多分類,可以采用一對(duì)一(OAO)方法,一對(duì)多(OAA)方法,二叉樹分類法,或直接分類[14]。本文的分類器設(shè)計(jì)采用RVM二叉樹分類。用上述MVRVM回歸時(shí)產(chǎn)生的殘差數(shù)據(jù)作為輸入特征向量。利用聚類方法,設(shè)計(jì)二叉樹關(guān)聯(lián)向量多分類機(jī)的拓?fù)浣Y(jié)構(gòu),如圖9所示,本文中只考慮f1、 f2、 f3、 f6、 f11、 f12、 f15、 f17、 f18和fn的狀態(tài)識(shí)別,因此創(chuàng)建9個(gè)基于關(guān)聯(lián)向量基的子兩分類機(jī)(RVM1～RVM9),按照?qǐng)D9的層次結(jié)構(gòu)將這9個(gè)子兩分類機(jī)組合起來(lái),就形成能夠?qū)?0種狀態(tài)區(qū)分開來(lái)的多分類機(jī)。每個(gè)節(jié)點(diǎn)是一個(gè)RVM二分類器。

4 應(yīng)用實(shí)例與分析

本文的數(shù)據(jù)來(lái)源為波蘭華沙工業(yè)大學(xué)開發(fā)的基于MATLAB-SIMULINK的DABLib執(zhí)行器模型庫(kù),利用此模型庫(kù),仿真生成氣動(dòng)執(zhí)行器故障數(shù)據(jù),對(duì)所研究方法進(jìn)行驗(yàn)證。本文首次將關(guān)聯(lián)向量基回歸和多分類關(guān)聯(lián)向量基結(jié)合起來(lái)進(jìn)行氣動(dòng)執(zhí)行器故障診斷。具體的診斷步驟如下,首先用多變量關(guān)聯(lián)向量機(jī)回歸建模,利用無(wú)故障情況下的氣動(dòng)執(zhí)行器的數(shù)據(jù)作為輸入,將模型產(chǎn)生的輸出與實(shí)際的輸出作比較,得到殘差,若有發(fā)現(xiàn)殘差產(chǎn)生異常則說(shuō)明有故障生成,把提取的這些殘差當(dāng)做特征向量,同時(shí)作為多分類關(guān)聯(lián)向量機(jī)輸入進(jìn)行訓(xùn)練,便可識(shí)別氣動(dòng)執(zhí)行器的故障。

①使用無(wú)故障的數(shù)據(jù)進(jìn)行訓(xùn)練建立執(zhí)行器多向量RVM回歸模型g。

②訓(xùn)練過(guò)程。首先將訓(xùn)練樣本輸入基于多變量RVM回歸執(zhí)行機(jī)構(gòu)模型,得到模型預(yù)測(cè)值,然后通過(guò)對(duì)比模型預(yù)測(cè)輸出與實(shí)際執(zhí)行器輸出生成殘差,并它用作RVM二叉樹分類器的輸入特征向量,最后訓(xùn)練設(shè)計(jì)RVM多分類器。

③故障識(shí)別過(guò)程。對(duì)于自確認(rèn)氣動(dòng)執(zhí)行器的測(cè)試數(shù)據(jù),首先,利用執(zhí)行器模型g生成殘差,然后,通過(guò)將殘差帶入RVM多分類器進(jìn)行故障類型的辨識(shí)。

圖10 基于RVM的自確認(rèn)氣動(dòng)執(zhí)行器故障診斷算法原理圖

利用DABLib生成了自確認(rèn)氣動(dòng)執(zhí)行器每種故障及正常狀態(tài)各190組數(shù)據(jù),利用190組正常數(shù)據(jù)建立基于MVRVM回歸的氣動(dòng)執(zhí)行器模型,任意選取每種故障及正常狀態(tài)各20組數(shù)據(jù)作為訓(xùn)練樣本,輸入到建立好的氣動(dòng)執(zhí)行器模型,產(chǎn)生殘差,用于訓(xùn)練RVM多分類機(jī),其余的每種故障及正常狀態(tài)各170組數(shù)據(jù)用于對(duì)算法的測(cè)試。表2給出了詳細(xì)的測(cè)試樣本的故障識(shí)別結(jié)果。具體每一個(gè)關(guān)聯(lián)向量機(jī)的詳細(xì)結(jié)果如表3所示。

表2 測(cè)試樣本的故障診斷結(jié)果(二叉樹分類)

表3 RVM多分類器中的每一個(gè)關(guān)聯(lián)向量機(jī)的詳細(xì)結(jié)果(二叉樹分類)

由表2我們可看出:f1、f11、f15、f17、f18和fn的所有測(cè)試樣本均被正確識(shí)別。3個(gè)f2的測(cè)試數(shù)據(jù)被錯(cuò)誤識(shí)別為f15,這是由于RVM5分類錯(cuò)誤導(dǎo)致的;1個(gè)f3被錯(cuò)誤識(shí)別為f1,這是由于RVM2分類錯(cuò)誤導(dǎo)致的;1個(gè)f3被錯(cuò)誤識(shí)別為f15,這是由于RVM3分類錯(cuò)誤導(dǎo)致的;1個(gè)f6被錯(cuò)誤認(rèn)識(shí)別為f3,這是由于RVM4分類錯(cuò)誤導(dǎo)致的;1個(gè)f12被錯(cuò)誤識(shí)別為f15,這是由于RVM5分類錯(cuò)誤導(dǎo)致的。且由表3可見,每個(gè)相關(guān)向量機(jī)的相關(guān)向量數(shù)量遠(yuǎn)遠(yuǎn)低于訓(xùn)練樣本數(shù)據(jù),即相關(guān)向量機(jī)具有很強(qiáng)的稀疏性,可以大大提高在線識(shí)別的實(shí)時(shí)性。

為了驗(yàn)證RVM二叉樹多分類的優(yōu)勢(shì),我們把RVM二叉樹分類方式和RVM一對(duì)一分類方式的RVM多分類器進(jìn)行比較。為保證比較的公平性,同樣選擇經(jīng)過(guò)MVRVM模型得到的殘差特征,選取相同的每種故障及正常狀態(tài)各20組樣本用于訓(xùn)練RVM一對(duì)一多分類器,剩余的170組模擬數(shù)據(jù)進(jìn)行測(cè)試。測(cè)試結(jié)果如表4所示。

表4 測(cè)試樣本的故障識(shí)別結(jié)果(一對(duì)一分類)

由表4我們可看出:f1、f6、f15、f18和fn所有測(cè)試樣本均被正確識(shí)別。2個(gè)f2的測(cè)試數(shù)據(jù)被錯(cuò)誤識(shí)別為f15,1個(gè)f2的測(cè)試數(shù)據(jù)被錯(cuò)誤識(shí)別為f3,1個(gè)f3被錯(cuò)誤認(rèn)識(shí)別為f6,2個(gè)f3被錯(cuò)誤識(shí)別為f15,1個(gè)f11被錯(cuò)誤識(shí)別為f18,2個(gè)f12被錯(cuò)誤識(shí)別為f15,1個(gè)f17的測(cè)試數(shù)據(jù)被錯(cuò)誤識(shí)別為f1?？梢妼?duì)于RVM一對(duì)一多分類方法,雖有幾處誤識(shí)別,但所有故障模式的識(shí)別率也很高。但是由于采用RVM一對(duì)一實(shí)現(xiàn)多分類,對(duì)于本文的10種狀態(tài)識(shí)別,需要10*(10-1)/2=45個(gè)RVM二分類器,而RVM二叉樹方法僅需要9個(gè)RVM二分類器,因此其訓(xùn)練時(shí)間將遠(yuǎn)遠(yuǎn)大于RVM二叉樹分類器,同時(shí)對(duì)于在線識(shí)別過(guò)程來(lái)說(shuō),一對(duì)一分類方法的平均運(yùn)算量也是二叉樹分類方法的5倍,因此在實(shí)時(shí)性方面,二叉樹方法也是遠(yuǎn)遠(yuǎn)優(yōu)于一對(duì)一分類方法。

5 結(jié)論

本文首次將基于MVRVM回歸建模和RVM二叉樹分類的故障診斷方法用于自確認(rèn)氣動(dòng)執(zhí)行器的故障診斷,利用波蘭華沙工業(yè)大學(xué)開發(fā)的DABLib執(zhí)行器模型庫(kù)產(chǎn)生氣動(dòng)執(zhí)行器數(shù)據(jù),對(duì)所研究方法進(jìn)行了驗(yàn)證,并對(duì)RVM二叉樹分類和RVM一對(duì)一分類方法進(jìn)行了比較,結(jié)果表明:①所研究方法能夠正確建立氣動(dòng)執(zhí)行器的模型,RVM二叉樹分類法能夠以較高的正確率識(shí)別氣動(dòng)執(zhí)行器故障狀態(tài),且相關(guān)向量數(shù)遠(yuǎn)遠(yuǎn)小于訓(xùn)練樣本數(shù),大大提高了解的稀疏性。②二叉樹分類和一對(duì)一分類方法的故障診斷的識(shí)別率和正確數(shù)都很高,但RVM一對(duì)一分類方法所建立的關(guān)聯(lián)向量機(jī)較多,所以對(duì)于在線訓(xùn)練和識(shí)別,RVM二叉樹分類比RVM一對(duì)一分類器占用更少的內(nèi)存和消耗更少的CPU時(shí)間?？傊?本文所研究方法是解決氣動(dòng)執(zhí)行器故障診斷的小樣本和非線性問(wèn)題的一種有效方法。

[1] 師黎,費(fèi)敏銳. 氣動(dòng)執(zhí)行器故障診斷與容錯(cuò)控制的研究進(jìn)展[J]. 自動(dòng)化儀表,2004,25(8):4-9.

[2] 馮志剛,張學(xué)娟. 基于LS-SVM和SVM的氣動(dòng)執(zhí)行器故障診斷方法[J]. 傳感技術(shù)學(xué)報(bào),2013,26(11):1610-1616.

[3] Henry M P,Clarke D W. The Self Validating Sensor:Rationale,Definitions and Examples[J]. Control Engineering Practice,1993,1(4):585-610.

[4] Feng Zhigang,Qiu Meng. Design and Implementation of Self-Validating Pneumatic Actuator Hardware System Based on DSP and MCU[J]. International Journal of Hybrid Information Technology,2014,7(6):101-114.

[5] Karpenko M,Sepehri N,Scuse D. Diagnosis of Process Valve Actuator Faults Using a Multilayer Neural Network[J]. Control Engineering Practice,2003,11(11):1289-1299.

[6] Faisel J,Ron J,Witczak M. A Neuro-Fuzzy Multiple Medel Observer Approach to Robust Fault Diagnosis Based on the DAMADICS Benchmark Problem[J]. Control Engineering Practice,2006,14(6):699-717.

[7] Michal B,Ron P,Michal S. Introduction to the DAMADICS Actuator FDI Benchmark Problem[J]. Control Engineering Practice,2006,14(6):577-596.

[8] 沈強(qiáng),劉潔瑜,王琪,等. 基于相關(guān)向量機(jī)的MEMS陀螺儀隨機(jī)漂移補(bǔ)償[J]. 傳感技術(shù)學(xué)報(bào),2014,27(5):596-599.

[9] Thayananthan A,Navaratnam R,Stenger B,et al. Multivariate Relevance Vector Machines for Tracking[C]//Proceedings of the 2006 European Conference on Computer Vision,2006,3953:124-138.

[10] Thayananthan A,Navaratnam R,Stenger B,et al. Pose Estimation and Tracking Using Multivariate Regression[J]. Pattern Recognition Letters,2008,29(9):1302-1310.

[11] Dong Chao,Zhao Huijie, ,et al. Hyperspectral Image Classification and Application Based on Relevance Vector Machine[J]. Journal of Remote Sensing,2010,14(6):1273-1278.

[12] Tipping M E. Sparse Bayesian Learning and the Relevance Vector Machine[J]. Journal of Machine Learning Research,2001:211-244.

[13] 董超,田聯(lián)房,趙慧潔. 遺傳關(guān)聯(lián)向量機(jī)高光譜影像分類[J]. 上海交通大學(xué)學(xué)報(bào),2011,45(10):1516-1520.

[14] Yu Jintao,Ding Mingli,Meng Fangang,et al. Acoustic Emission Source Identification Based on Harmonic Wavelet Packet and Support Vector Machine[J]. Journal of Southeast University:English Edition,2011,27(3):300-304.

馮志剛(1980-)男,副教授,2009年獲哈爾濱工業(yè)大學(xué)測(cè)試計(jì)量技術(shù)及儀器專業(yè)博士學(xué)位,現(xiàn)為沈陽(yáng)航空航天大學(xué)自動(dòng)化學(xué)院副教授,碩士生導(dǎo)師,主要從事自確認(rèn)執(zhí)行器、自確認(rèn)傳感器、系統(tǒng)故障診斷等方面的研究,fzg1023@yeah.net。

Self-Validating Pneumatic Actuator Fault Diagnosis Based on MVRVMRegression and RVM Binary Tree Classification*

FENGZhigang*,WANGRu,TIANFeng

(Department of Automation,Shenyang Aerospace University,Shenyang 110136,China)

In order to solve the fault diagnosis problem of self-validating pneumatic actuators,a fault diagnosis approach based on multi-variable relevance vector machine(MVRVM)and relevance vector machine(RVM)binary tree classification is proposed. The MVRVM regression is used to establish the normal model of the pneumatic actuator. The residuals generated by comparing the output of the model and the actual actuator are used as the nonlinear features of the pneumatic actuator. Then the RVM multi-classifier based on binary tree is established and trained by the residuals,which is used to identify the condition and fault pattern of the actuator. The proposed approach is verified using fault data generated by DABLib model and compared with RVM one-against-one multi-classification method. The results indicate that the proposed approach is a valid method to resolve the small sample and nonlinear problem in pneumatic actuator fault diagnosis.

self-validating(SEVA)pneumatic actuator;relevance vector machine(RVM);multi-variable relevance vector machine(MVRVM);relevance vector machine(RVM)binary tree classifier;relevance vector machine(RVM)one-against-one classifier;fault diagnosis

項(xiàng)目來(lái)源:國(guó)家自然科學(xué)基金青年基金項(xiàng)目(61104023)

2015-01-22 修改日期:2015-03-01

C:7230;0170L

10.3969/j.issn.1004-1699.2015.06.012

TP214;TP18

A

1004-1699(2015)06-0842-08