閆治宇
摘 要:針對(duì)小樣本下系統(tǒng)故障診斷問(wèn)題,提出一種基于貝葉斯空間估計(jì)與主元分析(Principal Component Analysis, PCA)相結(jié)合的方法。首先運(yùn)用主元分析離線建立(Squard Prediction Error)統(tǒng)計(jì)量閾值和故障模式特征向量矩陣庫(kù),然后在小樣本情況下通過(guò)利用故障先驗(yàn)信息,采用吉布斯抽樣(Gibbs Sampling, GS)提取數(shù)據(jù)特征向量矩陣,再利用與故障模式特征向量矩陣的相似性,完成故障診斷。實(shí)驗(yàn)結(jié)果表明了此方法的有效性。
關(guān)鍵詞:主元分析 故障診斷 小樣本 吉布斯抽樣 矩陣相似性
中圖分類號(hào):TP391 文獻(xiàn)標(biāo)識(shí)碼:A 文章編號(hào):1674-098X(2015)03(c)-0059-02
隨著科學(xué)技術(shù)的飛速發(fā)展,自動(dòng)控制系統(tǒng)的規(guī)模越來(lái)越大,相應(yīng)地也增加了系統(tǒng)復(fù)雜性,一旦系統(tǒng)發(fā)生故障將會(huì)給人們的生命安全帶來(lái)巨大的危害[1],因此,提高系統(tǒng)的安全性和可靠性至關(guān)重要。而現(xiàn)如今大多數(shù)故障診斷方法都是在大樣本數(shù)據(jù)下進(jìn)行的[2],未考慮小樣本時(shí)方法的有效性,因而解決實(shí)際中有時(shí)受環(huán)境影響只能得到小樣本數(shù)據(jù)時(shí)的故障診斷問(wèn)題具有很大的研究意義。
1 算法設(shè)計(jì)
針對(duì)小樣本情況下系統(tǒng)故障檢測(cè)和診斷的算法設(shè)計(jì)分為兩個(gè)階段:算法提出和算法驗(yàn)證。算法提出:我們發(fā)現(xiàn)基于貝葉斯主元模型與PCA主元模型一致,因此提出將兩種方法相結(jié)合用于小樣本情況下系統(tǒng)的故障檢測(cè)和診斷;故障檢測(cè)統(tǒng)計(jì)量采用統(tǒng)計(jì)量[3],故障特征向量矩陣表征了故障發(fā)生時(shí)所有變量的變化方向[4],可以利用特征向量矩陣相似性進(jìn)行故障診斷。算法設(shè)計(jì):首先根據(jù)先驗(yàn)信息利用PCA建立故障檢測(cè)閾值和故障特征向量矩陣庫(kù),再利用基于貝葉斯空間估計(jì)完成在線測(cè)量數(shù)據(jù)的主元特征向量矩陣提取,然后利用統(tǒng)計(jì)量來(lái)實(shí)現(xiàn)故障檢測(cè),利用故障特征向量矩陣相似性實(shí)現(xiàn)故障診斷[5]。
2 算法實(shí)現(xiàn)
按上述算法設(shè)計(jì)離線建立故障檢測(cè)閾值與故障庫(kù),當(dāng)檢測(cè)出系統(tǒng)發(fā)生故障時(shí),由于受一定的環(huán)境影響所得樣本數(shù)目少,這時(shí)就無(wú)法構(gòu)成穩(wěn)定的協(xié)方差矩陣,為解決這個(gè)問(wèn)題,本文提出利用基于貝葉斯空間估計(jì)的方法提取特征向量矩陣,特征向量矩陣可由貝葉斯后驗(yàn)分布求得[6],如式(1)可得:
(1)
其中,,可根據(jù)信噪比得到,即,為數(shù)據(jù)矩陣標(biāo)準(zhǔn)化矩陣。
基于上述條件,利用下述算法可計(jì)算矩陣,為隨機(jī)抽樣所得特征向量矩陣。
輸入:任意初始變量
1:for do
2:由式(1),通過(guò)GS得
3:end for
由上述一序列隨機(jī)抽樣矩陣,可得估計(jì)特征向量矩陣,其中為取括號(hào)內(nèi)矩陣的個(gè)主元向量。
根據(jù)上述步驟可得小樣本數(shù)據(jù)的特征向量矩陣。
本文采用特征向量矩陣相似性實(shí)現(xiàn)故障診斷,矩陣相似性如式(2)所示
(2)
其中,式(2)中的為加權(quán)系數(shù),用以強(qiáng)調(diào)不同投影方向的不同重要性。滿足,并且。所以,式(2)的值越接近1,表明兩個(gè)矩陣的相似度越高[6]。
根據(jù)以上給出的算法步驟,求得估計(jì)的特征向量矩陣與已知故障模式特征向量矩陣相的似性,確定故障模式完成故障診斷。
3 仿真驗(yàn)證
取,,,,,;通過(guò)取所加故障時(shí)刻的前后時(shí)刻樣本數(shù),作為小樣本數(shù)目??傻霉收显\斷結(jié)果如下:
為說(shuō)明文中所提方法的優(yōu)越性,還與小樣本協(xié)方差估計(jì)的方法[7]進(jìn)行對(duì)比,由圖1可以看出在小樣本情況下,基于貝葉斯空間估計(jì)方法的矩陣相似度明顯高于PCA、小樣本協(xié)方差估計(jì)方法的矩陣相似度。圖2為三種方法所提取特征向量矩陣與故障庫(kù)中的10種不同故障模式特征向量矩陣的相似度,由圖可以看出只有基于貝葉斯空間估計(jì)所提取的特征向量矩陣與故障第一類模式的相似度最大,也驗(yàn)證了與實(shí)驗(yàn)所取第一類故障樣本數(shù)據(jù)相吻合,從而此方法可實(shí)現(xiàn)小樣本下系統(tǒng)的故障診斷。
4 結(jié)論
該文提出了一種將基于貝葉斯空間估計(jì)和PCA相結(jié)合的方法用于小樣本情況下故障診斷,根據(jù)發(fā)生不同的故障對(duì)應(yīng)不同的特征向量矩陣,采用特征向量矩陣相似性來(lái)實(shí)現(xiàn)故障診斷。實(shí)驗(yàn)結(jié)果驗(yàn)證了此方法在小樣本情況下故障診斷的優(yōu)越性。
參考文獻(xiàn)
[1] 周東華,葉銀忠.現(xiàn)代故障診斷與容錯(cuò)控制[M].北京:清華大學(xué)出版社,2000.
[2] 陽(yáng)憲惠,張杰.多變量統(tǒng)計(jì)過(guò)程控制[M].北京:化學(xué)工業(yè)出版社,2000.
[3] 邱宗江,劉慧霞,席慶彪,肖佳偉.無(wú)人機(jī)PCA故障檢測(cè)與診斷技術(shù)研究[J].計(jì)算機(jī)工程與應(yīng)用,2013,04:262-266.
[4] 郭明,王樹(shù)青.基于特征子空間的系統(tǒng)性能監(jiān)控與工況識(shí)別[J].化工學(xué)報(bào),2004, 55(1):151-154.
[5] 王姝.基于數(shù)據(jù)的間歇過(guò)程故障診斷及預(yù)測(cè)方法研究[D].東北大學(xué),2010.
[6] Besson O, Dobigeon N, Tourneret J Y. Bayesian Estimation of a Subspace [J].Signals Systems and Computers. IEEE, 2011, PP: 629-633.
[7] Tadjudin S,Landgrebe D A. Covariance Estimation for Limited Training Samples[C]. Geoscience and Remote Sensing Symposium Proceedings, IEEE International. 1998, 5: 2688-2690.