基于鄰域粗糙集與RVM的制粉系統(tǒng)故障診斷

張文濤　鐘文晶　胡伯勇　陸豪強　馬永光　董子健

摘要：針對火電廠制粉系統(tǒng)的故障征兆參數(shù)復雜、不易診斷的特點，提出一種基于鄰域粗糙集（NRS）與相關(guān)向量機（RVM）的故障診斷方法。該方法首先利用鄰域粗糙集約簡輸入的特征向量，并將約簡得到的最優(yōu)決策表作為RVM的輸入，采用組合核函數(shù)代替?zhèn)鹘y(tǒng)的單一核函數(shù)，利用網(wǎng)格搜索和交叉驗證的方法確定最佳的核函數(shù)參數(shù)和組合核系數(shù)，建立二叉樹RVM多分類模型，從而進行制粉系統(tǒng)故障識別和診斷。實驗結(jié)果表明，該方法故障診斷準確率可達95%，且泛化能力強。

關(guān)鍵詞：制粉系統(tǒng);鄰域粗糙集;相關(guān)向量機;故障診斷

中圖分類號：TP27 文獻標志碼：A 文章編號：1674-5124（2019）08-0151-05

收稿日期：2018-05-08;收到修改稿日期：2018-06-20

基金項目：中央高?；究蒲袠I(yè)務費專項資金（9160316004）

作者簡介：張文濤（1992-），男，山東泰安市人，碩士研究生，專業(yè)方向為發(fā)電設(shè)備的故障診斷。

0 引言

制粉系統(tǒng)是電廠鍋爐的一個非常重要的子系統(tǒng)，其工作狀況對于整個火電機組的安全和經(jīng)濟運行具有非常重要的意義，一旦制粉系統(tǒng)發(fā)生故障，其后果不可估計[1]。20世紀80年代之前，一般都是依靠人工分析和信號處理來對故障進行診斷和分析，這種方法效率低且準確率不高。隨著技術(shù)的不斷發(fā)展，許多新的方法開始運用到故障診斷之中。專家系統(tǒng)（ES）依據(jù)專家知識，通過模擬人的思維對故障進行推理和判斷，但是這種方法對知識的獲取比較困難，且自動學習能力差[2]。支持向量機（SVM）是一種得到廣泛應用的機器學習算法，文獻[3]利用核主元分析（KPCA）提取特征向量，將提取后的主元作為SVM的輸入，對故障進行診斷和分類。隨著神經(jīng)網(wǎng)絡(luò)的不斷發(fā)展，許多專家學者利用神經(jīng)網(wǎng)絡(luò)進行制粉系統(tǒng)的故障診斷和故障識別。文獻[4]使用RBF神經(jīng)網(wǎng)絡(luò)，但訓練樣本過大時，訓練速度會很慢。文獻[5]提出基于粗糙集（RS）和概率神經(jīng)網(wǎng)絡(luò)的故障診斷方法，解決了樣本維數(shù)和訓練速度的問題，但是粗糙集理論[6-7]會對數(shù)值型數(shù)據(jù)進行離散化處理，造成信息損失。

相關(guān)向量機（relevance vector machine，RVM）是在SVM的基礎(chǔ)上提出的一種基于貝葉斯理論的稀疏學習算法[8]，與SVM相比，具有以下優(yōu)點：核函數(shù)的選取不受Mercer定理的限制;相關(guān)向量的數(shù)目遠小于支持向量的數(shù)目;RVM無需手動設(shè)置懲罰因子。RVM已在模式識別中得到了廣泛應用[9]鄰域粗糙集理論[10]是對傳統(tǒng)粗糙集理論的擴展，該方法可以直接處理數(shù)值型數(shù)據(jù)，避免在離散化中數(shù)據(jù)損失的問題。因此本文提出一種基于鄰域粗糙集和RVM的制粉系統(tǒng)故障診斷方法，實現(xiàn)對多種故障的識別和診斷。

1 鄰域粗糙集理論

經(jīng)典粗糙集理論在處理連續(xù)型數(shù)據(jù)時需要將數(shù)據(jù)進行離散化處理，但是離散化處理后會改變數(shù)據(jù)原始的屬性性質(zhì)。鄰域粗糙集是為了解決經(jīng)典粗糙集不便于處理數(shù)值屬性的數(shù)據(jù)集合而提出來的。

對于一個決策系統(tǒng)DS=（U，C∪D，V f），其中，U表示論域，C為條件屬性，D為決策屬性，V為各屬性值的集合，f代表信息函數(shù)，表示樣本、屬性和屬性值之間的映射關(guān)系。

屬性約簡就是將鄰域決策系統(tǒng)中不必要、冗余的屬性刪除，但又不影響系統(tǒng)本身的分類能力。通常情況下，屬性的約簡并不是唯一的，可以有多個約簡集合，所有約簡集合的交集被稱為屬性的核，這是不能被刪除的[11]。在本文中，鄰域粗糙集約簡使用前向貪心算法，其基本思想是以空集為起點，計算所有屬性的重要度，保留屬性重要度最大的為約簡后的集合，基于鄰域粗糙集的屬性約簡算法如下：

1）輸入鄰域決策系統(tǒng)NDS=，設(shè)定重要度下限為Sig_min（Sig_min≥0），其中U為給定樣本集合，D為決策屬性，A表示生成鄰域的鄰域關(guān)系。

2）初始化約簡集合red為空集。

3）對每一個屬性a_i計算重要度Sig（a，B，D）=γB（D）-γB-{a}（D），式中B為條件屬性。

4）選擇最大的重要度，此時Sig（a_k，B，D）=max（Sig（a_i，B，D））。

5）如果Sig（a_k，B，D）>Sig_min，red←red+a_k，返回到步驟3），否則就輸出red。

2 相關(guān)向量機

2.1 RVM分類模型

RVTV1是一種可用于回歸或分類的基于貝葉斯的稀疏學習算法，下面針對二分類的RVM方法進行介紹。給定訓練樣本集{x_n，t_n}_n=1^N，其中x是輸入矩陣，t_n∈{0，1}為分類的類別號，N是訓練樣本數(shù)，RVM的分類函數(shù)可以定義：式中：w——權(quán)值向量;

K（x，x_i）——核函數(shù)。

設(shè)P（t|x）為伯努利分布，則樣本數(shù)據(jù)的似然估計概率分布為式中，σ（·）為sigmold函數(shù)。

為了保持RVM模型的稀疏性，假設(shè)w服從均值為0的高斯先驗概率分布：其中，α為N+1維的超參數(shù)向量，N（w_i|0，α_i^-1）為高斯分布函數(shù)。

對于新的輸入向量x^*，根據(jù)概率預測公式，目標向量t^*的條件概率為

由于不能通過解析的方法求解權(quán)重系數(shù)的后驗概率p（w|t，α）和邊緣似然估計函數(shù)p（t|α），因此可以采用一種基于拉普拉斯估計的積分變換法來估算后驗權(quán)重概率分布，具體可以參考文獻[12]，本文在此不再贅述。

經(jīng)過多次迭代，大部分的權(quán)值都為0，剩下的少部分非零權(quán)值向量被稱為相關(guān)向量，只有相關(guān)向量對樣本數(shù)據(jù)的分類起作用，則RVM的分類函數(shù)可以表示為：

2.2 組合核函數(shù)的構(gòu)建

RVM的核函數(shù)可以有很多種，比如Gauss核函數(shù)、Poly核函數(shù)、Laplace核函數(shù)等，不同的核函數(shù)有不同的特點，在訓練時產(chǎn)生的相關(guān)向量的個數(shù)也不同，預測精度也不一樣[13]。本文采用一種局部Gauss核函數(shù)和全局Poly核函數(shù)組合核函數(shù)的形式，表達式為：其中，s表示組合核函數(shù)權(quán)重系數(shù)，0≤s≤1。Gauss核函數(shù)的表達式為K_Gauss（x_i，x_j）=exp（-‖x_i-x_j‖²/γ²），γ為核函數(shù)的寬度;Poly核函數(shù)的表達式為K_Poly（x_i，x_j）=（x_i^Tx_j+1）²，本文中選擇多項式級數(shù)為2。

2.3 多分類RVM

單一的RVM只能解決二分類問題，對于多分類問題，通常通過構(gòu)建多個二分類RVM實現(xiàn)，常用的方式有一對一、一對多、有向無環(huán)圖和二叉樹等[14]。由于二叉樹RVM具有較高的訓練和測試速度，且需要較少的分類器，故本文采用一種基于二叉樹RVM的多分類策略。

二叉樹RVM多分類算法的思想是：先將所有樣本數(shù)據(jù)的類別分成兩大子類，然后將子類進一步劃分成兩個次子類，如此劃分下去，直到將所有的類劃分結(jié)束。對于N分類問題，只需要構(gòu)造N-1個分類器，因此計算效率高?；诙鏄銻VM多分類的制粉系統(tǒng)故障診斷模型如圖1所示。

3 基于鄰域粗糙集和RVM的制粉系統(tǒng)故障診斷方法

火電廠運行環(huán)境復雜，而制粉系統(tǒng)故障類別多，且難以通過故障征兆判斷故障原因[15]。鄰域粗糙集在處理不完整數(shù)據(jù)和不精確知識時，可以有效挖掘出數(shù)據(jù)內(nèi)部的信息，并將數(shù)據(jù)通過一定的原則進行約簡和提煉?；诖?，本文提出基于鄰域粗糙集和RVM的制粉系統(tǒng)故障診斷方法，故障診斷的流程見圖2，具體步驟如下：

1）選取訓練樣本，構(gòu)造鄰域決策系統(tǒng)。

2）對樣本數(shù)據(jù)進行歸一化處理，消除量綱的影響，歸一化公式如下：

3）基于鄰域粗糙集理論，對訓練樣本進行屬性約簡，得到與決策屬性最相關(guān)的條件屬性。

4）對于屬性約簡后的樣本數(shù)據(jù)，構(gòu)造二叉樹RVM多分類器，并采用網(wǎng)格搜索和K折交叉驗證的方法，確定最佳的核函數(shù)參數(shù)和組合核系數(shù)，從而建立RVM故障診斷模型。

5）對測試樣本進行故障診斷和識別。

4 仿真研究

4.1 性能分析

為了驗證基于NRS-RVM故障診斷模型的有效性，選取UCI標準數(shù)據(jù)集（http：//archive.ics.uci.edu/ml）進行仿真實驗。主要包括兩個實驗，實驗一驗證經(jīng)過鄰域粗糙集屬性約簡之后的數(shù)據(jù)，可以提高分類精度，實驗二主要比較RVM與SVM模型的性能，實驗中選用的數(shù)據(jù)集如表1所示。

將經(jīng)過約簡后的數(shù)據(jù)和未約簡的測試數(shù)據(jù)的進行分類對比，分類算法采用RVM算法，對比結(jié)果如表2所示。

從表2中可以看出經(jīng)過鄰域粗糙集約簡之后的數(shù)據(jù)，分類準確率都得到了提高。這說明經(jīng)過鄰域粗糙集的屬性約簡，不僅可以減少計算量，去除冗余信息，而且可以提高分類準確率。

利用前面所提的約簡后的數(shù)據(jù)集，分別采用SVM和RVM對測試數(shù)據(jù)進行分類，從訓練時間、測試時間、向量個數(shù)和分類準確率4個方面比較它們的性能，對比結(jié)果如表3所示。

從表3中可以很直觀地看出，在分類準確率方面，RVM和SVM都能取得不錯的效果，RVM略高于SVM。RVM的訓練時間雖然要比SVM長，但是RVM有著比SVM更短的測試時間，并且相關(guān)向量的個數(shù)遠遠少于SVM的支持向量的個數(shù)，說明了RVM模型的優(yōu)越性，可以應用在故障診斷方面。

4.2 實例分析

制粉系統(tǒng)的主要故障有磨煤機堵煤、磨煤機斷煤、煤粉自燃、一次風管堵塞等。本文選取決策屬性D={1，2，3，4}，分別對應正常狀態(tài)、磨煤機堵煤、磨煤機斷煤和煤粉自燃等4種狀態(tài)。選擇跟制粉系統(tǒng)相關(guān)的11個條件屬性C={c₁，c₂，c₃，c₄，c₅，c₆，c₇，c₈，c₉，c₁₀，c₁₁}，分別為磨煤機電流、磨煤機齒輪箱推力瓦溫度、磨煤機潤滑油溫度、磨煤機人口溫度、磨煤機一次風流量、磨煤機人口壓力、磨煤機進出口壓差、磨煤機出口溫度、磨密封風與一次風差壓、分離器出口壓力、給煤量。一共選取160組數(shù)據(jù)，每類數(shù)據(jù)40組，其中取每類數(shù)據(jù)的前30組作為訓練集，后面10組數(shù)據(jù)為測試集樣本。

首先將數(shù)據(jù)進行歸一化處理，然后采用前面所述的鄰域粗糙集屬性約簡算法，對數(shù)據(jù)進行約簡，得到的最優(yōu)條件屬性表為{c₁，c₂，c₄，c₅，c₈，c₁₁}，由原來11個條件屬性，減少為6個，大大減少了樣本集的數(shù)據(jù)量，這樣既能保證原始數(shù)據(jù)信息不會損失，又能為后面的RVM建模提供方便。

本文采用網(wǎng)格搜索和5折交叉驗證的方法尋找最優(yōu)的核函數(shù)參數(shù)和組合核系數(shù)，根據(jù)最優(yōu)參數(shù)，建立二叉樹RVM多分類故障診斷模型。測試集樣本的故障診斷結(jié)果如圖3所示。

從圖中可以看出，一共40個測試樣本，每類有10個，有2個測試樣本被診斷錯誤，故障診斷準確率可以達到95%。

為了驗證本方法的有效性和優(yōu)越性，再使用SVM算法進行制粉系統(tǒng)的故障診斷，文中借助LIBSVM軟件包，選擇RBF核函數(shù)，并采用網(wǎng)格搜索和交叉驗證的方法確定SVM的懲罰因子C和核函數(shù)參數(shù)σ。兩種方法在測試樣本數(shù)據(jù)上的訓練時間、測試時間、向量個數(shù)和診斷準確率的比較如表4所示。

從表4中可以很直觀地看出，在制粉系統(tǒng)故障診斷準確率方面，RVM和SVM都能取得不錯的效果，RVM略高于SVM。RVM的訓練時間要比SVM長，這是由于RVM在計算過程中要進行大量的迭代，因此RVM模型的訓練時間比較長，但在實際的工程應用中，故障診斷模型都是提前訓練好的，并不會影響故障診斷的效率。RVM有著比SVM更短的測試時間，說明RVM的分類速度快，泛化能力強。更重要的是，RVM的相關(guān)向量的個數(shù)只有11個，遠遠少于SVM的支持向量的個數(shù)，這說明RVM故障診斷模型的稀疏性好，在大樣本數(shù)據(jù)時也能取得良好的效果。

5 結(jié)束語

針對火電廠制粉系統(tǒng)故障類別多，難以通過故障征兆判斷故障原因的問題，本文提出一種基于鄰域粗糙集和RVM的故障診斷方法，不僅解決了經(jīng)典粗糙集在離散化時的數(shù)據(jù)損失問題，而且減少了測試時間，大大提高了故障診斷準確率，對于實際工業(yè)過程中制粉系統(tǒng)的故障診斷具有一定的啟示作用。

參考文獻

[1]錢虹，茅大鈞，葉建華，等.火電廠磨煤機出口溫度異常分析和故障診斷系統(tǒng)[J].自動化儀表，2009（7）：22-24.

[2]王禹新，牛玉廣.基于專家系統(tǒng)的制粉系統(tǒng)故障診斷的研究[J].儀器儀表與分析測，2010（3）：1-3.

[3]劉定平，葉向榮，陳斌源，等.基于核主元分析和最小二乘支持向量機的中速磨煤機故障診斷[J].動力工程，2009（2）：155-158.

[4]陳斌源，朱軍.基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的中速磨煤機故障診斷[J].發(fā)電設(shè)備，2011，25（5）：323-326.

[5]費樹岷，李延紅，柴琳.基于RSPNN的制粉系統(tǒng)故障診斷[J].控制工程，2012，19（3）：412-415.

[6]SHEN L，TAY F，QU L，et al.Fault diagnosis using rough setstheory[J].Compute Ind，2000，43（1）：61-72.

[7]王國胤，姚一豫，于洪.粗糙集理論與應用研究綜述[J].計算機報，2009，32（7）：1229-1245.

[8]TIPPING M E.Sparse bayesian learing and the relevancevector machine[J].Journal of Machine Learing Research，2001，1（3）：211-244.

[9]張亞男，楊慧中.基于RVM組合核優(yōu)化的軟測量模型研究[J].系統(tǒng)仿真學報，2018（1）：272-277.

[10]胡清華，于達仁，謝宗霞.基于鄰域?；痛植诒平臄?shù)值屬性約簡[J].軟件學報，2008，19（3）：640-649.

[11]江峰，王莎莎，杜軍威，等.基于近似決策嫡的屬性約簡[J].控制與決策，2015，30（1）：65-70.

[12]盧錦玲，繩菲菲，趙洪山.基于相關(guān)向量機的風機齒輪箱故障診斷方法[J].華北電力大學學報（自然科學版），2017，44（2）：91-96.

[13]PSORAKIS I，DAMOULAS T，GIROLAMI M A.Multiclassrelevance vector machines：an evaluation of sparsity andaccuracy[J].CEEI：Transactions on Neural Networks，2010，21（10）：1588-1598.

[14]薛寧靜.多類支持向量機分類器對比研究[J].計算機工程與設(shè)計，2011，32（5）：1792-1795.

[15]樊帥，肖軍.鍋爐制粉系統(tǒng)故障診斷方法[J].熱力發(fā)電，2015，44（2）：13-17，23.

（編輯：商丹丹）