基于SC-BP 的設備故障預警研究

王 彪，賈彥斌，李熒興，閆 琦，薛紅平

（北方自動控制技術(shù)研究所，太原 030006）

0 引言

隨著裝備信息化的不斷深入，電子設備應用在作戰(zhàn)過程中越來越普遍，其所扮演的角色也越來越重要。但作戰(zhàn)過程中設備發(fā)生故障，會直接影響到戰(zhàn)局的走向。所以需要對設備進行故障預警，提前將故障消除，實現(xiàn)設備的主動性維護管理。從R.B Dhumale 等研究成果可以看出，使用人工神經(jīng)網(wǎng)絡可以實現(xiàn)設備的故障預警，此預警方法可以分析多故障參數(shù)，在設備故障形成早期發(fā)現(xiàn)征兆，基于此，將神經(jīng)網(wǎng)絡應用到設備故障預警方面就能夠通過快速構(gòu)建設備運行狀態(tài)模型，對比實際值與預測值的差別，從而分析設備故障信息。

例如系統(tǒng)運維人員如能對電氣設備隱患提前預判并及時處理，可大大減少設備故障發(fā)生率，提高系統(tǒng)的安全穩(wěn)定性能。近年來在信息通信新技術(shù)的推動下，利用智能化手段對電氣設備的運行狀態(tài)進行實時監(jiān)視與動態(tài)分析，從而實現(xiàn)對設備存在的隱患主動式的事前預警成為了新的課題。近年國內(nèi)外學者對故障診斷和預警做了大量的研究，文獻［2］基于時序關(guān)系和空間資源等組合因素，進行了電力通信網(wǎng)故障分析研究，文獻［3］結(jié)合故障樹理論和故障溯源分析，對智能變電站故障診斷進行分析研究，文獻［4］介紹了數(shù)據(jù)挖掘算法在故障診斷中的應用，文獻［6］對電力通信故障預警及防御進行了研究和應用。

神經(jīng)網(wǎng)絡這種具有高度非線性和很強自適應學習能力的新方法，為網(wǎng)絡性能預警技術(shù)帶來了新思路。但神經(jīng)網(wǎng)絡方法也存在著全局搜索能力差、收斂速度慢等缺點，容易使得最終結(jié)果陷入局部極值。因此，單純使用神經(jīng)網(wǎng)絡的效果不一定是最優(yōu)的。本文提出基于標準化電流優(yōu)化BP 神經(jīng)網(wǎng)絡預測模型（SC-BP）設備故障預警方法。引入標準化電流，結(jié)合擬合模型算法，構(gòu)建相關(guān)系數(shù)矩陣等，完成設備故障預警。并對故障征兆進行屬性約簡，可以較大幅度地減少輸入神經(jīng)元個數(shù)，從而優(yōu)化算法結(jié)構(gòu)，提高設備故障預警診斷的效率及可讀性。

1 總體架構(gòu)

設備故障預警模型可分為兩部分，如圖1 所示，第1 部分是預警模型，另一部分是擬合模型。第1 部分需要采集數(shù)據(jù)并進行特征提取，讀取當前的工況信息，選取設備正常模式下的歷史數(shù)據(jù)訓練模型，使之能更好地對設備進行預測。第2 部分則是將數(shù)據(jù)進行標準化處理后進行擬合對比，并與模型結(jié)果進行比較和邏輯判斷，從而準確發(fā)現(xiàn)位于常規(guī)的報警系統(tǒng)界限內(nèi)的設備異常，便于及時制定和執(zhí)行設備管理決策。設備預警的結(jié)果反饋到數(shù)據(jù)診斷庫中又可不斷積累故障知識，提高預見性分析和診斷的效率。

圖1 預警模型原理圖Fig.1 Schematic diagram of a prediction model

2 故障預測模型

2.1 火炮設備預警分析與建模

設備故障預警基于預測模型與擬合檢測算法來檢測異常狀態(tài)，并能夠根據(jù)故障報警狀態(tài)結(jié)合設備的原理及控制特點進一步分析和判斷，準確查明故障原因，合理正確地排除故障［1］。

2.2 建立SC-BP 神經(jīng)網(wǎng)絡預測模型

建立預測模型，具體構(gòu)建流程如圖2 所示。為確定神經(jīng)網(wǎng)絡預測模型的最佳參數(shù)，研究通過多次連續(xù)實驗，將模型參數(shù)設置如下：

圖2 預測模型構(gòu)建流程Fig.2 Building process of prediction model

輸入層節(jié)點數(shù)4 個，即系統(tǒng)電壓、方位電流、溫度、氣壓4 個參數(shù)；隱藏層層數(shù)2 層，節(jié)點數(shù)8 個；輸出層節(jié)點數(shù)1 個，即標準化電流；激活函數(shù)為Re-LU 函數(shù)；損失函數(shù)為均方誤差（mean-squared error）損失函數(shù)。

2.3 SC-BP 神經(jīng)網(wǎng)絡預測模型分析

下頁圖3 為SC-BP 神經(jīng)網(wǎng)絡預測模型的典型結(jié)構(gòu)。從圖3 可以看出，網(wǎng)絡模型主要包括接受輸入信號的輸入層、不直接與輸入層和輸出層發(fā)生聯(lián)系的隱藏層或中間層以及輸出信號的輸出層。從輸入層到隱藏層是固定的非線性轉(zhuǎn)換，輸入信息被直接映射到新的空間，而隱藏層到輸出層之間為線性的，輸出層在新的線性空間中完成加權(quán)組合線性計算，權(quán)是可調(diào)參數(shù)。對于不同工況條件，輸入層需要控制參數(shù)。本文主要考慮系統(tǒng)電壓、方位電流、溫度、氣壓；而輸出層需要考慮目標變量，主要考慮標準化電流。

圖3 SC-BP 神經(jīng)網(wǎng)絡預測模型Fig.3 SC-BP network prediction model

模型的基本結(jié)構(gòu)確定后，利用輸入及輸出數(shù)據(jù)進行自我訓練，以確定輸入變量和輸出變量之間的映射關(guān)系；隨之該預測模型也確定。

3 擬合模型

3.1 算法原理

火炮系統(tǒng)設備正常運行狀態(tài)的歷史數(shù)據(jù)，通過系統(tǒng)內(nèi)部相關(guān)性分析，建立相關(guān)參數(shù)間的非線性模型，進而得到狀態(tài)估計結(jié)果［5］。該方法是基于對火炮設備健康狀態(tài)監(jiān)測、火炮設備出現(xiàn)異常情況告警等方面所構(gòu)建的算法。算法基本原理如下：

假設某型號火炮設備單體正常工作的“相關(guān)變量集”中電流值共有P 個關(guān)聯(lián)的變量值，將某一時間i 內(nèi)觀測的N 個變量值記為N 個觀測向量，即在該過程或火炮設備正常工作的時段內(nèi)，不同工況下運行采集到m 個觀測電流值，即n 種不同工況下產(chǎn)生m 個不同的電流值，可以形成n×m 電流值工況矩陣D，即：

這n 種不同工況下所產(chǎn)生的的電流值經(jīng)過均值運算可得到對應工況狀態(tài)下的電流均值，即期望電流值，記為EX，這些期望電流值可構(gòu)成n×m 電流期望矩陣，記為矩陣D1，即：

因此，可以計算出各工況狀態(tài)下電流值的離均差矩陣，記為矩陣A，即：

那么就可以得到在n 種不同工況下m 個電流值對應的方差矩陣，記為N，即

同理也可計算出標準化電流的方差，記為Q，即

由式（6）即可綜合計算出不同工況下的電流值與對應的標準化電流值的相關(guān)系數(shù)矩陣，記為矩陣r，即

該算法能夠?qū)⒉煌r下電流數(shù)據(jù)進行解析，通過最終計算相關(guān)系數(shù)大小來度量不同工況之間相關(guān)關(guān)系強度，進而得到數(shù)據(jù)擬合優(yōu)度［6］。

3.2 數(shù)據(jù)采集

采集模塊對數(shù)據(jù)的采集周期為12 ms，模塊采集的內(nèi)部數(shù)據(jù)信息包括基礎（電流、電壓、溫度、氣壓）數(shù)據(jù)以及系統(tǒng)運行參數(shù)數(shù)據(jù)兩種類型，前者由火炮配電設備、數(shù)據(jù)庫以及中間設備單體的實時與歷史數(shù)據(jù)構(gòu)成；后者則主要包括火炮設備運行狀態(tài)監(jiān)控與故障系統(tǒng)各主要頁面的響應數(shù)據(jù)以及響應時長等指標。

針對實時產(chǎn)生的數(shù)據(jù)，使用DataAcqEqu 軟件對實時數(shù)據(jù)進行采集，此軟件可將最新數(shù)據(jù)發(fā)送至軟件后臺執(zhí)行實時處理操作，快速生成分析結(jié)果；針對歷史數(shù)據(jù)，使用Origin 軟件對其進行分析，用MATLAB 對歷史數(shù)據(jù)流進行逐條讀取，并將其作進一步的分析處理。

3.3 標準化處理

將采集的數(shù)據(jù)信息輸入到事先訓練好的SC-BP 預測模型中，經(jīng)模型會輸出標準化電流值，多組（電流、電壓、溫度、氣壓）數(shù)據(jù)會生成多組標準化電流值，將采集到的數(shù)據(jù)歸一化到標準化條件下，為下一步的分析判斷提供了數(shù)據(jù)支撐，該標準化的目的是為了整合大量的數(shù)據(jù)，以較少的數(shù)據(jù)指標來替代多個指標對評估問題進行分析，這給綜合評價的開展帶來了很大的方便。

根據(jù)3.1 的擬合算法相關(guān)系數(shù)計算公式，可以求得火炮設備標準化數(shù)據(jù)矩陣的相關(guān)系數(shù)矩陣，記為r，即：

式中，rij是第i 個指標與第j 個指標之間的相關(guān)系數(shù)，其計算公式為：

3.4 指標評價

擬合優(yōu)度評價是用于檢驗總體中的一類數(shù)據(jù)其分布是否與某種理論分布相一致的統(tǒng)計方法［8］。對于擬合模型，擬合優(yōu)度的評價指標主要有相關(guān)系數(shù)，兩者相關(guān)系數(shù)越趨于1，表明兩者擬合的擬合優(yōu)度越好，擬合優(yōu)度是指實測值在擬合曲線周圍的離散程度，離散程度越小，表明擬合效果越好，反之亦然，擬合優(yōu)度的衡量指標如表1 所示，該指標中的系數(shù)范圍是通過對火炮不同工況下同一過程運行數(shù)據(jù)進行相關(guān)系數(shù)運算，歸納總結(jié)得出的。

表1 狀態(tài)反饋參考表Table 1 Status feedback reference table

4 算例分析

為檢驗上述算法的可行性，本文以實地采集的系統(tǒng)設備運行數(shù)據(jù)的系統(tǒng)電壓、方位電流、溫度、氣壓為輸入源，經(jīng)SC-BP 模型輸出標準化電流值，其中無故障運行標準化電流值數(shù)據(jù)5 組、存在故障的標準化電流值數(shù)據(jù)1 組，故障主要表征為設備電流值突變等損傷。遵循上述故障預警流程進行異常檢測，經(jīng)SC-BP 模型所得無故障、有故障輸出的標準化電流值曲線結(jié)果如圖4 所示，圖4 是將同一運行過程在不同工況下的標準化電流值用matlab 作出的電流值變化曲線圖。

圖4 不同工況標準化電流幅值變化曲線Fig.4 Standardized current amplitude variation curve at different operating conditions

將不同工況下的電流值（N1、N2、N3、N4、E1、T1）數(shù)據(jù)進行統(tǒng)一的標準化數(shù)據(jù)處理，然后將每組標準化后的數(shù)據(jù)輸入擬合模型算法，用式（9）即可求得任意兩組標準化電流值之間的相關(guān)系數(shù)，結(jié)果如下頁表2 所示。本文同一工況條件下的標準化電流擬合函數(shù)曲線周圍的離散程度基本一致，不同工況條件下擬合函數(shù)曲線周圍的離散程度存在差異，即不同工況條件下的數(shù)據(jù)存在差異性［9］。N1，N2，N3，N4是同一工況條件下火炮設備正常工作的4 種參數(shù)，經(jīng)SC-BP 模型輸出的標準化電流值變化幅值曲線，從表2 中可查詢出正常工況下的標準化電流擬合優(yōu)度分別為：0.862 3、0.776 6、0.716 6，由此可知該工況條件下，設備運行狀態(tài)穩(wěn)定，符合健康標準；E1為在不同于N1、N2、N3、N4的工況下火炮設備正常工作所產(chǎn)生的標準化電流幅值曲線，查詢可知，該工況與正常工況下標準化電流擬合優(yōu)度分別為0.676 6、0.676 0、0.693 9、0.559 9，偏離正常工況下的擬合優(yōu)度，表明該運行狀態(tài)需要引起注意；T1表示在火炮設備運行中出現(xiàn)方位卡死故障時所產(chǎn)生的標準化電流幅值的變化曲線，該工況的標準化電流值曲線與正常工況下標準化電流值的擬合優(yōu)度分別為：0.175 3、0.174 5、0.161 8、0.122 9，偏離正常工況下的擬合優(yōu)度過大，表明已經(jīng)影響設備的正常運行或發(fā)展成嚴重狀態(tài)。

表2相關(guān)系數(shù)矩陣表Table 2 Matrix of correlation coefficients

5 結(jié)論

影響火炮設備運行的不確定性，使得火炮設備故障預警評估成為一個難點［10］，同時由于火炮設備結(jié)構(gòu)組成的復雜性，火炮設備發(fā)生故障所產(chǎn)生的嚴重后果無法想象，因此，急需一種能夠科學評估火炮設備故障預警的模型方法。將神經(jīng)網(wǎng)絡與擬合算法相結(jié)合引入，既充分考慮了評估中的模糊性和隨機性，使評估結(jié)果更科學，同時還能得到定性和定量的評估結(jié)果，分析不同工況下火炮設備運行數(shù)據(jù)的共性特征，弱化原始數(shù)據(jù)分布差異對特征的影響，及時發(fā)現(xiàn)火炮設備故障發(fā)生早期的微弱征兆，實現(xiàn)大幅度的提前預警［11］。通過擬合模型算法的評估驗證，不僅得到了該火炮設備運行時的擬合值，而且能夠為火炮設備的下一步改進特征參數(shù)提供了一個可靠的基礎。