基于CEEMDAN多尺度模糊熵和SSA-BP神經(jīng)網(wǎng)絡(luò)的VP型垂直擺傾斜儀故障辨識(shí)

龐聰， 馬武剛， 李查瑋,4*， 江勇， 王磊， 廖成旺

(1.中國(guó)地震局地震研究所， 武漢 430071； 2.地震預(yù)警湖北省重點(diǎn)實(shí)驗(yàn)室， 武漢 430071； 3.湖北省地震局， 武漢 430071； 4.河北省地震動(dòng)力學(xué)重點(diǎn)實(shí)驗(yàn)室， 三河 065201； 5.航天工程大學(xué)電子與光學(xué)工程系， 北京 101416)

VP型寬頻帶垂直擺傾斜儀是一種由中國(guó)地震局地震研究所在VS型傾斜儀基礎(chǔ)上自主研制改進(jìn)，并已廣泛應(yīng)用于中國(guó)多個(gè)地震臺(tái)站的新型固體潮形變觀測(cè)裝置，主要由數(shù)據(jù)采集模塊、電源、信號(hào)處理模塊、垂直擺裝置等部分構(gòu)成，其分辨力、位移傳感器精度、采樣率分別可達(dá)0.001 arc sec(角秒)、0.000 1μm、1 Hz[1-3]。由于該儀器屬于新研制初代機(jī)電設(shè)備，其電容位移傳感元件對(duì)外界環(huán)境變換較敏感，應(yīng)用場(chǎng)地多在復(fù)雜山洞環(huán)境中，在實(shí)際前兆觀測(cè)中不可避免地會(huì)出現(xiàn)各種故障，并以輸出異常波形數(shù)據(jù)的方式顯現(xiàn)。

以往的傾斜儀故障辨識(shí)基本是通過(guò)人工經(jīng)驗(yàn)判斷儀器異常信號(hào)的故障原因，這對(duì)傾斜儀維護(hù)人員的技術(shù)水平要求較高，同時(shí)存在主觀判斷錯(cuò)誤的風(fēng)險(xiǎn)，不利于地震前兆觀測(cè)的有效數(shù)據(jù)收集與高效率統(tǒng)計(jì)管理。例如，李曉東等[4]將故障類型分為設(shè)備供電故障、信號(hào)電路故障、標(biāo)定故障、儀器調(diào)零故障及數(shù)據(jù)特殊畸變故障等，并通過(guò)直觀查看振蕩信號(hào)與前置放大信號(hào)等數(shù)據(jù)是否異常，結(jié)合調(diào)零、更換電源芯片與檢波芯片以及檢查線路連接等手動(dòng)操作，人工判斷VP型傾斜儀故障原因，程序較為煩瑣；趙黎明等[5]針對(duì)VP傾斜儀故障診斷研究的實(shí)驗(yàn)案例極少，僅僅采用天津薊縣地震臺(tái)的3條儀器故障波形進(jìn)行分析，分析結(jié)果缺乏足夠的數(shù)據(jù)支撐且診斷手段依然基于人工檢測(cè)；馬援等[6]認(rèn)為VP傾斜儀故障或信號(hào)異常原因分別來(lái)源于雷暴天氣、異常溫度與大氣壓、校準(zhǔn)與標(biāo)定、設(shè)備元器件損壞等，該研究更加關(guān)注外部環(huán)境干擾造成的傾斜儀異常波形識(shí)別工作，且存在研究樣本較少，主觀進(jìn)行儀器異常波形辨識(shí)的不足。

故障信號(hào)特征提取一直是影響故障診斷精確度的重要因素，基于經(jīng)驗(yàn)?zāi)B(tài)分解(empirical mode decomposition，EMD)和集成經(jīng)驗(yàn)?zāi)B(tài)分解(ensemble EMD，EEMD)而來(lái)的自適應(yīng)噪聲完備集成經(jīng)驗(yàn)?zāi)B(tài)分解(complete EEMD with adaptive noise，CEEMDAN)具有有效分離信號(hào)高低頻成分、降低模態(tài)混疊影響以及自適應(yīng)參數(shù)設(shè)置等優(yōu)勢(shì)，能夠更加精準(zhǔn)地提取故障信號(hào)的多尺度時(shí)頻特征，依靠分解升維思想克服故障波形可靠特征難以獲取的問(wèn)題[7]。

利用機(jī)器學(xué)習(xí)算法或神經(jīng)網(wǎng)絡(luò)模型進(jìn)行故障識(shí)別[8-10]是當(dāng)下機(jī)電設(shè)備異常狀態(tài)辨識(shí)與故障智能診斷研究的重要方向，可有效增強(qiáng)儀器監(jiān)測(cè)運(yùn)維中的自動(dòng)化程度，提高故障診斷精度。同時(shí)，考慮到部分傾斜儀故障波形特征存在較為相似的情況，結(jié)合基于經(jīng)驗(yàn)?zāi)B(tài)分解技術(shù)改進(jìn)的互補(bǔ)集總經(jīng)驗(yàn)?zāi)B(tài)分解方法，有利于充分挖掘傾斜儀故障數(shù)據(jù)的多尺度特征，改善故障診斷與異常信號(hào)識(shí)別的效果。

基于該方法首先將故障數(shù)據(jù)歸一化，利用CEEMDAN分解信號(hào)得到本征模態(tài)函數(shù)(intrinsic mode function，IMF)的多尺度模糊熵，結(jié)合NULL(無(wú)效輸出)標(biāo)識(shí)位構(gòu)建復(fù)合特征判據(jù)組合，然后基于麻雀搜索算法(sparrow search algorithm，SSA)優(yōu)化反向傳播(back propagation，BP)分類器的關(guān)鍵性能參數(shù)，得到最佳初始權(quán)值和初始閾值，最后應(yīng)用SSA-BP網(wǎng)絡(luò)模型對(duì)傾斜儀故障特征數(shù)據(jù)進(jìn)行辨識(shí)。

1 SSA-BP神經(jīng)網(wǎng)絡(luò)故障診斷原理

BP神經(jīng)網(wǎng)絡(luò)(back propagation neural network，BPNN)作為一種常用的故障診斷模型，具有結(jié)構(gòu)簡(jiǎn)單、采用梯度下降法迭代、可非線性映射以及對(duì)多參數(shù)敏感等特點(diǎn)，但其網(wǎng)絡(luò)輸出結(jié)果受網(wǎng)絡(luò)初始閾值和初始權(quán)值的影響較大，容易陷入局部極小的情況，常常需要借助其他優(yōu)化方法對(duì)其進(jìn)行改進(jìn)，以構(gòu)建診斷效果更加可靠、準(zhǔn)確的模型。

SSA[10-11]是一種群體智能優(yōu)化算法，其通過(guò)模擬麻雀群的跟隨覓食現(xiàn)象與反偷襲預(yù)警行為，將搜索到較好食物的個(gè)體視作麻雀群的領(lǐng)頭鳥，其他麻雀?jìng)€(gè)體視作追隨領(lǐng)頭鳥的隨從鳥，且為了保證整個(gè)麻雀群的整體安全，也會(huì)有少量的麻雀?jìng)€(gè)體充當(dāng)偵查鳥，直接決定整個(gè)麻雀群體是否放棄當(dāng)前覓食對(duì)象，進(jìn)而移動(dòng)到更加安全的區(qū)域進(jìn)行覓食。應(yīng)用SSA算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值，是故障診斷領(lǐng)域中的一種新嘗試，可避免BP神經(jīng)網(wǎng)絡(luò)陷入極小值，提高故障診斷的準(zhǔn)確率和穩(wěn)定性。

圖1 VP型傾斜儀故障智能辨識(shí)流程Fig.1 Flow of determination of Troubles for VP Vertical Pendulum Inclinometer

基于CEEMDAN多尺度模糊熵和SSA-BP神經(jīng)網(wǎng)絡(luò)模型的VP型垂直擺傾斜儀故障診斷流程如圖1所示，首先利用CEEMDAN處理故障數(shù)據(jù)，計(jì)算多個(gè)IMF的多尺度模糊熵，按固定比例劃分為訓(xùn)練集和測(cè)試集，然后使用麻雀搜索算法在訓(xùn)練集基礎(chǔ)上優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和初始閾值，滿足迭代停止條件后，將得到的最優(yōu)參數(shù)值與標(biāo)準(zhǔn)BP模型重組構(gòu)成SSA-BP辨識(shí)模型，結(jié)合測(cè)試集進(jìn)行VP傾斜儀故障智能辨識(shí)。

2 基于CEEMDAN-MFE的故障特征提取

VP型傾斜儀的故障特性與以往的軸承、齒輪等機(jī)械性永久故障有較大區(qū)別，主要為可恢復(fù)的功能性故障或單純的波形異常，故障來(lái)源多是供電不足和天氣干擾，其在波形特性上面的體現(xiàn)多是大量缺值或不規(guī)則突跳現(xiàn)象，在供電恢復(fù)或天氣恢復(fù)正常后異?，F(xiàn)象就會(huì)消失，整段波形的周期性或重復(fù)性較低，利用波形峭度和循環(huán)平穩(wěn)性來(lái)描述VP型傾斜儀故障信號(hào)特征的手段就不可取。

基于CEEMDAN方法，將提取故障信號(hào)特征的流程分為信號(hào)分解與多尺度模糊熵(multi-scale fuzzy entropy，MFE)計(jì)算等2部分，具體步驟如下。

步驟1采用EEMD法，在原始信號(hào)x中加入若干不同的白噪聲，并分別進(jìn)行EMD分解，求取每一個(gè)含噪信號(hào)的第一階IMF分量后加權(quán)平均，得到CEEMDAN第一階分量IMF1，以及從原始信號(hào)x中減去IMF1后得到CEEMDAN第一階剩余分量R1，表達(dá)式為

x=IMF1+R1

(1)

步驟2與步驟1類似，針對(duì)R1添加若干個(gè)白噪聲信號(hào)，分別進(jìn)行EMD分解提取第一個(gè)IMF分量，并對(duì)上述IMF進(jìn)行加權(quán)平均，得到第二階IMF2和第二階剩余分量R2。

步驟3重復(fù)上述流程，直到剩余分量Ri不能再進(jìn)行EMD分解為止，結(jié)束CEEMDAN分解，累計(jì)得到n個(gè)IMF分量，表達(dá)式為

(2)

步驟4計(jì)算式(2)中各個(gè)IMF分量的模糊熵值[12]，模糊熵計(jì)算公式為

(3)

3 實(shí)驗(yàn)與分析

3.1 數(shù)據(jù)選取與故障分析

選取河北省地震局易縣地震臺(tái)(北緯39.358°,東經(jīng)115.373°)在2016年02月28 日5:51—2021年11月20日23:59期間記錄的VP型寬頻帶垂直擺傾斜儀設(shè)備故障與波形異常數(shù)據(jù)，這些故障數(shù)據(jù)類型包括數(shù)采故障、電源與供電故障、雷電干擾、人工檢修干擾、氣壓與降雨影響等幾大類，其中數(shù)采故障和天氣干擾等異常類型在儀器運(yùn)行中較為常見(jiàn)，采集到的相關(guān)數(shù)據(jù)量占比較大。

為了保障實(shí)驗(yàn)數(shù)據(jù)選取的合理性和實(shí)驗(yàn)條件的穩(wěn)定性，按照采樣率為1 Hz、室溫日變化≤5 ℃、濕度≤90%以及洞內(nèi)無(wú)明顯震動(dòng)等要求，由臺(tái)站固定技術(shù)人員記錄150條數(shù)采故障(由數(shù)采電源短路或采集器電源板供電不足產(chǎn)生的數(shù)采缺測(cè)現(xiàn)象)波形數(shù)據(jù)和112條天氣干擾(受到氣壓突降、空氣濕度大幅增加、洞內(nèi)氣流擾動(dòng)等影響)異常波形原始數(shù)據(jù)，每條原始波形長(zhǎng)度為86 400，將NULL點(diǎn)處理成零值，在異常點(diǎn)位附近截取長(zhǎng)度為6 400的波形數(shù)據(jù)進(jìn)行仿真實(shí)驗(yàn)，并統(tǒng)一對(duì)故障數(shù)據(jù)歸一化至[-1,1]內(nèi)，共計(jì)262條。

易縣地震臺(tái)位于紫荊關(guān)大斷裂與太行山山前大斷裂中間，被監(jiān)測(cè)山洞的最大深度可達(dá)200 m，監(jiān)測(cè)區(qū)域是中國(guó)地震前兆觀測(cè)的重點(diǎn)地區(qū)，旨在保障京津冀地區(qū)的地震精準(zhǔn)預(yù)警與地質(zhì)活動(dòng)豐富性研究，儀器的運(yùn)轉(zhuǎn)狀態(tài)直接關(guān)系到前兆特征的辨識(shí)工作，選擇該臺(tái)站所布設(shè)傾斜儀信號(hào)進(jìn)行故障辨識(shí)研究是有重要現(xiàn)實(shí)意義的。

典型的數(shù)采故障信號(hào)與天氣干擾信號(hào)如圖2所示，VP型傾斜儀較易受到各種天氣因素的干擾，如受到氣壓突降、空氣濕度增加、洞內(nèi)氣流擾動(dòng)等影響，傾斜儀EW向分量波形會(huì)出現(xiàn)劇烈抖動(dòng)、快速下滑等現(xiàn)象；此外，在發(fā)生數(shù)采電源短路或采集器電源板供電不足時(shí)，就會(huì)產(chǎn)生數(shù)采缺測(cè)現(xiàn)象，即出現(xiàn)一系列連續(xù)的NULL點(diǎn)，其在波形變化規(guī)律上較為簡(jiǎn)單。

3.2 CEEMDAN多尺度模糊熵計(jì)算結(jié)果

經(jīng)過(guò)CEEMDAN信號(hào)分解和多尺度模糊熵計(jì)算的VP傾斜儀故障波形特征值如圖3所示，可以看出除了IMF9、IMF10外，序列為1～150的數(shù)采故障IMF分量模糊熵特征值上下振蕩程度更大，波形復(fù)雜性更高，而序列為151～262的天氣干擾IMF分量模糊熵特征值整體起伏變化幅度較小，毛刺也較少，且IMF9、IMF10的模糊熵值在故障波形區(qū)分效果明顯，其波形上下振蕩的基線顯著不同。

圖2 典型數(shù)采故障信號(hào)與天氣干擾信號(hào)Fig.2 Typical data acquisition fault signal and weather interference signal

圖3 CEEMDAN-MFE計(jì)算結(jié)果Fig.3 Results for CEEMDAN-MFE method

3.3 機(jī)器學(xué)習(xí)模型故障辨識(shí)效果對(duì)比

為驗(yàn)證CEEMDAN-MFE判據(jù)和SSA-BP模型的有效性，應(yīng)用多個(gè)機(jī)器學(xué)習(xí)模型(如樸素貝葉斯、支持向量機(jī)、BP神經(jīng)網(wǎng)絡(luò)等)進(jìn)行故障辨識(shí)效果對(duì)比，模型性能評(píng)價(jià)指標(biāo)采用準(zhǔn)確率和召回率，循環(huán)辨識(shí)20次并取實(shí)驗(yàn)結(jié)果的均值和標(biāo)準(zhǔn)差來(lái)描述，結(jié)果如圖4、圖5和表1。

經(jīng)過(guò)SSA算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)模型在準(zhǔn)確率與召回率上都有了顯著提升，分別提高4.758 1、6.321 6個(gè)百分點(diǎn)，達(dá)到了93.145 2%和91.186 5%；并且從標(biāo)準(zhǔn)差指標(biāo)上可看出，其模型穩(wěn)健性較好，辨識(shí)準(zhǔn)確率保持在小幅范圍內(nèi)波動(dòng)，綜合性能優(yōu)于樸素貝葉斯、SVM、BPNN等模型。

圖4 SSA-BP模型與BP模型的辨識(shí)準(zhǔn)確率對(duì)比Fig.4 Comparison of identification accuracy between SSA-BP model and BP model

圖5 SSA-BP模型與BP模型的辨識(shí)召回率對(duì)比Fig.5 Comparison of identification recall between SSA-BP model and BP model

表1 常見(jiàn)辨識(shí)模型效果對(duì)比Table 1 Comparison of identification effects of machine learning methods

4 結(jié)論

針對(duì)VP型寬頻帶垂直擺式傾斜儀故障辨識(shí)過(guò)度依賴人工檢測(cè)的問(wèn)題，為了提高故障辨識(shí)準(zhǔn)確率，提出一種CEEMDAN多尺度模糊熵結(jié)合SSA-BP模型的傾斜儀故障智能辨識(shí)新方法，并得到以下結(jié)論。

(1)對(duì)故障源不同的傾斜儀輸出信號(hào)進(jìn)行互補(bǔ)集總經(jīng)驗(yàn)?zāi)B(tài)分解，在若干個(gè)本征模態(tài)函數(shù)基礎(chǔ)上計(jì)算模糊熵，得到CEEMDAN多尺度模糊熵判據(jù)組，該特征具有較好的信號(hào)區(qū)分效果。

(2)基于麻雀搜索算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的初始閾值和初始權(quán)值，得到最優(yōu)權(quán)值與閾值，構(gòu)建SSA-BP神經(jīng)網(wǎng)絡(luò)模型。

(3)實(shí)驗(yàn)結(jié)果表明：SSA-BP模型具有較高的識(shí)別準(zhǔn)確率和召回率，并優(yōu)于原本的BP神經(jīng)網(wǎng)絡(luò)以及機(jī)器學(xué)習(xí)中的樸素貝葉斯、支持向量機(jī)等模型。

本文方法為VP型傾斜儀在地震前兆觀測(cè)中的故障辨識(shí)與異常波形辨識(shí)提供了新思路與新方法，一定程度上彌補(bǔ)了VP型傾斜儀在該領(lǐng)域的空白。