基于天牛群算法優(yōu)化SVM的磨煤機(jī)故障診斷*

張 燁,黃 偉

(上海電力大學(xué) 自動(dòng)化工程學(xué)院,上海 200090)

0 引 言

隨著燃煤發(fā)電機(jī)組的容量不斷增大,電廠(chǎng)輔助設(shè)備變得越來(lái)越重要。磨煤機(jī)一旦發(fā)生故障,不僅會(huì)影響鍋爐的燃燒而降低整臺(tái)機(jī)組的生產(chǎn)效率,而且會(huì)對(duì)其他設(shè)備以及生產(chǎn)工作人員的安全造成威脅。

孫栓柱等人[1]研究了磨煤機(jī)早期故障診斷方法,同時(shí)指出,在故障早期發(fā)現(xiàn)并診斷出磨煤機(jī)的故障,并讓現(xiàn)場(chǎng)工作人員及時(shí)采取應(yīng)對(duì)措施,具有非常重要的意義。

目前,故障診斷方法主要分為兩大類(lèi),分別是基于模型的診斷方法和基于歷史運(yùn)行數(shù)據(jù)的診斷方法。

其中,基于模型的故障診斷方法需要先分析研究對(duì)象的機(jī)理,建立其數(shù)學(xué)模型。由于磨煤機(jī)工作時(shí)的機(jī)理過(guò)程非常復(fù)雜,很難獲得準(zhǔn)確的數(shù)學(xué)模型,故該方法的操作難度比較大。

而基于數(shù)據(jù)驅(qū)動(dòng)的故障診斷方法主要是通過(guò)使用正常數(shù)據(jù)與歷史異常數(shù)據(jù)對(duì)算法模型進(jìn)行訓(xùn)練,模型對(duì)各種故障數(shù)據(jù)與正常數(shù)據(jù)自主學(xué)習(xí)分類(lèi),從而達(dá)到故障診斷的目的。

肖黎等人[2]研究了DBSCAN聚類(lèi)方法,將歷史數(shù)據(jù)分為正常數(shù)據(jù)與故障數(shù)據(jù),建立了基于隨機(jī)森林方法的磨煤機(jī)故障預(yù)警模型;該方法雖可以準(zhǔn)確地標(biāo)記磨煤機(jī)不同故障的發(fā)展階段,但是在數(shù)據(jù)量不足和低維特征情況下,采用隨機(jī)森林模型得到的分類(lèi)結(jié)果不夠理想。任夢(mèng)祎等人[3]研究了采用馬氏距離對(duì)故障特征進(jìn)行預(yù)處理的方法,并基于過(guò)程記憶矩陣建立了非線(xiàn)性狀態(tài)估計(jì)的磨煤機(jī)故障診斷模型;該方法雖在一定程度上提高了模型診斷的效率,但是很難用數(shù)學(xué)語(yǔ)言對(duì)實(shí)際故障進(jìn)行描述,在工程上實(shí)現(xiàn)起來(lái)比較難。費(fèi)樹(shù)岷等人[4]對(duì)基于概率神經(jīng)網(wǎng)絡(luò)建立磨煤機(jī)故障分類(lèi)器進(jìn)行了研究,在數(shù)據(jù)處理階段利用粗糙集對(duì)診斷參數(shù)的屬性進(jìn)行了篩選,所建立的模型能夠在一定程度上提高分類(lèi)的速度與精度;該方法雖取得了一定的效果,但是仍然存在一定的局限性,如神經(jīng)網(wǎng)絡(luò)的訓(xùn)練函數(shù)與網(wǎng)絡(luò)層數(shù)選取不當(dāng),會(huì)導(dǎo)致其陷入局部最優(yōu)問(wèn)題,而在樣本數(shù)據(jù)不夠充足的情況下,又會(huì)出現(xiàn)過(guò)擬合現(xiàn)象。

劉定平等人[5]在最小二乘支持向量機(jī)的基礎(chǔ)上建立了中速磨煤機(jī)的故障診斷模型,并且利用核主元分析方法對(duì)模型的訓(xùn)練參數(shù)進(jìn)行了預(yù)處理,篩選出了和故障關(guān)聯(lián)度最大的樣本特征。將核主元分析方法與最小二乘支持向量機(jī)結(jié)合,可以有效地減少訓(xùn)練算法的輸入特征數(shù)量,同時(shí)還可以利用支持向量機(jī)的非線(xiàn)性映射特點(diǎn),在小樣本情況下也可以很好地解決傳統(tǒng)算法在學(xué)習(xí)過(guò)程中的過(guò)擬合問(wèn)題。該模型能夠在一定程度上滿(mǎn)足診斷精度的要求,但是,由于支持向量機(jī)的診斷精度受到參數(shù)影響比較大,參數(shù)選取不當(dāng)時(shí),容易出現(xiàn)誤診斷現(xiàn)象。

針對(duì)這一問(wèn)題,筆者構(gòu)建基于支持向量機(jī)的磨煤機(jī)故障診斷模型,并采用天牛群算法對(duì)模型參數(shù)中的懲罰因子C和核函數(shù)參數(shù)δ進(jìn)行優(yōu)化,最終建立BSO-SVM分類(lèi)器,用該分類(lèi)器診斷磨煤機(jī)故障。

1 支持向量機(jī)與天牛群算法

1.1 支持向量機(jī)

支持向量機(jī)(SVM)是由VAPICK V N[6]、LI Hua-qing[7]等人在20世紀(jì)90年代提出的,以統(tǒng)計(jì)學(xué)習(xí)理論為基礎(chǔ)發(fā)展而來(lái)的一種新型機(jī)器學(xué)習(xí)方法。SVM具有訓(xùn)練時(shí)間短、模型精度高、訓(xùn)練樣本少等優(yōu)點(diǎn)。

SVM的原理是將輸入數(shù)據(jù)通過(guò)核函數(shù)映射到高維空間進(jìn)行分類(lèi),得到最大的分類(lèi)間隙,然后映射回原空間,最后會(huì)得到分類(lèi)函數(shù):

(1)

式中:θi―拉格朗日乘子;b―根據(jù)訓(xùn)練樣本確定的閾值;C―懲罰因子;K(x·xi)―核函數(shù)。

核函數(shù)的表達(dá)式為:

(2)

式中:δ―核函數(shù)參數(shù)。

SVM算法的具體步驟為:

(1)設(shè)置訓(xùn)練集M={(X1,Y1),(X2,Y2)…(Xn,Yn)},Xi∈Rn,Yi∈{-1,1}。

(2)選取適當(dāng)?shù)暮撕瘮?shù)K(x·xj)和懲罰參數(shù)C,構(gòu)造并求解其最優(yōu)化問(wèn)題:

(3)

(4)

得到最優(yōu)解θ*=(θ1*,θ2*,…θn*)T。

(3)選擇θ*的一個(gè)正分量0<θ*

(5)

(4)根據(jù)θ*和b*構(gòu)造分類(lèi)函數(shù):

(6)

1.2 天牛群算法

天牛群算法是在粒子群優(yōu)化(PSO)算法[8]的基礎(chǔ)之上,引入天牛須搜索對(duì)其位置更新規(guī)則進(jìn)行改進(jìn)的一種算法。

粒子群算法是一種模仿鳥(niǎo)類(lèi)覓食的群體算法,群體中的個(gè)體通過(guò)不斷更新自己的位置,然后相互比較得到最終解,個(gè)體更新取決于位置和速度。

算法的更新公式為:

(7)

(8)

(9)

(10)

PSO算法收斂速度快,編程比較簡(jiǎn)單,因此被廣泛用于各類(lèi)參數(shù)優(yōu)化。但是PSO算法的群體會(huì)受到單個(gè)粒子的影響,從而忽略對(duì)粒子本身的判斷,導(dǎo)致全局搜索能力較差,有陷入局部最優(yōu)解的缺陷,這使得其分類(lèi)精度達(dá)不到最理想的狀態(tài)。

為解決這個(gè)問(wèn)題,筆者引入天牛須搜索策略[9,10],利用天牛須搜索對(duì)粒子群算法的更新規(guī)則進(jìn)行了改進(jìn),構(gòu)建了BSO-SVM故障分類(lèi)模型。

天牛須搜索過(guò)程如下:

(1)隨機(jī)生成方向向量,并標(biāo)準(zhǔn)化:

(11)

式中:D―空間維度;rands―隨機(jī)函數(shù)。

(2)計(jì)算左、右須坐標(biāo):

(12)

(13)

式中:Xk―k時(shí)刻天牛的位置;dk―k時(shí)刻質(zhì)心到須的距離。

(3)計(jì)算下一個(gè)時(shí)刻位置天牛的位置:

(14)

式中:δk―k時(shí)刻的步長(zhǎng);f―適應(yīng)度函數(shù);sign()―符號(hào)函數(shù)。

(4)步長(zhǎng)與搜索距離更新:

δk+1=γ·δk

(15)

(16)

式中:γ―人為設(shè)定的衰減系數(shù);C3―人為設(shè)定的變距離系數(shù)。

筆者將天牛須搜索中的位置更新策略引入到粒子群算法的粒子更新規(guī)則中,新的更新規(guī)則為:

(17)

(18)

(19)

式中:Vbi―天牛群算法的速度更新率。

在粒子群算法的基礎(chǔ)上,筆者改變其位置更新規(guī)則,其余規(guī)則與原算法保持一致。在新的規(guī)則下,粒子的位置更新不僅僅依賴(lài)歷史最優(yōu)解和當(dāng)前全局最優(yōu)解,還包括了粒子速度更新率。

改進(jìn)的算法先對(duì)左須和右須位置進(jìn)行比較,再?zèng)Q定群體的更新,嘗試克服局部最優(yōu)解問(wèn)題。

1.3 BSO-SVM算法流程

SVM模型的懲罰因子C和核函數(shù)參數(shù)δ對(duì)分類(lèi)精度有很大的影響[11-13]。筆者利用改進(jìn)的粒子群算法對(duì)SVM參數(shù)進(jìn)行優(yōu)化,把SVM分類(lèi)準(zhǔn)確率作為適應(yīng)度函數(shù),再將得到的最優(yōu)解賦值給SVM模型,達(dá)到對(duì)樣本進(jìn)行分類(lèi)的目的。

BSO-SVM診斷模型流程圖如圖1所示。

圖1 BSO-SVM診斷模型流程圖

算法的具體實(shí)現(xiàn)過(guò)程如下:

(1)BSO參數(shù)初始化,包括種群的數(shù)量、最大進(jìn)化次數(shù)、懲罰因子C和核函數(shù)參數(shù)δ的上下界等。隨機(jī)產(chǎn)生初始粒子和速度,計(jì)算初始粒子的適應(yīng)度值;

(2)判斷終止條件是否滿(mǎn)足,不滿(mǎn)足則進(jìn)入迭代部分,通過(guò)計(jì)算天牛左須值和右須值,再結(jié)合公式(17)生成速度更新規(guī)則,利用式(7,8,18)對(duì)粒子的速度進(jìn)行更新;利用式(19)對(duì)粒子的下一個(gè)位置進(jìn)行更新;

(3)計(jì)算適應(yīng)度值,更新個(gè)體最優(yōu)值以及群體最優(yōu)值。判斷迭代是否結(jié)束,若結(jié)束,將最終得到的參數(shù)進(jìn)行賦值,并用最優(yōu)解訓(xùn)練SVM模型。

2 磨煤機(jī)故障分析

由于工作環(huán)境比較惡劣,磨煤機(jī)容易發(fā)生故障。磨煤機(jī)的故障主要分為兩種,即設(shè)備故障和工藝故障。(1)設(shè)備故障主要包括磨煤機(jī)振動(dòng)、磨煤機(jī)漏粉、主軸承過(guò)熱、一次分管堵塞、磨煤機(jī)出力不足、磨煤機(jī)自燃、靜壓軸承油壓異常;(2)工藝故障主要包括磨煤機(jī)滿(mǎn)煤與磨煤機(jī)斷煤[14]。這些故障中有些是可測(cè)故障,而有些是沒(méi)有測(cè)點(diǎn)參數(shù)的故障。

筆者將對(duì)幾種有測(cè)點(diǎn)參數(shù)的故障進(jìn)行分類(lèi),分別是磨煤機(jī)斷煤,磨煤機(jī)堵煤和磨煤機(jī)自燃。

2.1 磨煤機(jī)斷煤

當(dāng)給煤管和一次風(fēng)管發(fā)生堵塞、一次風(fēng)量太小的時(shí)候,容易發(fā)生斷煤的情況。由于給煤管堵塞,磨煤機(jī)的進(jìn)煤量會(huì)減少,磨煤機(jī)里面的煤量過(guò)少導(dǎo)致剩余的煤沒(méi)有辦法吸收大量的熱能,使得磨煤機(jī)出口溫度升高。為了降低出口溫度,在運(yùn)行的過(guò)程中,一般會(huì)增大冷風(fēng)門(mén)開(kāi)度,同時(shí)減小熱風(fēng)門(mén)開(kāi)度。此時(shí)磨煤機(jī)斷煤,導(dǎo)致功耗下降。但是給煤機(jī)的轉(zhuǎn)速有可能會(huì)偏高導(dǎo)致排粉機(jī)的功耗上升。

磨煤機(jī)斷煤如圖2所示。

圖2 磨煤機(jī)斷煤

2.2 磨煤機(jī)堵煤

當(dāng)風(fēng)量和煤量的比例失調(diào)的時(shí)候,如風(fēng)量偏小或者煤量偏大,磨煤機(jī)里面的煤量會(huì)產(chǎn)生剩余,導(dǎo)致煤粉堆積,如果一次風(fēng)沒(méi)有辦法及時(shí)將煤粉吹出磨煤機(jī),就會(huì)產(chǎn)生磨煤機(jī)堵煤現(xiàn)象。如果原煤的水分含量較大,無(wú)法通過(guò)一次風(fēng)使其徹底干燥,這種情況也會(huì)造成煤粉堆積,導(dǎo)致磨煤機(jī)堵煤。出現(xiàn)堵煤情況時(shí),磨煤機(jī)的出口溫度和出口粉流量會(huì)下降;磨煤機(jī)的電流會(huì)在效率下降時(shí)輕微上升,但是在堵煤情況比較嚴(yán)重的時(shí)候開(kāi)始下降。

磨煤機(jī)堵煤如圖3所示。

圖3 磨煤機(jī)堵煤

2.3 磨煤機(jī)自燃

磨煤機(jī)的出口溫度升高到一定程度時(shí),會(huì)導(dǎo)致磨煤機(jī)自燃。由前面的介紹可知,磨煤機(jī)發(fā)生斷煤情況的時(shí)候會(huì)使得磨煤機(jī)出口溫度上升;在磨煤機(jī)啟停階段,如果沒(méi)有將磨煤機(jī)吹掃徹底,里面的積粉也可能會(huì)自燃;送入磨煤機(jī)的煤水分含量過(guò)低,煤粉無(wú)法吸收一次風(fēng)送來(lái)的多余熱量,磨煤機(jī)出口溫度升高從而引起煤自燃。磨煤機(jī)發(fā)生自燃現(xiàn)象時(shí),一次風(fēng)的流量會(huì)降低,同時(shí)磨煤機(jī)的出入口風(fēng)壓降低。

磨煤機(jī)自燃如圖4所示。

圖4 磨煤機(jī)自燃

2.4 故障特征選擇

考慮到各個(gè)故障特征之間可能存在一定的耦合關(guān)系,而非彼此獨(dú)立。筆者利用偏互信息方法[15]對(duì)7個(gè)故障特征進(jìn)行篩選,分別為磨煤機(jī)電流、一次風(fēng)差壓、熱風(fēng)門(mén)開(kāi)度、冷風(fēng)門(mén)開(kāi)度、煤粉流量、磨煤機(jī)出口溫度、排粉機(jī)電流,并分別用t1、t2、t3、t4、t5、t6、t7表示。

對(duì)于多輸入系統(tǒng),輸入變量為X,Y,輸出變量為Z。當(dāng)變量Y中包含變量X的信息時(shí),需要將Y中X相關(guān)的信息剔除,公式為:

(20)

(21)

式中:n―樣本個(gè)數(shù);d―x維度;h―核函數(shù)寬度;∑―X的協(xié)方差矩陣。

mY(x)計(jì)算公式如下:

(22)

剔除X相關(guān)信息后的Y和Z記為u和v:

u=Y-mY(x)

(23)

v=Z-mZ(x)

(24)

則Y和Z之間的偏互信息計(jì)算公式為:

PMI(Y,Z)=I(u,v)

(25)

(26)

輸入與輸出之間的偏互信息越大表示其相關(guān)性越強(qiáng)。PMI算法篩選特征的步驟為:

(1)令最佳變量集S為空集;

(2)當(dāng)輸入變量不為空集時(shí),計(jì)算u值與v值;

(3)計(jì)算PMI值,將使其最大的變量進(jìn)行排序;

(4)組成最佳變量候選集合C;

(5)計(jì)算AIC值,當(dāng)其減小時(shí),將對(duì)應(yīng)變量放入最佳變量集合S,并返回第(2)步。

AIC值計(jì)算公式如下:

(27)

式中:q―選擇的變量個(gè)數(shù)。

當(dāng)AIC第一個(gè)極小值出現(xiàn)時(shí),最佳變量集合篩選結(jié)束。

通過(guò)PMI變量選擇,得到最佳變量候選集合為{t6、t1、t2、t4、t5、t7、t3},特征選擇如圖5所示。

圖5 特征選擇

從圖5可以看出,當(dāng)選擇3個(gè)變量時(shí),AIC值達(dá)到最小。

根據(jù)算法規(guī)則,選擇最佳變量候選集合中的前3個(gè),即{t6、t1、t2}={磨煤機(jī)出口溫度,磨煤機(jī)電流,一次風(fēng)壓差}。

3 實(shí)驗(yàn)及結(jié)果分析

3.1 實(shí)驗(yàn)數(shù)據(jù)準(zhǔn)備

筆者選擇磨煤機(jī)出口溫度、磨煤機(jī)電流、一次風(fēng)差壓3個(gè)變量作為算法模型的輸入特征,分別用n1、n2、n3來(lái)表示3個(gè)特征。

實(shí)驗(yàn)數(shù)據(jù)信息如表1所示。

表1 實(shí)驗(yàn)數(shù)據(jù)信息

880個(gè)實(shí)驗(yàn)樣本,每一類(lèi)故障220個(gè)樣本,筆者將其中各類(lèi)故障樣本的前176個(gè)樣本作為訓(xùn)練集,后44個(gè)樣本作為測(cè)試集;以分類(lèi)器的分類(lèi)準(zhǔn)確率作為遺傳算法(GA)、粒子群算法(PSO)與天牛須算法(BSO)的適應(yīng)度函數(shù)。

屬性矩陣有880行,表示880個(gè)樣本;列數(shù)有4列,表示有4個(gè)屬性。模型的輸入是n1、n2、n3代表的故障特征,在模型輸出中分別用1、2、3、4對(duì)正常狀態(tài)和磨煤機(jī)斷煤、磨煤機(jī)堵煤、煤自燃4個(gè)狀態(tài)屬性進(jìn)行標(biāo)記,稱(chēng)之為故障標(biāo)簽。

在故障診斷第一階段,筆者使用604組帶有故障標(biāo)簽的數(shù)據(jù)訓(xùn)練分類(lèi)器;在第二階段,使用不帶故障標(biāo)簽的176個(gè)樣本對(duì)分類(lèi)器進(jìn)行檢驗(yàn),即假設(shè)故障類(lèi)型未知的情況下,將176個(gè)樣本作為算法模型的輸入,通過(guò)模型分類(lèi)將樣本劃分成4種類(lèi)型的狀態(tài),分別是正常狀態(tài)和磨煤機(jī)斷煤狀態(tài)、磨煤機(jī)堵煤狀態(tài)、磨自燃狀態(tài)。

模型參數(shù)設(shè)置如表2所示。

表2 模型參數(shù)設(shè)置

PSO與BSO的初始參數(shù)設(shè)置大致相同,種群數(shù)量為20;種群迭代次數(shù)上限Kmax為200;搜索維度是2;權(quán)重設(shè)置為0.9;PSO的學(xué)習(xí)因子C1=0.5,C2=2;BSO的學(xué)習(xí)因子C1=0.5,C2=2,C3=3;懲罰因子C變化上限為100,下限設(shè)置為0.1;核函數(shù)參數(shù)δ變化上限為1 000,下限為0.01。

3.2 模型評(píng)價(jià)指標(biāo)

為了能夠充分地體現(xiàn)算法的分類(lèi)效果,考慮到此處建立的是多分類(lèi)模型,故筆者選擇宏平均后的準(zhǔn)確率(Accave)、精確率(Preave)、召回率(Recave)、F1-score(F1ave)4個(gè)指標(biāo)作為模型的評(píng)價(jià)標(biāo)準(zhǔn)。

各個(gè)指標(biāo)的定義為:

(28)

(29)

(30)

(31)

式中:TPi―正例(第i類(lèi)標(biāo)簽)的正確分類(lèi)樣本數(shù);FNi―負(fù)例(除去第i類(lèi)標(biāo)簽)的錯(cuò)誤分類(lèi)樣本數(shù);FPi―正例的錯(cuò)誤分類(lèi)樣本數(shù);number―磨煤機(jī)樣本總數(shù);n―磨煤機(jī)故障分類(lèi)的類(lèi)別數(shù)。

3.3 結(jié)果分析

為了對(duì)模型的分類(lèi)效果進(jìn)行對(duì)比,筆者使用同一數(shù)據(jù)集,先分別利用遺傳算法(GA)、粒子群算法(PSO)和天牛群算法(BSO)對(duì)支持向量機(jī)(SVM)的核函數(shù)參數(shù)δ與懲罰因子C進(jìn)行優(yōu)化,接著又將優(yōu)化參數(shù)依次賦值給SVM,得到了3組組合模型(GA-SVM、PSO-SVM、BSO-SVM),最后用SVM、GA-SVM、PSO-SVM、BSO-SVM算法對(duì)磨煤機(jī)故障多分類(lèi)模型進(jìn)行檢測(cè)。

迭代曲線(xiàn)如圖6所示。

圖6 迭代曲線(xiàn)

從圖6中可以看出:GA與PSO提前收斂,陷入局部最優(yōu)解,而B(niǎo)SO雖然進(jìn)化代數(shù)比前面兩種算法多,但是其最優(yōu)解是三者中最大的;BSO比GA和PSO準(zhǔn)確率更高,能夠在一定程度上解決傳統(tǒng)優(yōu)化算法在尋優(yōu)過(guò)程中陷入局部最優(yōu)解問(wèn)題。

參數(shù)優(yōu)化結(jié)果如表3所示。

表3 參數(shù)優(yōu)化結(jié)果

從表3可以看出,BSO算法優(yōu)化結(jié)果為C=47.30,δ=4.13。

各模型分類(lèi)結(jié)果如圖7所示。

圖7 各模型分類(lèi)結(jié)果

從BSO-SVM模型的分類(lèi)結(jié)果來(lái)看,圖7上顯示有5個(gè)樣本被錯(cuò)誤分類(lèi);其次,PSO-SVM模型和GA-SVM可以完成基本分類(lèi)。

但是,在第3類(lèi)和第4類(lèi)故障中,這兩種模型的識(shí)別不是很準(zhǔn)確。PSO-SVM模型分類(lèi)結(jié)果顯示,有6個(gè)堵煤故障樣本被誤診斷為煤自燃故障,并且有7個(gè)煤自燃故障被誤診斷為斷煤故障;而采用默認(rèn)初始參數(shù)的SVM模型對(duì)故障的分類(lèi)結(jié)果較差,甚至將故障樣本誤診斷為正常樣本。

模型評(píng)價(jià)指標(biāo)如表4所示。

表4 模型評(píng)價(jià)指標(biāo)

從表4可以看出:SVM模型使用未優(yōu)化的初始值進(jìn)行故障分類(lèi)具有一定的隨機(jī)性,其分類(lèi)準(zhǔn)確率最低,為78.13%(如果手動(dòng)調(diào)整懲罰因子和核函數(shù)參數(shù)也可以使分類(lèi)準(zhǔn)確率提高,但是該方法隨機(jī)性太強(qiáng),而且會(huì)耗費(fèi)大量手動(dòng)設(shè)置的時(shí)間);BSO-SVM模型的分類(lèi)準(zhǔn)確率最高,為96.88%。

評(píng)價(jià)指標(biāo)折線(xiàn)圖如圖8所示。

圖8 評(píng)價(jià)指標(biāo)折線(xiàn)圖

圖8中,相比于SVM模型、GA-SVM模型和PSO-SVM模型,BSO-SVM模型的Recave值分別高出0.36、0.16和0.17,F1ave值分別高出0.30、0.13和0.14。該結(jié)果說(shuō)明,BSO-SVM模型不僅有較高的準(zhǔn)確率,還有較高的穩(wěn)定性。

3.4 模型抗干擾能力測(cè)試

考慮到在電廠(chǎng)實(shí)際運(yùn)行過(guò)程中,傳感器工作的環(huán)境比較惡劣,可能出現(xiàn)測(cè)量誤差。為了驗(yàn)證BSO-SVM模型在有噪聲干擾下的穩(wěn)定性,筆者參考傳感器誤差標(biāo)準(zhǔn),將噪聲強(qiáng)度控制在5%～10%[16]。分別為176個(gè)測(cè)試樣本添加噪聲,即:

y=y+k·ε·rand()

(32)

式中:y—測(cè)試樣本;k—控制系數(shù);ε—樣本標(biāo)準(zhǔn)差;rand()—隨機(jī)函數(shù)。

筆者通過(guò)改變控制系數(shù)來(lái)產(chǎn)生不同強(qiáng)度的干擾,并以模型的準(zhǔn)確度指標(biāo)Accave和評(píng)價(jià)指標(biāo)F1ave值作為模型穩(wěn)定性測(cè)試指標(biāo),得到模型擾動(dòng)測(cè)試的對(duì)比結(jié)果,如圖9所示。

圖9 模型擾動(dòng)測(cè)試對(duì)比

從圖9可以看出:在不同噪聲的干擾下,BSO-SVM模型的變化最小,雖然其準(zhǔn)確度和F1ave值在5類(lèi)強(qiáng)度的噪聲下有所下降,但是仍可以在4個(gè)算法模型中保持最高水平。

以上結(jié)果表明,BSO-SVM模型不僅可以提高故障分類(lèi)的準(zhǔn)確度,而且在算法穩(wěn)定性方面也表現(xiàn)優(yōu)秀,能夠?yàn)槟ッ簷C(jī)的故障診斷提供一定的參考。

4 結(jié)束語(yǔ)

采用基于最小二乘支持向量機(jī)的磨煤機(jī)故障診斷模型進(jìn)行故障診斷時(shí),支持向量機(jī)受到核函數(shù)參數(shù)和懲罰因子的影響較大,為此,筆者通過(guò)引入天牛須搜索策略對(duì)粒子群算法尋優(yōu)過(guò)程進(jìn)行了改進(jìn),解決了粒子群算法容易陷入局部最優(yōu)解的問(wèn)題,并將天牛群算法與支持向量機(jī)模型相結(jié)合,提出了一種基于BSO-SVM的磨煤機(jī)故障診斷方法;將該方法應(yīng)用于磨煤機(jī)故障診斷,最后將其分別與GA-SVM、PSO-SVM、SVM進(jìn)行了故障診斷結(jié)果比較。

研究結(jié)果如下:

(1)通過(guò)仿真結(jié)果可知,相比于其他3種方法,BSO-SVM分類(lèi)準(zhǔn)確率最高,能夠達(dá)到96.88%,這表明BSO-SVM模型能有效提高故障診斷精度;

(2)天牛群(BSO)模型的全局搜索能力較強(qiáng),能夠解決粒子群(PSO)算法陷入局部最優(yōu)解問(wèn)題;

(3)BSO-SVM模型的抗干擾能力比較強(qiáng),在模擬傳感器誤差帶來(lái)的噪聲干擾實(shí)驗(yàn)中,在不同噪聲強(qiáng)度環(huán)境下,BSO-SVM模型的評(píng)價(jià)指標(biāo)F1ave始終能夠保持最高水平。

由于筆者所使用的數(shù)據(jù)集是篩選出來(lái)的平衡數(shù)據(jù)集,而在實(shí)際電廠(chǎng)運(yùn)行時(shí),故障數(shù)據(jù)遠(yuǎn)遠(yuǎn)少于正常數(shù)據(jù),存在大量的不平衡數(shù)據(jù)。在以后的研究中,筆者將使用不平衡數(shù)據(jù)集對(duì)模型進(jìn)行校驗(yàn),分析不平衡數(shù)據(jù)集對(duì)模型分類(lèi)性能的影響。