基于隨機(jī)森林算法的虛擬仿真實(shí)驗(yàn)室儀器故障預(yù)警方法

李梅琴

(閩西職業(yè)技術(shù)學(xué)院 實(shí)訓(xùn)實(shí)驗(yàn)管理中心，福建 龍巖 364021)

虛擬仿真技術(shù)在儀器分析和操作中具有非常明顯的應(yīng)用優(yōu)勢(shì),為現(xiàn)階段強(qiáng)化儀器管理提供了虛擬實(shí)驗(yàn)室系統(tǒng)操作的概念。鄧雅瓊等[1]提出儀器分析的虛擬仿真平臺(tái)設(shè)計(jì)方法,在虛擬實(shí)驗(yàn)室環(huán)境中,對(duì)設(shè)備應(yīng)用及分析進(jìn)行教學(xué)和管理,保障操作的重復(fù)性和準(zhǔn)確性。而在現(xiàn)階段高校教育中,同樣存在儀器設(shè)備不足和難以觀察的問題,影響教學(xué)效果,以此提出虛擬仿真實(shí)驗(yàn)室的概念,為教學(xué)提供了全新方式。黃科等[2]分析了虛擬仿真實(shí)驗(yàn)室建立的必要性,并對(duì)虛擬仿真技術(shù)的應(yīng)用方式作出假設(shè),為實(shí)驗(yàn)室的建設(shè)和管理提供了一定參考。

無論是現(xiàn)實(shí)儀器應(yīng)用還是虛擬實(shí)驗(yàn)室環(huán)境中的儀器應(yīng)用,都需要對(duì)其進(jìn)行全方位的管理,以確保儀器能夠安全地進(jìn)行多種類型的操作。其中對(duì)故障預(yù)警的設(shè)計(jì)是儀器管理中較為重要的一個(gè)環(huán)節(jié),樊紅衛(wèi)等[3]提出一種基于轉(zhuǎn)子振動(dòng)頻率的故障預(yù)警方式,解釋了典型故障的原因和診斷機(jī)理及對(duì)振動(dòng)頻率的引用,可以非常清晰地模擬轉(zhuǎn)子的不平衡與不對(duì)中的狀態(tài),能夠?qū)υO(shè)備的故障類型做出自動(dòng)判斷。鐘少恒等[4]提出了隨機(jī)森林的算法清洗方式,以多維分布的節(jié)點(diǎn)構(gòu)建隨機(jī)處理模型,對(duì)故障信息進(jìn)行特征采樣。

本文以上述研究為基礎(chǔ),研究隨機(jī)森林算法的故障預(yù)警方法,為虛擬仿真實(shí)驗(yàn)室的儀器管理提供理論支持。

1 虛擬仿真實(shí)驗(yàn)室儀器故障預(yù)警

1.1 集成神經(jīng)網(wǎng)絡(luò)對(duì)應(yīng)儀器故障特征

虛擬仿真實(shí)驗(yàn)室中的儀器,在連接和組成結(jié)構(gòu)上,與真實(shí)儀器的擺放形式一致,能夠真實(shí)地還原設(shè)備現(xiàn)場(chǎng)的操作環(huán)境。當(dāng)其出現(xiàn)故障或者問題時(shí),同樣需要按照現(xiàn)實(shí)標(biāo)準(zhǔn)進(jìn)行判斷,以為常規(guī)條件下儀器的應(yīng)用提供參考。故障特征信號(hào)在傳遞過程中,以文件形式為存在標(biāo)準(zhǔn),通過索引號(hào)和通道號(hào)以及量值等信息,預(yù)估出報(bào)警上限和報(bào)警下限,判斷實(shí)驗(yàn)室儀器的運(yùn)行狀態(tài),并加以說明。

設(shè)置診斷子網(wǎng)絡(luò)個(gè)數(shù)為p,與決策融合網(wǎng)絡(luò)構(gòu)成一體的綜合網(wǎng)絡(luò)形式,即集成神經(jīng)網(wǎng)絡(luò),能夠診斷出q種類型故障[5]。

集成網(wǎng)絡(luò)用WW1來表示,其中輸出的不穩(wěn)定信號(hào)為故障向量,表示為

Er=(er1,er2,…,ert)q,

(1)

故障向量Er映射后,轉(zhuǎn)換為

Er=fr(Yr),

(2)

式中:fr表示映射函數(shù),r=1,2,…,p;Yr表示網(wǎng)絡(luò)WW1的特征向量。

故障特征量融合的過程實(shí)際上就是故障信號(hào)輸出的過程,以每個(gè)子網(wǎng)絡(luò)中的輸出量對(duì)應(yīng)融合網(wǎng)絡(luò)中的節(jié)點(diǎn)信息,將WW1中的輸出節(jié)點(diǎn)個(gè)數(shù)設(shè)置為wr,則融合網(wǎng)絡(luò)中的決策點(diǎn)個(gè)數(shù)表示為[6]

(3)

融合網(wǎng)絡(luò)中的決策信息輸出結(jié)果為

E=f(Y1+Y2+…+Yn)。

(4)

以此尋求神經(jīng)網(wǎng)絡(luò)中的訓(xùn)練樣本,將前置子網(wǎng)絡(luò)中的所有數(shù)據(jù)信息點(diǎn)進(jìn)行匯總,當(dāng)決策網(wǎng)絡(luò)中的樣本數(shù)據(jù)來源于前置網(wǎng)絡(luò)時(shí),即可設(shè)定兩個(gè)網(wǎng)絡(luò)之間的特征相匹配。

將網(wǎng)絡(luò)WW1的故障向量設(shè)置為集合Ar=[ar1,ar2,…,art],每一種故障對(duì)應(yīng)的置信權(quán)值向量Sr=[Sr1,Sr2,…,Srt],子網(wǎng)絡(luò)的并行組合向量集Wp=[WW1,WW2,…,WWp],以此建立故障特征矩陣A為[7]

(5)

置信權(quán)值矩陣S為

(6)

此時(shí)融合網(wǎng)絡(luò)輸出為

E=A·S。

(7)

由此對(duì)實(shí)驗(yàn)室儀器故障類型進(jìn)行判斷,將產(chǎn)生的不同種類故障特征進(jìn)行分析,以集成神經(jīng)網(wǎng)絡(luò)的有機(jī)整體,在多組相互獨(dú)立且配合的模塊中,實(shí)現(xiàn)特征的在線提取和劃分,并通過森林算法構(gòu)建預(yù)警模型。

1.2 隨機(jī)森林算法構(gòu)建預(yù)警模型

集成神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)借助于信息分配網(wǎng)絡(luò)的構(gòu)建,以多個(gè)信號(hào)為基礎(chǔ),對(duì)應(yīng)實(shí)驗(yàn)室儀器故障診斷,將部件級(jí)別的信號(hào)進(jìn)行定位[8]。與現(xiàn)階段個(gè)體網(wǎng)絡(luò)診斷不同,集成神經(jīng)網(wǎng)絡(luò)能夠真實(shí)還原故障定位,對(duì)故障點(diǎn)的信號(hào)完成標(biāo)識(shí)。

從數(shù)學(xué)專業(yè)角度,將隨機(jī)森林算法引入故障診斷中,定義特征決策樹,設(shè)置即將需要分類的故障類型,對(duì)某一類的信息值進(jìn)行計(jì)算,公式為

Z(C=cr)=-lbX(cr),

(8)

式中:Z(C)表示實(shí)驗(yàn)室儀器的隨機(jī)監(jiān)測(cè)數(shù)據(jù)變量;X(cr)表示某一類信息cr出現(xiàn)的概率。

對(duì)隨機(jī)變量的不確定度量,可以采用信息熵,即該故障特征的期望值,表示為[9]

(9)

式中g(shù)表示儀器故障的分類數(shù)量。

信息熵完全依賴于C的分布,與其參數(shù)取值沒有聯(lián)系,基本上與C=cr出現(xiàn)的概率呈反比趨勢(shì),其值越大,表示故障分類的準(zhǔn)確性越低。當(dāng)隨機(jī)選擇兩個(gè)變量時(shí),其與概率之間的變化關(guān)系如圖1所示。

圖1 信息熵與概率的變化關(guān)系

根據(jù)圖1內(nèi)容所示,橫坐標(biāo)表示為概率,縱坐標(biāo)表示為信息熵,當(dāng)橫坐標(biāo)的值取0或者1時(shí),其縱坐標(biāo)的對(duì)應(yīng)值均為0,表示隨機(jī)變量完全沒有不確定性[10]。而取值為0.5時(shí),縱坐標(biāo)值為1,即隨機(jī)變量的不確定性達(dá)到頂峰。以此將熵概念引入特征分類中,對(duì)儀器的故障類型進(jìn)行判斷,對(duì)隨機(jī)變量進(jìn)行定義,都設(shè)置為F,在變量條件C下的不確定性,即為判斷概率,表示為

(10)

式中:M(F|C)表示聯(lián)合熵;M(F|C=c)表示單獨(dú)的熵[11]。在C和F共同滿足信息類型時(shí),能夠在給定條件下,對(duì)故障問題做出預(yù)警信號(hào),借助遞歸形式,對(duì)上述特征進(jìn)行組合,當(dāng)出現(xiàn)故障時(shí)第一時(shí)間完成預(yù)警。

1.3 遞歸形式組建分類樹預(yù)警故障

儀器設(shè)備在運(yùn)行過程中只會(huì)出現(xiàn)兩種結(jié)果,一是正常工作狀態(tài),二是故障狀態(tài),而在不同事件中產(chǎn)生的隨機(jī)事件可能為正常工作,也可能為故障狀態(tài)。因此采用隨機(jī)森林的方式進(jìn)行故障預(yù)警,可以將兩種狀態(tài)作為隨機(jī)時(shí)間,而{正常,故障}集合則為隨機(jī)森林算法的樣本空間。但常規(guī)模式下數(shù)學(xué)計(jì)算過程不會(huì)用正常和故障兩種字眼作為數(shù)學(xué)運(yùn)算的介質(zhì),本文用1表示故障,0表示正常[12-13]。

對(duì)給定的樣本數(shù)據(jù)能夠分類出的信息期望做出假設(shè),即信息熵,利用式(8)可表示為

(11)

當(dāng)樣本數(shù)據(jù)中包含多種特征屬性時(shí),定義k個(gè)特征屬性構(gòu)成集合為KL(L=1,2,…,k),每個(gè)特征屬性均含有H個(gè)數(shù)值。特征屬性KL將J劃分成k個(gè)子集,分別為J1,J2,…Jk。假定屬性KL中子集Jk的類Cr的樣本數(shù)用drk來表示,則由屬性KL劃分的子集熵值的計(jì)算公式為[14]

(12)

(13)

式中:GR表示增益效果;Gn表示信息增益;SI表示信息類型。

對(duì)故障特征屬性KL分類出的判斷結(jié)果代表信息類型,可用SI(J,KL)來表示,具體為[15]

(14)

按照信息增益的最大原則,對(duì)不同儀器設(shè)備隨著分類得出的判斷結(jié)果進(jìn)行標(biāo)記,聯(lián)系故障信號(hào)特征與某個(gè)儀器之間的關(guān)系,確定故障位置進(jìn)行預(yù)警。至此在隨機(jī)森林算法下,完成了對(duì)虛擬仿真實(shí)驗(yàn)室儀器故障的預(yù)警方法設(shè)計(jì)。

2 實(shí)驗(yàn)測(cè)試與分析

本文設(shè)計(jì)了隨機(jī)森林預(yù)警方法,對(duì)虛擬實(shí)驗(yàn)室儀器故障進(jìn)行監(jiān)測(cè),為驗(yàn)證其實(shí)際應(yīng)用價(jià)值,選擇兩組傳統(tǒng)方法進(jìn)行對(duì)比,測(cè)試不同預(yù)警方法的應(yīng)用效果。

2.1 獲取實(shí)驗(yàn)數(shù)據(jù)

故障信號(hào)預(yù)警的基本前提,就是對(duì)故障信號(hào)頻率的預(yù)估準(zhǔn)確度。為驗(yàn)證三種不同方法的預(yù)警效果,選擇某虛擬仿真實(shí)驗(yàn)室儀器為測(cè)試對(duì)象,對(duì)其故障信號(hào)頻率進(jìn)行預(yù)估。

將信號(hào)采樣率設(shè)置為4 000 Hz,采樣點(diǎn)數(shù)量為2 024個(gè),隨機(jī)選擇余弦信號(hào)下對(duì)應(yīng)的故障頻率,進(jìn)行全局頻譜圖繪制,如圖2所示。

圖2 采樣點(diǎn)信號(hào)全局頻譜圖

根據(jù)圖2內(nèi)容所示,此次設(shè)計(jì)的儀器故障信號(hào)頻譜存在三組余弦信號(hào)極值,故障信號(hào)表示為

I=cos(2πf1t)+cos(2πf2t)+cos(2πf3t),

(15)

式中f1、f2和f3的取值分別為246.12、425.87和648.03 Hz。將上述頻率作為測(cè)試對(duì)象,代入預(yù)警方法中進(jìn)行測(cè)試。

2.2 余弦信號(hào)下故障信號(hào)頻率預(yù)估對(duì)比

分別將三種預(yù)警方法連接到儀器設(shè)備中進(jìn)行頻率預(yù)估,對(duì)故障信號(hào)進(jìn)行局部細(xì)化處理,如圖3所示。

(a)246.12 Hz

根據(jù)圖3內(nèi)容所示,在不同故障頻率的細(xì)化頻譜下,本文方法對(duì)應(yīng)的數(shù)據(jù)基本與原始采樣點(diǎn)數(shù)據(jù)一致,而兩組傳統(tǒng)方法存在一定偏離。

為更清晰地展示預(yù)估精度,將故障信號(hào)的實(shí)際頻率和估計(jì)頻率進(jìn)行匯總,統(tǒng)計(jì)各信號(hào)與真實(shí)數(shù)據(jù)之間的差值,見表1。

表1 不同方法預(yù)估誤差 單位:Hz

根據(jù)表1內(nèi)容可知,本文方法的估計(jì)誤差可以控制在0.002 5 Hz以下,兩組傳統(tǒng)方法的估計(jì)誤差分別為0.2 Hz和0.15 Hz。

2.3 不同信噪比下故障頻率預(yù)估對(duì)比

在此基礎(chǔ)上對(duì)故障信號(hào)加入噪聲,以不同信噪比變化為條件,從-10到10 dB,驗(yàn)證三種預(yù)警方法的頻率預(yù)估能力。

以4 dB為間隔,在三種預(yù)警方式下,獲取三組信號(hào)的估計(jì)頻率,如圖4所示。

根據(jù)圖4內(nèi)容所示,隨著信噪比的加入,故障信號(hào)的預(yù)估頻率也發(fā)生變化,在本文方法下對(duì)故障信號(hào)的頻率預(yù)估逐漸趨向?qū)嶋H數(shù)值,最大誤差只有0.080 1 Hz。而兩組傳統(tǒng)方法下,當(dāng)加入噪聲后對(duì)信號(hào)頻率的預(yù)估會(huì)出現(xiàn)較大誤差,對(duì)故障信號(hào)的預(yù)警會(huì)出現(xiàn)延遲現(xiàn)象,說明本文方法更加有效。

3 結(jié)束語(yǔ)

本文以隨機(jī)森林算法為基礎(chǔ),按照對(duì)信息熵和信息增益的處理原則,重新劃分實(shí)驗(yàn)室儀器的故障類型,完成不同特征信號(hào)的定位匹配,設(shè)計(jì)一種新的儀器故障預(yù)警方法,主要結(jié)論如下:

1)不同故障頻率的細(xì)化頻譜基本與原始采樣點(diǎn)數(shù)據(jù)一致,故障信號(hào)的頻率預(yù)估逐漸趨向?qū)嶋H數(shù)值,最大誤差只有0.08 1 Hz,能夠?qū)Σ煌墓收项愋瓦M(jìn)行精確匹配。

2)估計(jì)誤差可以控制在0.002 5 Hz以下,及時(shí)發(fā)出故障預(yù)警信號(hào),保障儀器的穩(wěn)定運(yùn)行,具有實(shí)際應(yīng)用效果。

由于本文在對(duì)故障測(cè)試樣本選擇上能夠?qū)Ρ鹊倪x項(xiàng)較為單一,所得結(jié)果具有一定偏差,后續(xù)研究針對(duì)不足之處,進(jìn)行更深層次的改進(jìn),對(duì)非平穩(wěn)信號(hào)或者信息較大的信號(hào)進(jìn)行劃分,提出適用于多種類型的預(yù)警方法。