油料裝備故障檢測數(shù)據(jù)融合研究

曾慧娥 周慶忠 胡為艷

(1.重慶科技學(xué)院機(jī)械與動力工程學(xué)院， 重慶 401331； 2.后勤工程學(xué)院， 重慶 401331；3.78088部隊(duì)， 重慶 400039)

油料裝備效能由運(yùn)行狀態(tài)監(jiān)控、故障診斷、維修決策等環(huán)節(jié)及其相關(guān)技術(shù)來保證。油料裝備運(yùn)行環(huán)境呈動態(tài)分布式，使得油料裝備運(yùn)行狀態(tài)監(jiān)控難度大，檢測數(shù)據(jù)繁多，故障診斷復(fù)雜，維修任務(wù)及其維修決策隨機(jī)多變。如何充分利用油料裝備信息資源，實(shí)現(xiàn)油料裝備故障檢測數(shù)據(jù)融合，是確保油料裝備性能可靠迫切需要解決的問題[1]。針對這一問題，對油料裝備故障檢測數(shù)據(jù)融合進(jìn)行研究，根據(jù)油料裝備故障檢測融合結(jié)果做出故障診斷決策，探討提高油料裝備運(yùn)行狀態(tài)評估及故障診斷性能的方法，對于提高油料裝備效能具有重要作用。

1 油料裝備狀態(tài)檢測數(shù)據(jù)融合

在線監(jiān)測油料裝備運(yùn)行工況參數(shù)(如溫度、壓力、流量、振動等)，獲取裝備狀態(tài)變化的預(yù)警參數(shù)。針對所采集的數(shù)據(jù)存在不確定性和模糊性，運(yùn)用數(shù)據(jù)融合技術(shù)，利用多傳感器數(shù)據(jù)間互補(bǔ)信息，消除檢測數(shù)據(jù)誤差和冗余信息，得到精度較高的關(guān)于裝備零部件的工作性能、機(jī)械強(qiáng)度、疲勞極限與磨損程度等方面的數(shù)據(jù)融合結(jié)果[2-3]。

采用物理冗余和解析性冗余對傳感器進(jìn)行驗(yàn)證。物理冗余即是在相同空間位置使用多傳感器，利用多數(shù)規(guī)則加權(quán)系統(tǒng)來確定實(shí)際讀數(shù)，但它并不是在所有情況下都可行。而解析性冗余利用的是系統(tǒng)組件之間的功能關(guān)系。通常功能被獨(dú)立于密切相關(guān)的子系統(tǒng)，以降低其復(fù)雜性。人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Networks, ANNs)具有進(jìn)行非線性主成分分析的能力，主成分分析允許提取高維非線性數(shù)據(jù)集的主要特征，已被應(yīng)用于傳感器驗(yàn)證[4]。

油料裝備狀態(tài)檢測數(shù)據(jù)融合模型如圖1所示。采用三步訓(xùn)練法用于傳感器驗(yàn)證和ANNs。第一步訓(xùn)練，采用來自專家系統(tǒng)的裝備歷史運(yùn)行數(shù)據(jù)，組成神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和測試樣本，訓(xùn)練ANN權(quán)值和閾值，調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)，測試其性能。第二步訓(xùn)練，將正常運(yùn)行數(shù)據(jù)提供給ANN，ANN輸出正常運(yùn)行數(shù)據(jù)，以便學(xué)習(xí)ANN兩者間功能關(guān)系。第三步訓(xùn)練，將包含異常運(yùn)行數(shù)據(jù)的實(shí)際檢測數(shù)據(jù)提供給ANN，由ANN按規(guī)則進(jìn)行處理，輸出正常運(yùn)行數(shù)據(jù)。經(jīng)過三步訓(xùn)練法，使ANN對檢測數(shù)據(jù)變得“不敏感”，僅從數(shù)據(jù)集中提取適當(dāng)特征參數(shù)，如振動、轉(zhuǎn)速、溫度、壓力、流量、電壓和噪音等，經(jīng)過多傳感器數(shù)據(jù)融合，推理出運(yùn)行狀態(tài)預(yù)測評估結(jié)果，并儲存在動態(tài)數(shù)據(jù)庫中。

ANNs可預(yù)測有故障傳感器輸出值的能力。如果用在關(guān)鍵油料裝備保障任務(wù)場景下，即使檢測到故障，也能提供所需信息來繼續(xù)測試。這些估計(jì)數(shù)據(jù)還可向故障診斷算法提供精確數(shù)據(jù)，有助于確定油料裝備系統(tǒng)失效源。

圖1 油料裝備狀態(tài)檢測數(shù)據(jù)融合模型

2 油料裝備故障診斷數(shù)據(jù)融合

油料裝備故障診斷數(shù)據(jù)融合過程如圖2所示。

(1)數(shù)據(jù)壓縮。由于油料裝備故障檢測數(shù)據(jù)變量及其數(shù)量龐大，傳統(tǒng)存儲方法難以維持。本文使用基于MPLS(Multiway partial least squares)的數(shù)據(jù)壓縮技術(shù)，將由現(xiàn)場數(shù)據(jù)組成的高維數(shù)據(jù)集，投射到低維空間，由3D數(shù)據(jù)轉(zhuǎn)換成2D矩陣排列。減少關(guān)于故障信息重要結(jié)構(gòu)的高維數(shù)據(jù)空間，對高維數(shù)據(jù)集提供有效計(jì)算，減少輸入維度和輸出空間，尋找高度相關(guān)的潛變量。

圖2 油料裝備故障診斷數(shù)據(jù)融合過程

(2)故障隔離。應(yīng)用模式識別技術(shù)，如支持向量機(jī)(Support vector machine, SVM)、概率神經(jīng)網(wǎng)絡(luò)(Probabilistic neural network, PNN)、k近鄰法(k-nearest neighbor, KNN)，使用多元統(tǒng)計(jì)方法，如主成分分析(Principal components analysis, PCA)，作為單個分類器進(jìn)行故障隔離。

SVM使用內(nèi)核函數(shù)擬合非線性可分離模型，采用徑向基函數(shù)將數(shù)據(jù)轉(zhuǎn)換到高維特征空間，尋找最大限度地提高類之間幅度的最優(yōu)超平面。PNN監(jiān)督估計(jì)每類概率分布函數(shù)，根據(jù)這些函數(shù)估計(jì)輸入向量成為學(xué)習(xí)類別或類的可能性。使用先驗(yàn)概率對學(xué)習(xí)模式進(jìn)行加權(quán)處理，確定給定輸入矢量的類別。KNN分類器作為非參數(shù)分類方法，使用相對于給定指標(biāo)d，最接近輸入向量x的k-特征向量子集，完成輸入向量x的分類。輸入向量x則被分配給第k子集內(nèi)最頻繁出現(xiàn)的類。通過對k的選擇，打破關(guān)聯(lián)。PCA將相關(guān)變量變換為較小數(shù)量的互不相關(guān)的變量，計(jì)算訓(xùn)練數(shù)據(jù)的協(xié)方差矩陣、相應(yīng)特征值和特征向量。對特征值進(jìn)行排序，選擇具有最高值的向量來表示較小維空間內(nèi)數(shù)據(jù)。通過交叉驗(yàn)證確定主成分?jǐn)?shù)目[5-6]。

(3)分類器融合。使用后驗(yàn)概率實(shí)施特定類Bayesian融合，實(shí)現(xiàn)融合中心與單個分類器的聯(lián)合優(yōu)化。根據(jù)融合結(jié)果，做出故障隔離決策，進(jìn)行參數(shù)優(yōu)化。

①特定類Bayesian融合

(1)

②融合中心與單個分類器的聯(lián)合優(yōu)化

P(u1,u2,…,uL|cj)≈

(2)

通過每個分類器只與來自于訓(xùn)練數(shù)據(jù)的相對最好分類器進(jìn)行關(guān)聯(lián)，來簡化概率計(jì)算。關(guān)鍵是聯(lián)結(jié)耦合融合中心與單個分類器的決策規(guī)則，由于融合規(guī)則和其他分類器的決策策略是固定的，則第k個分類器做出的有關(guān)決策為：

(3)

當(dāng)本地分類器k做出決策dk，在先前迭代融合規(guī)則中，真實(shí)類是cj時，通過計(jì)算融合中心做出決策u0的一小部分時間，由訓(xùn)練數(shù)據(jù)計(jì)算P(u0|uk=dk,cj)。

3 多分類器動態(tài)融合

動態(tài)融合用在動態(tài)多故障診斷(Dynamic multiple fault diagnosis, DMFD)問題域，其目標(biāo)是根據(jù)隨著時間變化所觀察到的測試分類結(jié)果(包括在油料裝備系統(tǒng)中一組可能出現(xiàn)的故障狀態(tài)和在各時間段所觀察到的一組二元分類結(jié)果)，隔離多個故障。動態(tài)融合過程隨著時間推移來計(jì)算最有可能優(yōu)化序列，其實(shí)質(zhì)即是在階乘隱Markov模型(Hidden Markov model, HMM)中尋找最大后驗(yàn)概率配置[7]，如圖3所示。

圖3 基于階乘HMM的動態(tài)融合處理

故障狀態(tài)獨(dú)立演變，組件狀態(tài)之間不存在直接聯(lián)系。每個分類器結(jié)果提供關(guān)于故障狀態(tài)的一個子集信息。通過分類器結(jié)果聯(lián)結(jié)組件狀態(tài)。在各采樣時間段，分類器結(jié)果的一個子集是可用的。在這個意義上，分類器并不完善。某些分類器結(jié)果失效，分類器存在與其相關(guān)的誤檢測和誤報(bào)警概率。

假設(shè)已知初始狀態(tài)的概率分布。在各時間段的觀測值是分類器的二元結(jié)果子集O={O1,O2,…,OL}，即On(t)∈{pass,fail}={0,1}。設(shè)已通過的分類器結(jié)果集為Op，失效的分類器結(jié)果集為Of。用si(t)表示在離散時序t，第i個HMM的隱蔽系統(tǒng)故障狀態(tài)。每個故障狀態(tài)si(t)被建模為一個兩狀態(tài)的HMM。在此，組件和分類器的真實(shí)狀態(tài)被隱蔽。

用L將錯誤更正碼(Error-correcting code,ECC)矩陣ECC=[emn]定義為規(guī)模為C的診斷矩陣(D-矩陣)，它表示故障源和分類器之間的全階依賴。對于每個組件狀態(tài)，即對于時刻t的組件si，A= {Pai(t),Pvi(t)}表示一組故障出現(xiàn)概率Pai(t)和故障消失概率Pvi(t)，分別被定義為Pai(t)=P(si(t)=1|si(t-1)=0)和Pvi(t)=P(si(t)=0|si(t-1)=1)。對于靜態(tài)類，Pai(t)=Pvi(t)=0。當(dāng)這些概率為非零時，HMM提供處理間歇性故障的能力。在此，D={d1,d2,…,dL}是L個可用二元分類器的有限集，對應(yīng)于ECC矩陣的L列，用于確定系統(tǒng)完整性。參數(shù)集P={Pdn,Pfn}表示與每個分類器n相關(guān)的一對檢測和誤報(bào)警概率：

Pdn=P(On(t)=1|dn(t)=1)

Pfn=P(On(t) =1|dn(t)=0)

(4)

(5)

采用基于Lagrangian松弛和Viterbi解碼的近最優(yōu)多項(xiàng)式時間算法求解之。動態(tài)融合算法作為多故障診斷算法，存在分類失誤與虛假故障失誤的可能，采用以下指標(biāo)對其性能進(jìn)行評估。

對所有時刻，失誤分類率為：

(6)

平均失誤分類率為：

(7)

虛假故障分類率FC是當(dāng)時刻t處于故障狀態(tài)時，由算法錯誤診斷的故障狀態(tài)百分比為：

(8)

平均虛假故障分類率為：

(9)

在單一故障假設(shè)下，以較高失誤分類率MC為代價來使虛假故障分類率FC等于零。

4 結(jié) 論

本文從油料裝備運(yùn)行狀態(tài)檢測、故障分析與診斷等方面，研究了油料裝備故障檢測數(shù)據(jù)融合問題：(1)應(yīng)用ANNs實(shí)現(xiàn)油料裝備狀態(tài)檢測數(shù)據(jù)融合，采用三步訓(xùn)練法用于傳感器驗(yàn)證。(2)在故障診斷數(shù)據(jù)融合過程中，使用MPLS技術(shù)壓縮數(shù)據(jù)，將模式識別技術(shù)和多元統(tǒng)計(jì)方法作為故障隔離的單個分類器。使用后驗(yàn)概率，進(jìn)行特定類Bayesian融合，實(shí)現(xiàn)融合中心與單個分類器的聯(lián)合優(yōu)化，做出故障隔離決策，進(jìn)行參數(shù)優(yōu)化。(3)將動態(tài)多故障診斷問題域建模為階乘隱Markov模型，通過尋找最大后驗(yàn)配置，實(shí)現(xiàn)多分類器動態(tài)融合。應(yīng)用結(jié)果表明，故障檢測數(shù)據(jù)融合降低了油料裝備故障整體診斷誤差，對于提高診斷性能，強(qiáng)化油料裝備保障效能具有重要作用。

[1] 周慶忠，曾慧娥.油料裝備維修管理信息化研究[J].中國管理信息化,2010(15):70-71.

[2] 曾慧娥，周慶忠.油料裝備智能維修仿真平臺研究[J].計(jì)算機(jī)仿真,2010,27(5):149-152.

[3] 周慶忠.油料裝備勤務(wù)[M].北京:解放軍出版社，2010.

[4] Ghate V N,Dudul S V.Cascade Neural-Network-Based Fault Classifier for Three-Phase Induction Motor [J].IEEE Trans.Industrial Electronics,2011,58(5):1555-1563.

[5] Ruta D,Gabrys B.An Overview of Classifier Fusion Methods [J].Comput.Inf.Syst.,2000,7(1):1-10.

[6] Stiller C,Puente Leon F,Kruse M.Information Fusion for Automotive Applications [J].Information Fusion，2011,12(4):244-252.

[7] Dhople S V,Dominguez-Garcia A D.A Parametric Uncertainty Analysis Method for Markov Reliability and Reward Models [J].IEEE Trans.Reliability，2012，61(3):634-648.