基于MPSO-SVM的扇形區(qū)域故障診斷研究

李默臣，姚 波，王福忠

基于MPSO-SVM的扇形區(qū)域故障診斷研究

李默臣1，*姚 波1，王福忠2

（1. 沈陽師范大學(xué)數(shù)學(xué)與系統(tǒng)科學(xué)學(xué)院，遼寧，沈陽 110034； 2. 沈陽工程學(xué)院基礎(chǔ)部，遼寧，沈陽 110036）

針對一類線性定常系統(tǒng)，基于扇形區(qū)域，研究了執(zhí)行器單一部件故障診斷與可靠控制的問題。首先，對于文中極點信息難于獲取的問題，給出全維狀態(tài)觀測器的設(shè)計方案，實現(xiàn)對極點信息的實時觀測。同時為解決支持向量機在故障診斷中選取參數(shù)易受主觀先驗知識影響的缺陷，提出用MPSO-SVM（Modify Particle swarm optimization algorithm optimize the SVM）建立優(yōu)化模型，設(shè)計慣性權(quán)重自適應(yīng)調(diào)整公式進行算法優(yōu)化，既能獲取核參數(shù)及懲罰因子最優(yōu)參量，又能克服PSO-SVM算法的傳統(tǒng)不足。該方法與SVM（Support Vector Machine，SVM）、Grid search-SVM、PSO-SVM相比，診斷準(zhǔn)確率明顯得到改善，從而驗證MPSO-SVM模型對執(zhí)行器故障診斷是可靠的。

支持向量機；故障診斷；粒子群優(yōu)化算法；執(zhí)行器故障；Grid search-SVM; 極點觀測器

0 引言

支持向量機作為一種日趨成熟的智能學(xué)習(xí)算法被廣泛應(yīng)用于故障診斷、煤礦爆破等領(lǐng)域。但因存在核函數(shù)及懲罰系數(shù)難于選取等問題，逐漸成為優(yōu)化的焦點。因此如何提升其使用價值，設(shè)計性能較好、能耗較低的可靠控制器意義重大。早期可靠控制主要用于被動容錯[1-6]，該方法主要將系統(tǒng)可能發(fā)生的故障考慮在設(shè)計當(dāng)中，一定程度上滿足系統(tǒng)的可靠性需求，但與主動容錯相比存在保守性能降低、能耗提升等缺點，因此主動容錯應(yīng)運而生。文獻[7]將主動容錯技術(shù)應(yīng)用于人臉識別技術(shù)中，同時為解決SVM存在過學(xué)習(xí)、欠學(xué)習(xí)等缺陷，首次提出應(yīng)用不同核函數(shù)對人臉識別效果進行對比，通過采集人臉特征向量訓(xùn)練得到多個支持向量機，從而達到很好的識別效果。文獻[8]針對SVM分類效果不佳等問題，給出利用灰度共生矩陣進行綜合特征提取的SVM圖像分類方法，得到明顯的分類效果。文獻[9]針對SVM相關(guān)參數(shù)難以選取的問題，提出應(yīng)用網(wǎng)格搜尋法確定核函數(shù)及懲罰系數(shù)最優(yōu)組合值，完成對故障通道極點的訓(xùn)練與分類，有效提高SVM的泛化能力。文獻[10]為解決傳統(tǒng)SVM選取參數(shù)只能依靠先驗知識的缺點，通過采集JZQ250齒輪箱時域及頻域特征量作為模型數(shù)據(jù)庫，同時利用遺傳算法、神經(jīng)網(wǎng)絡(luò)、粒子群算法進行模型優(yōu)化，進而得出PSO算法對齒輪箱故障識別效果明顯。文獻[11]針對發(fā)動機的故障分類問題，采用BP（Back Propagation）、PSO-BP等多種算法與PSO-SVM作對比，通過測試4中特征氣體數(shù)據(jù)，得出PSO-SVM模型對發(fā)動機故障識別具有較強的有效性。文獻[12]針對傳統(tǒng)單一模式煤礦爆破效果不佳的問題，以現(xiàn)場調(diào)研的42組典型爆破數(shù)據(jù)為樣本，證明了PSO-SVM模型對工程爆破的可行性。文獻[13]針對最小二乘向量機（least squares support veotor maohine,LSSVM）存在的極點分類缺陷，從種群優(yōu)化角度出發(fā)，將LSSVM應(yīng)用于圓形區(qū)域極點配置當(dāng)中，采用改進的布谷鳥算法優(yōu)化LSSVM參數(shù)并對極點進行分類處理，從而實現(xiàn)執(zhí)行器的故障診斷與可靠控制。對于利用PSO算法進行參數(shù)尋優(yōu),國內(nèi)學(xué)者還做了進一步研究[14]。但因PSO-SVM算法實現(xiàn)過程中易受慣性權(quán)值影響等問題，逐漸成為改進的焦點。本文基于PSO改進的思想，研究在扇形區(qū)域內(nèi)，執(zhí)行器發(fā)生連續(xù)增益故障，可靠控制器的設(shè)計問題。通過應(yīng)用極點觀測器實時采集扇形區(qū)域極點數(shù)據(jù)并結(jié)合PSO算法及SVM算法的特點，從而實現(xiàn)對極點的有效分類，針對慣性權(quán)重取值需要依靠先驗知識的缺陷，提出一種自適應(yīng)調(diào)整公式，并與Grid search-SVM、PSO-SVM算法對比，從而驗證了該方法在執(zhí)行器故障診斷中的有效性。

1 MPSO-SVM理論

1.1 SVM理論

1.2 PSO理論核心

1.3 PSO優(yōu)化算法的改進

1.4 MPSO-SVM算法流程

采用MPSO-SVM算法,基于matlab環(huán)境下運行并形成最優(yōu)參數(shù)、組合模型。首先采集2不同通道的極點數(shù)據(jù)，對數(shù)據(jù)分成2類后并進行標(biāo)準(zhǔn)化處理，帶入最優(yōu)模型完成預(yù)測。具體步驟如下：

Step1:采集單通道執(zhí)行器故障極點，標(biāo)準(zhǔn)化處理后形成極點數(shù)據(jù)集，并存入模型待用；

Step4:若粒子的速度及位置需要更新，則根據(jù)公式（1）、（2）變化相應(yīng)數(shù)值；

圖1 MPSO-SVM運行流程圖

1.5 極點觀測器的設(shè)計

針對多數(shù)情況下極點數(shù)據(jù)無法直接采集的缺陷，提出根據(jù)系統(tǒng)狀態(tài)估計閉環(huán)系統(tǒng)極點的方法，即極點觀測器。

根據(jù)（3）、（4）可得

根據(jù)（4）、（5）可得

2 MPSO-SVM在極點配置中的應(yīng)用

2.1 問題描述

對于給定的線性定常系統(tǒng)如下

其中，為維狀態(tài)，為維輸入，為維輸出，，，為給定的相應(yīng)維數(shù)常矩陣。

對于（7）引入靜態(tài)輸出反饋控制器

由此即有

2.2 相關(guān)引理、定理

2）類似于1）的證明可得。

證明：由引理1可得：

證明：由引理1可得:

3 仿真研究

對于如下系統(tǒng)

此時極點均穩(wěn)定所要求的在扇形區(qū)域內(nèi)。

圖2 第一條通道故障極點分布

圖3 第二條通道故障極點分布

Step1:不同model(模型)可視化分析

圖6 PSO-SVM適應(yīng)度曲線

圖7 MPSO-SVM適應(yīng)度曲線

表1 不同模型數(shù)值表

Table 1 Numerical table of different models

算法名稱消耗時間Best cBest g預(yù)測準(zhǔn)確率/% MPSO-SVM10.8216.3063.325692.1348 PSO-SVM15.431000.0176.4045 Grid search-SVM18.760.2525688.4956

通過對比不同優(yōu)化算法，能夠合理避免依靠傳統(tǒng)經(jīng)驗設(shè)置參數(shù)導(dǎo)致分類準(zhǔn)確率差，參量匹配不佳等問題。從表1可得MPSO-SVM算法速度快、預(yù)測精度高。

Step2:極點觀測器有效性驗證

Step3:應(yīng)用MPSO-SVM算法配置極點

應(yīng)用改進粒子群算法對極點進行分類處理，根據(jù)極點分布情況不同，調(diào)換相應(yīng)的單通道控制器，實現(xiàn)極點可靠配置，并完成故障診斷。圖8、圖9可得極點均穩(wěn)定在所要求的扇形區(qū)域內(nèi)，控制效果顯著。

圖8 針對第一條通道故障極點配置圖

圖9 針對第二條通道故障極點配置圖

4 結(jié)論

本文給出了極點觀測器的算法設(shè)計，實現(xiàn)對極點信息的實時觀測。并從扇形區(qū)域極點配置出發(fā)結(jié)合PSO-SVM算法的特點，通過更改慣性權(quán)值曲線公式，更好地權(quán)衡局部與全局的收搜能力，打破PSO算法的局限，使其應(yīng)用更具有普遍性。針對SVM選取最佳參量困難的問題，采用MPSO算法優(yōu)化SVM參數(shù)，有效解決SVM參數(shù)選取的問題。設(shè)計的可靠控制器魯棒性能明顯，當(dāng)閉環(huán)系統(tǒng)發(fā)生故障，但極點仍在扇形區(qū)域時，不調(diào)換相應(yīng)的控制器，一旦極點跳出所要求區(qū)域，系統(tǒng)立即做出指令，調(diào)換相應(yīng)通道的可靠控制器，這種方法能耗低、保守性能好。通過仿真實驗表明該方法對于單通道執(zhí)行器故障類別辨識準(zhǔn)確，有效率高。

[1] 徐藝超,王福忠. 扇形區(qū)域極點配置靜態(tài)輸出反饋可靠控制[J]. 平頂山學(xué)報,2016, 31(2):5-9.

[2] 姚波,王福忠. 部分扇形區(qū)域極點配置的可靠控制[J]. 計算技術(shù)與自動化,2004,23(4):4-6, 10.

[3] 姚波,谷美萱,王福忠,等. 基于扇形區(qū)域極點配置的靜態(tài)輸出反饋H∞控制[J].沈陽師范大學(xué)學(xué)報:自然科學(xué)版,2019,37(3):198-202.

[4] 葉倩玉,姚波,王福忠. 抵御傳感器故障的靜態(tài)輸出反饋可靠控制[J].井岡山大學(xué)學(xué)報:自然科學(xué)版,2019, 40(6): 1-5.

[5] 張瑤,姚波,王福忠. 抵御執(zhí)行器故障擾動的二次性能指標(biāo)可靠控制[J].井岡山大學(xué)學(xué)報:自然科學(xué)版,2018,39(4): 1-5.

[6] 徐藝超,姚波,王福忠. 梯形區(qū)域極點配置靜態(tài)輸出反饋可靠控制[J].井岡山大學(xué)學(xué)報:自然科學(xué)版,2016,37(5): 11-17.

[7] 凌旭峰,楊杰,葉晨洲. 基于支持向量機的人臉識別技術(shù)[J].紅外與激光工程,2001,30(5):318-327.

[8] 周松華,肖靚,郭鳴. 基于SVM的圖像分類研究[J].井岡山大學(xué)學(xué)報:自然科學(xué)版, 2009.30(3):43-45.

[9] 房志銘. 基于SVM極點分類的故障診斷與可靠控制[J].沈陽師范大學(xué)學(xué)報:自然科學(xué)版,2018, 48(12):157-168.

[10] 趙衛(wèi)偉,潘宏俠. 基于PSO參數(shù)優(yōu)化的支持向量機齒輪箱故障診斷研究[J]. 機床與液壓,2014,42(7):152-154.

[11] 馮輝宗,彭丹,袁榮棣. 基于PSO-SVM的發(fā)動機故障診斷研究[J]. 計算機測量與控制,2014, 22(2):355-360.

[12] 岳中文,范皓宇,馬鑫民. 基于PSO-SVM的煤礦巷道爆破效果預(yù)測關(guān)鍵技術(shù)研究[J]. 2019, 36(3):31-36, 55.

[13] Liang Siyue, Wang Fuzhong. Fault diagnosis based on pole learning and MCS-LSSVM [C]. Chinese Control and Decision Conference, 2018, 2(2): 1130-1135.

[14] 盧向華,李雅萍. 基于改進粒子群優(yōu)化SVM的通風(fēng)機故障診斷[J]. 2015, 36(2):278-281.

[15] 俞立. 魯棒控制[M]. 北京:清華大學(xué)出版社,2002.

RESEARCH ON FAUIT DIAGNOSIS OF SECTOR REGION BASED ON MPSO-SVM

LI Mo-chen1，*YAO Bo1，WANG Fu-zhong2

(1. College of Mathematics and System Science, Shenyang Normal University, Shenyang, Liaoning 110034, China; 2. Shenyang Institute of Engineering, Shenyang, Liaoning 110036, China)

Be aimed at a class of linear time-invariant systems, in terms of the sector region, the problem of reliable control of actuator single fault based on particle swarm optimization algorithm was studied. Firstly, for the problem that pole information was difficult to obtain, the design scheme of the full-dimensional state observer was given to realize the real-time observation of the pole information. At the same time, in order to solve the defect that the selection of parameters in the fault diagnosis of support vector machine was easily affected by subjective prior knowledge, an optimization model was established by using MPSO-SVM, and the self-adaptive adjustment formula of inertia weight was designed to optimize the algorithm, which not only could obtain the optimal parameters of kernel parameters and penalty factors, but also could overcome the traditional shortcomings of PSO-SVM algorithm. Compared with SVM, Grid search SVM and PSO-SVM, the accuracy of the proposed method was significantly improved, which verified that the model was reliable for actuator fault diagnosis.

support vector machine; fault diagnosis; particle swarm optimization algorithm; actuator fault; Grid search SVM; pole observer

TP181

A

10.3969/j.issn.1674-8085.2021.02.002

1674-8085(2021)02-0007-07

2020-11-03；

2020-12-14

遼寧省教育廳項目(LFW201712)

李默臣(1993-)，男，遼寧錦州人，碩士生，主要從事故障診斷與可靠控制方面的研究(E-mail:1213297067@qq.com);

*姚 波(1963-)，女，遼寧沈陽人，教授，碩士生導(dǎo)師，主要從事故障診斷與可靠控制等方面的研究(E-mail:boyao163@163.com);

王福忠(1963-)，男，遼寧沈陽人，教授，碩士生導(dǎo)師，主要從事故障診斷與可靠控制等方面的研究(E-mail：Fuzhong163@163.com).