基于PSO-LSSVR的CNG氣瓶損傷監(jiān)測方法

摘要：針對車載氣瓶損傷診斷問題，對氣瓶診斷方法進行研究，提出基于最小二乘支持向量回歸（LSSVR）以及粒子群優(yōu)化算法（PSO）的氣瓶損傷診斷方法，通過PSO進行LSSVR參數(shù)尋優(yōu)，得到優(yōu)化的LSSVR模型。采用隨機振動的有限元計算方法，模擬多組損傷氣瓶在運輸中的情況，并收集氣瓶振動時損傷位置的垂直加速度以及等效應(yīng)力作為模型輸入，得到氣瓶損傷的診斷結(jié)果。以診斷值與實際值的均方根誤差作為評判，采用PSO進行模型參數(shù)優(yōu)化，將診斷誤差穩(wěn)定在1%以內(nèi)，得出較為合適的優(yōu)化模型。將該模型與未優(yōu)化的LSSVR算法進行對比，可得出，該模型在低損傷以及高損傷位置識別精度較高。為進一步體現(xiàn)該模型優(yōu)勢，將其與BP神經(jīng)網(wǎng)絡(luò)以及支持向量回歸（SVR）算法進行比較，結(jié)果顯示，該模型在識別精度以及穩(wěn)定性上都較高。

關(guān)鍵詞：CNG氣瓶；加速度；等效應(yīng)力；隨機振動；PSO-LLSVR

中圖分類號：TE88 文獻標(biāo)志碼：A doi：10.3969/j.issn.1006-0316.2024.04.011

文章編號：1006-0316 （2024） 04-0074-07

A CNG Cylinder Damage Monitoring Method Based on PSO-LSSVR

YANG Zaiming，ZHANG Xianmeng，ZHANG Yike，SU Zhiwei，LI Zhe，

WANG Yehan，CHEN Haosen

（ The First Research Institute of Nuclear Power Institute of China， Chengdu 610213， China ）

Abstract：In this paper， focusing on the on-board cylinder damage diagnosis， the cylinder damage diagnosis method is studied， and a cylinder damage diagnosis method based on least square support vector regression （LSSVR） and particle swarm optimization algorithm （PSO） is proposed. The LSSVR parameters are optimized by PSO， and the optimized LSSVR model is obtained. The finite element method of random vibration is used to simulate the situation of multiple groups of damaged cylinders during transportation， and the vertical acceleration and equivalent stress of the damaged location are collected as the inputs to the model to obtain the diagnosis results of cylinder damage. Taking the root mean square error between the diagnostic value and the actual value as the criterion， PSO is adopted to optimize the model parameters， and the diagnostic error is stabilized within 1%， and a more appropriate optimization model is obtained. Compared with BP neural network， support vector regression （SVR） algorithm and unoptimized LSSVR algorithm， the results show that this model exhibits higher accuracy and stability in identification.

Key words：CNG cylinders；acceleration；equivalent stress；random vibration；PSO-LLSVR

長管拖車是典型的特種壓力容器設(shè)備，對安全性能要求較高[1]。該設(shè)備的主要部件CNG（Compressed Natural Gas，壓縮天然氣）氣瓶若在運輸時出現(xiàn)損傷，可能會發(fā)生危險氣體泄漏、爆炸等重大安全事故。目前防止此類事故發(fā)生的主要手段是定期對CNG氣瓶進行磁粉探傷、外觀檢查、水壓試驗等檢查，綜合評估該氣瓶的機械性能從而判斷其是否可用。但該檢驗過程繁瑣，得出的結(jié)果為主觀判斷，且無法動態(tài)監(jiān)測運輸時的狀態(tài)，容易導(dǎo)致事故發(fā)生。為保證氣瓶的安全性，吳斌[2]提出以氣瓶振動狀態(tài)作為安全監(jiān)測的參數(shù)，并利用光纖光柵傳感技術(shù)設(shè)計了振動監(jiān)測實驗，驗證其可行性；高宏[3]提出以氣瓶應(yīng)力狀態(tài)作為判斷氣瓶安全性的依據(jù)；趙誠[4]、江國華[5]設(shè)計了基于超聲波的在線高溫壓力容器監(jiān)測技術(shù)，并提出該技術(shù)在特定條件下需注意的監(jiān)測問題；沈功田[6]指出聲發(fā)射在線監(jiān)測是壓力容器監(jiān)測的主要發(fā)展方向。但這些多為監(jiān)測參數(shù)研究，并未提出相應(yīng)的診斷方法。

因此，本文提出一種基于PSO-LSSVR的CNG氣瓶損傷監(jiān)測方法，通過PSO（Particle Swarm Optimization，粒子群優(yōu)化）算法對LSSVR（Least Square Support Vector Regression，最小二乘支持向量回歸）的模型參數(shù)進行尋優(yōu)，得到較優(yōu)的LSSVR故障診斷模型，并采用隨機振動的有限元計算方法，模擬損傷氣瓶運輸中的情況，將其損傷位置的振動特征參數(shù)（垂直加速度）以及等效應(yīng)力設(shè)定為診斷參數(shù)，對氣瓶損傷深度進行故障定量分析，利用該數(shù)據(jù)驗證方法的有效性。

1 氣瓶有限元分析

1.1 氣瓶幾何模型

本文以長管拖車常用的CNG氣瓶作為研究對象，其材料性能如表1所示，按照圖1進行建模仿真分析。采用有限元中隨機振動的方法模擬其在運輸過程中的主要狀態(tài)[7]，即振動情況，并對多組損傷氣瓶進行仿真分析，得出仿真數(shù)據(jù)，對該方法的可靠性以及可行性進行分析。

之后進行該模型的網(wǎng)格劃分。劃分采用掃掠法，得到20節(jié)點的6面體單元（SOLID186），其部分網(wǎng)格結(jié)果如圖2所示。

1.2 運輸過程模擬

為模擬氣瓶在運輸過程中的實際情況，采用隨機振動的方法對氣瓶進行分析。實際運輸中，氣瓶兩端是固定的，因此在氣瓶瓶口端面添加固定約束；氣瓶工作壓力P＝20 MPa，且需添加地球重力加速度（取9.8 m/s2）。另外，氣瓶內(nèi)壓會對瓶口產(chǎn)生軸向應(yīng)力T，計算為[8]：

2.3 "PSO-LSSVR結(jié)果分析

LSSVR能夠有效處理非線性問題，且復(fù)雜度較低，但LSSVR的診斷精度主要依靠模型參數(shù)的制定。而模型參數(shù)大多采用經(jīng)驗法制定，其主觀性較強，導(dǎo)致模型診斷結(jié)果較差。為提高診斷精度，采用PSO算法對其主要參數(shù)（C、γ）結(jié)果尋優(yōu)。其中γ為控制近似誤差的懲罰程度的正則化參數(shù)。提出PSO-LSSVR算法，其流程如圖5所示[18]。

可以看出，PSO-LSSVR的步驟為：

（1）將診斷數(shù)據(jù)按照規(guī)定的比例分成兩個集合，即訓(xùn)練集和測試集；

（2）設(shè)置合適的LSSVR模型參數(shù)（即C和γ）取值范圍，通過訓(xùn)練集完成模型擬合，并獲取對應(yīng)的適應(yīng)度MSE（Mean Squared Error，均方根誤差）；

（3）初始化粒子群算法的速度和位置，通過不同搜索路線各粒子之間的信息交流進行迭代更新，保留優(yōu)勢個體；

（4）迭代至設(shè)置好的代數(shù)后，得出C和γ的最優(yōu)解，其可作為LSSVR的參數(shù)，得到最終優(yōu)化模型。

對上述POS-LSSVR模型的可行性進行測試。實驗中，以1.2節(jié)的模擬實驗結(jié)果數(shù)據(jù)作為驗證數(shù)據(jù)，設(shè)定氣瓶運輸時的速度為80 km/h（22.3 m/s），在各損傷等級（Dt）選取十組不同損傷位置的垂直加速度（Vt）以及應(yīng)力（It）數(shù)據(jù)，共520組數(shù)據(jù)。

設(shè)定LSSVR需要進行優(yōu)化的模型參數(shù)C和γ的尋優(yōu)區(qū)間為：C∈[2-15， 215]和γ∈[2-15， 23]。

之后通過粒子群算法優(yōu)化其主要參數(shù)。設(shè)置PSO算法粒子群種群數(shù)為50，最大迭代數(shù)為100，權(quán)重 ＝0.8，學(xué)習(xí)因子c1＝0.5，c2＝0.5。粒子的速度位置通過式（10）、式（11）進行更新。

將最小化預(yù)測值和真實值的均方根誤差作為此次優(yōu)化的目標(biāo)函數(shù)，表示為[19]：

（12）

（13）

（14）

式中：S為LSSVR的最優(yōu)參數(shù)取值集合； 、 分別為預(yù)測值與真實值。

針對上文得到的LSSVR模型，通過訓(xùn)練集和測試集進行優(yōu)化，算法不斷迭代，設(shè)置迭代次數(shù)為100，參數(shù)優(yōu)化方案為：C＝32 654.1525，γ＝7.8822。

未優(yōu)化LSSVR通過測試集所得診斷值如圖6所示，得均方根誤差 ＝0.0158。

將最小化預(yù)測值和真實值的均方根誤差作為此次優(yōu)化的目標(biāo)函數(shù)，其中式（13）、式（14）表示優(yōu)化參數(shù)范圍[20]。

之后通過粒子群算法尋優(yōu)得出LSSVR的最優(yōu)參數(shù)取值集合S，粒子的速度位置通過 " 式（10）、式（11）進行更新，獲取最優(yōu)的參數(shù)集合S后，即確定了粒子群優(yōu)化后的最小二乘支持向量回歸模型。

將所得數(shù)據(jù)輸入已訓(xùn)練模型，得出診斷結(jié)果與未優(yōu)化的LSSVR算法進行對比，其診斷圖如圖7所示。

可以看出，未經(jīng)優(yōu)化的LSSVR與PSO- LSSVR都能較好地對氣瓶損傷進行識別。相比于LSSVR模型，POS-LSSVR模型的診斷輸出在大多數(shù)情況都更貼近損傷的實際值，尤其是在1～150組和400～500組的樣本區(qū)間，其輸出值波動較小，這也解釋了PSO-LSSVR模型的MSE較小的現(xiàn)象。這表明，PSO-LSSVR模型不僅可以提高損傷診斷的精度，還能使大部分預(yù)測損傷值與實際損傷值的波動較小，其在一定水平上保證了損傷識別的精度以及穩(wěn)定程度。但在300～400樣本區(qū)間內(nèi)，PSO-LSSVR模型預(yù)測值與實際值相差較大，發(fā)生該現(xiàn)象可能是由于隨機振動試驗誤差或者由于運行環(huán)境發(fā)生較大變化導(dǎo)致出現(xiàn)少部分離群值，而且在小樣本環(huán)境下，由于訓(xùn)練數(shù)據(jù)較少會更容易產(chǎn)生識別偏差較大的狀況。但少部分的離群值擬合效果較差并不會影響模型整體的識別性能，這進一步證明了該模型的可行性。

目前公開的識別模型中，BRB（Belief Rule Base，置信規(guī)則庫）算法、SVR（Support Vector Regression，支持向量回歸）算法，以及BP（Back Propagation，反向傳播）神經(jīng)網(wǎng)絡(luò)等都有較好的損傷識別能力。為進一步體現(xiàn)PSO-LSSVR算法的優(yōu)勢，將PSO-LSSVR、LSSVR算法以及上述部分算法在隨機振動試驗數(shù)據(jù)里進行效果對比。且除了MSE外，還采用平均絕對誤差作為評價不同算法損傷識別能力的標(biāo)準(zhǔn)。

診斷圖如圖8所示、結(jié)果比較如表4所示?？梢钥闯觯琍SO-LSSVR模型的診斷精度較高，所以其適合作為氣瓶損傷的故障診斷方法。

3 結(jié)論

本文以典型壓力容器車載氣瓶作為研究對象，提出一種基于PSO-LSSVR的氣瓶損傷診斷模型，通過PSO算法對LSSVR進行優(yōu)化，提高其診斷準(zhǔn)確率。通過隨機振動仿真實驗得出數(shù)據(jù)集對算法可行性進行驗證，并將其與不同算法進行對比。結(jié)果表明，PSO-LSSVR算法具有較高的診斷精度，相較于性能較好的BP神經(jīng)網(wǎng)絡(luò)，其均方根誤差和絕對誤差分別下降了17%和33%，所以其能利用氣瓶運輸中的機械信號對氣瓶微小損傷進行判定，進一步提高氣瓶安全性。但該數(shù)據(jù)是模擬得到的，與實際數(shù)據(jù)相比存在一定的誤差。之后會通過現(xiàn)場實驗收集實際數(shù)據(jù)，進一步驗證模型的可行性。

參考文獻：

[1]陳藝中，惠虎，黃淞. ?；烽L管拖車壓力監(jiān)測及預(yù)警系統(tǒng)設(shè)計[J]. 壓力容器，2021，38（9）：74-80.

[2]吳斌. 移動容器運行振動監(jiān)測與分析研究[D]. 武漢：武漢工程大學(xué)，2016.

[3]高宏. 移動容器運行應(yīng)力狀態(tài)監(jiān)測與分析研究[D]. 武漢：武漢工程大學(xué)，2016.

[4]趙誠. 高溫環(huán)境下壓力容器與管道的超聲波檢測技術(shù)[J]. 化工管理，2018（27）：155-156.

[5]江國華. 高溫壓力容器與管道在線檢測技術(shù)研究建議[J]. 飲食科學(xué)，2017（18）：181.

[6]沈功田. 壓力容器聲發(fā)射檢測技術(shù)進展：第六屆全國壓力容器學(xué)術(shù)會議壓力容器先進技術(shù)精選集[C]. 北京：機械工業(yè)出版社，2005：667-674.

[7]魏保立，郭成超，崔璨. 飛機滑行荷載對機場道面的隨機振動效應(yīng)分析[J]. 科學(xué)技術(shù)與工程，2018，18（16）：101-106.

[8]鄭津洋，董其伍，桑芝富. 過程設(shè)備設(shè)計[M]. 2版. 北京：化學(xué)工業(yè)出版社，2005.

[9]中華人民共和國國家質(zhì)量監(jiān)督檢驗檢疫總局，中國國家標(biāo)準(zhǔn)化管理委員會. 機械振動 道路路面譜測量數(shù)據(jù)報告：GB/T 7031－2005[S]. 北京：中國標(biāo)準(zhǔn)出版社，2006.

[10]中華人民共和國國家質(zhì)量監(jiān)督檢驗檢疫總局，中國國家標(biāo)準(zhǔn)化管理委員會. 鋼質(zhì)無縫氣瓶定期檢驗與評定：GB/T 13004－2016[S]. 2016.

[11]楊智榮，楊再明，高海波，等. CNG氣瓶損傷在線監(jiān)測平臺監(jiān)測參數(shù)及位置研究[J]. 中國測試，2021，47（3）：144-149.

[12]SMOLA A J， SCH?LKOPF B. A tutorial on support vector regression[J]. Statistics and Computing，2004，14（3）：199-222.

[13]CLARKE STELLA M.，GRIEBSCH JAN H.，SIMPSON TIMOTHY W. Analysis of support vector regression for approximation of complex engineering analyses[J]. Journal of Mechanical Design，2005，127（6）：24-30.

[14]郭秩維，白廣忱. 最小二乘支持向量回歸機在可靠性分析中的應(yīng)用（英文）[J]. Chinese Journal of Aeronautics，2009，22（2）：160-166.

[15]孫燕成，陳富安. 基于PSO優(yōu)化LSTM神經(jīng)網(wǎng)絡(luò)的機械臂逆運動學(xué)求解研究[J]. 電子測量技術(shù)，2022，45（13）：40-45.

[16]吉建華，苗長云，李現(xiàn)國，等. 基于PSO帶式輸送機PID控制器參數(shù)智能整定的適應(yīng)度函數(shù)設(shè)計[J]. 機械工程學(xué)報，2023，59（22）：444-456.

[17]李樂，舒越超，吳健鵬，等. 基于PSO-BP神經(jīng)網(wǎng)絡(luò)濕式摩擦元件損傷預(yù)測模型[J]. 北京理工大學(xué)學(xué)報，2022，42（12）：1246-1255.

[18]LI Xiaoming，TAN Xinglong，ZHAO Changsheng. PSO-LSSVR assisted GPS/INS positioning in occlusion region[J]. Sensors （basel， Switzerland），2019，19（23）：52-56.

[19]劉勝，宋佳，李高云. PSO并行優(yōu)化LSSVR非線性黑箱模型辨識[J]. 智能系統(tǒng)學(xué)報，2010，5（1）：51-56.

[20]XIA K W，DONG Y，DU H B. Oil layer recognition model of LS-SVM based on improved PSO algorithm[J]. Control and Decision，2007，22（12）：1385-1389.