基于RS和SVM的水泥回轉(zhuǎn)窯故障診斷研究

基于RS和SVM的水泥回轉(zhuǎn)窯故障診斷研究

楊怡婷1，歐陽(yáng)名三2

(1.淮南職業(yè)技術(shù)學(xué)院信息與電氣工程系，安徽淮南232001；2.安徽理工大學(xué)電氣與信息工程學(xué)院，安徽淮南232001)

摘要：將粗糙集和支持向量機(jī)兩種理論相結(jié)合應(yīng)用于水泥回轉(zhuǎn)窯的小樣本故障診斷。首先介紹了粗糙集(RS)理論和支持向量機(jī)(SVM)理論的基本理論知識(shí)，然后將RS理論應(yīng)用于水泥回轉(zhuǎn)窯故障信息的知識(shí)約簡(jiǎn)，再利用SVM理論對(duì)RS理論約簡(jiǎn)后的數(shù)據(jù)進(jìn)行訓(xùn)練和分類(lèi)。這種融合之后的診斷方法不僅充分發(fā)揮了兩種理論的優(yōu)點(diǎn)，同時(shí)克服了SVM對(duì)冗余信息和有用信息識(shí)別的局限性，有效地降低了SVM的輸入信息空間維數(shù)，彌補(bǔ)了RS理論法對(duì)輸入信息中的噪聲敏感、抗干擾能力差的缺點(diǎn)，有效地提高了診斷的效率和準(zhǔn)確率。

關(guān)鍵詞：小樣本故障診斷；水泥回轉(zhuǎn)窯；粗糙集；支持向量機(jī)

中圖分類(lèi)號(hào)：TP206.3 文獻(xiàn)標(biāo)志碼：A

收稿日期：2014-06-03

基金項(xiàng)目：安徽省優(yōu)秀青年人才基金資助項(xiàng)目(2012SQRL258)

作者簡(jiǎn)介：楊怡婷(1983-)，女，安徽淮南人， 講師，碩士，研究方向：自動(dòng)控制理論和智能算法。

Small Sample Fault Diagnosis of a Cement Rotary kiln

Based on Rough Sets and Support Vector Machine

YANG Yi-ting1，OUYANG Ming-san2

(1. Department of Information and Electrical Engineering, Huainan Vocational and Technical College, Huainan Anhui 232001, China; 2.School of Electrical and Information Engineering, Anhui University of Science and Technology, Huainan Anhui 232001, China)

Abstract:The rough sets and support vector machine (SVM) theory are applied to the small sample fault diagnosis of cement rotary kilns. The basic theory of rough sets (RS) and support vector machine (SVM) was presented. The RS theory was applied to knowledge reduction of cement rotary kiln fault information and the reduced information data were trained and classified by using SVM theory. The combination diagnosis method has advantages of the two theories, and overcomes the limitations of identification of the redundant information and useful information by SVM, effectively reduces the dimensions of input space, and eliminates the deficiency of RS theory method in sensitiveness to noise in the information input, and poor anti-interference ability. The method effectively improves the efficiency and accuracy of diagnosis.

Key words:small sample diagnosis; cement kiln; rough sets; support vector machine

新型干法水泥生產(chǎn)中最重要的設(shè)備是回轉(zhuǎn)窯系統(tǒng)，回轉(zhuǎn)窯的故障一般可以分為生產(chǎn)工藝故障和運(yùn)行設(shè)備故障兩類(lèi)，其中工藝故障是指在水泥生產(chǎn)過(guò)程中由于工藝的問(wèn)題，導(dǎo)致許多工藝參數(shù)偏離正常幅值而引發(fā)的故障；設(shè)備故障是指設(shè)備的機(jī)械、電氣等方面的原因造成的故障。這兩種故障相比較，工藝故障的種類(lèi)多而復(fù)雜，要將全部的工藝參數(shù)進(jìn)行分析較為困難，可以選取部分主要工藝參數(shù)及次要工藝參數(shù)對(duì)其故障進(jìn)行診斷。

粗糙集(Rough Sets，RS)理論是一種新的處理模糊和不確定性知識(shí)的數(shù)學(xué)工具。它不需要原始數(shù)據(jù)的任何初始或附加信息，其主要思想就是在保持分類(lèi)能力不變的前提下，通過(guò)對(duì)數(shù)據(jù)屬性的約簡(jiǎn)，導(dǎo)出最終決策或分類(lèi)規(guī)則[1]；支持向量機(jī)(Support Vector Machine，SVM)從本質(zhì)上講是一種核方法，在學(xué)習(xí)樣本數(shù)較少的情況下，支持向量機(jī)分類(lèi)方法具有較強(qiáng)的適應(yīng)性、更好的分類(lèi)能力和更高的計(jì)算效率，為設(shè)備故障診斷提供了很好的數(shù)據(jù)實(shí)時(shí)處理的手段。

以水泥回轉(zhuǎn)窯的小樣本故障數(shù)據(jù)為研究對(duì)象，運(yùn)用RS-SVM診斷模型對(duì)回轉(zhuǎn)窯的故障進(jìn)行診斷[2]，并選取同樣的數(shù)據(jù)樣本，與單一的SVM診斷模型對(duì)其診斷的結(jié)果做比較，證實(shí)該方法的優(yōu)點(diǎn)，具有很高的實(shí)時(shí)性、有效性和可靠性。

1粗糙集與支持向量機(jī)的基本理論

1.1粗糙集的基本理論

1.1.1粗糙集的基本定義

定義1給定知識(shí)庫(kù)(近似空間)K=(U，S)，其中U為論域，S表示論域U上的等價(jià)關(guān)系簇，則?X?U和論域U上的一個(gè)等價(jià)關(guān)系R∈IND(K)，定義子集X關(guān)于知識(shí)R的下近似和上近似分別為

U{Y|(?Y∈U/R)∧(Y∩X≠φ)}

集合X的上近似和下近似如圖1所示。

1.1.2屬性約簡(jiǎn)的差別矩陣方法

定義3設(shè)DT=(U，C∪D，V，f )是一個(gè)決策表，其中論域是對(duì)象的一個(gè)非空有限集合U={X1，X2，…，Xn}，|U|=n，則定義

常用下三角或上三角矩陣表示決策表的差別矩陣[4]。這種算法可以在Microsoft Visual FoxPro 6.0下運(yùn)行程序矩陣算法.prg得到約簡(jiǎn)結(jié)果，矩陣算法的程序流程如圖2所示。

1.2支持向量機(jī)的基本理論

支持向量機(jī)是一種較新的統(tǒng)計(jì)學(xué)習(xí)方法，它實(shí)現(xiàn)了結(jié)構(gòu)風(fēng)險(xiǎn)的最小化，是一種實(shí)用的數(shù)據(jù)挖掘方法。其解與樣本數(shù)據(jù)的分布有一定關(guān)系，最終可以得到全局最優(yōu)性的解。

1.2.1支持向量機(jī)的基本原理支持向量機(jī)的分類(lèi)基本思想如圖3所示的最優(yōu)分類(lèi)面，可以看出，這種分類(lèi)方法不僅可以得到不同的兩類(lèi)，并且兩類(lèi)之間的間隔最大。距離最優(yōu)分類(lèi)超平面最近的向量就叫支持向量(Support Vector，SV)。

通過(guò)對(duì)最優(yōu)問(wèn)題的求解最終可以求出支持向量，再結(jié)合相關(guān)參數(shù)，即可得到最終最優(yōu)判別函數(shù)式，也就是SVM。

f(x)=sgn[(w*)Tφ(x)+b*]=

(1)

若將以上函數(shù)式看成一個(gè)神經(jīng)網(wǎng)絡(luò)，也可以得到如圖4所示的支持向量網(wǎng)絡(luò)。

1.2.2SVM診斷模型的設(shè)計(jì)為了使SVM診斷模型更適應(yīng)于小樣本的數(shù)據(jù)信息，且增強(qiáng)其分類(lèi)診斷能力，可以分以下四步來(lái)設(shè)計(jì)診斷模型：首先對(duì)小樣本數(shù)據(jù)信息進(jìn)行預(yù)處理；其次根據(jù)式(1)計(jì)算選擇合適的核函數(shù)；再次進(jìn)行故障分類(lèi)器的構(gòu)造和參數(shù)的選擇；最后，將預(yù)處理之后的數(shù)據(jù)信息應(yīng)用于該模型，最終求出診斷結(jié)果[5]。

1) 樣本的預(yù)處理。利用式(2)對(duì)樣本數(shù)據(jù)進(jìn)行歸一化操作，找出特征信息。

(2)

2) 模型核函數(shù)的選擇。目前常用的核函數(shù)主要有三類(lèi)：多項(xiàng)式核函數(shù)、徑向基核函數(shù)和S形核函數(shù)。本設(shè)計(jì)采用的是徑向基核函數(shù)，其函數(shù)式為

(3)

3) 故障分類(lèi)器的構(gòu)造和參數(shù)的選擇。為了實(shí)現(xiàn)其故障形式的分類(lèi)識(shí)別，需要選擇多分類(lèi)算法來(lái)構(gòu)造支持向量機(jī)多分類(lèi)器[6]。使用一對(duì)余(1-a-r)方法，這種方法有較好的分類(lèi)效果。

2回轉(zhuǎn)窯的故障診斷

2.1故障診斷原理和步驟

采用粗糙集和支持向量機(jī)理論相結(jié)合的方法對(duì)水泥回轉(zhuǎn)窯的小樣本故障數(shù)據(jù)進(jìn)行診斷，其診斷流程如圖5所示。

2.2實(shí)例驗(yàn)證

2.2.1水泥回轉(zhuǎn)窯故障樣本數(shù)據(jù)這里選用36個(gè)水泥回轉(zhuǎn)窯的故障信息樣本(見(jiàn)表1)。決策屬性選取常見(jiàn)的工藝故障和正常狀態(tài)作為分析對(duì)象，分別為窯內(nèi)結(jié)大蛋、窯后結(jié)圈、跑生料、紅窯、篦冷機(jī)“堆雪人”和正常狀態(tài)，對(duì)應(yīng)表1中的工況1、工況2、工況3、工況4、工況5、工況6；條件屬性選取7個(gè)，分別為窯主機(jī)電流、窯尾溫度、窯尾負(fù)壓、窯頭溫度、窯頭負(fù)壓、分解爐出口溫度、窯筒體溫度，用F1、F2、F3、F4、F5、F6、F7來(lái)表示。

表1　水泥回轉(zhuǎn)窯故障信息表

2.2.2粗糙集預(yù)處理利用粗糙集方法對(duì)決策表進(jìn)行預(yù)處理，首先對(duì)信息表離散化處理，然后采用基于屬性差別矩陣的屬性約簡(jiǎn)方法，在MicrosoftVisualFoxPro6.0下運(yùn)行程序：矩陣算法.prg，獲得最優(yōu)的約簡(jiǎn)為{F1，F(xiàn)2，F(xiàn)3，F(xiàn)7}。

2.2.3故障分類(lèi)器的構(gòu)造和樣本的訓(xùn)練 歸一化操作后的故障信息如表2所示，將36組樣本數(shù)據(jù)信息分為2類(lèi)，訓(xùn)練樣本選取其中的24組，測(cè)試樣本選取另12組。

表2　歸一化后的故障信息表

以表2中的24個(gè)樣本數(shù)據(jù)作為訓(xùn)練樣本，所有分類(lèi)器均采用高斯徑向基核函數(shù)，采用1-a-rSVM多類(lèi)分類(lèi)算法。這里要注意的是LIBSVM軟件對(duì)輸入的數(shù)據(jù)有嚴(yán)格的格式要求，所以在進(jìn)行SVM計(jì)算之前要對(duì)樣本數(shù)據(jù)文件進(jìn)行轉(zhuǎn)換，使其符合LIBSVM輸入數(shù)據(jù)的格式要求[7]。1-a-rSVM：將正常狀態(tài)的4個(gè)樣本和其余5種故障的4×5=20個(gè)樣本作為分類(lèi)器的兩類(lèi)輸入，分別標(biāo)識(shí)為+1和-1，對(duì)應(yīng)6種工作狀態(tài)共建立6個(gè)兩類(lèi)分類(lèi)器SVM0、SVM1、SVM2、SVM3、SVM4、SVM5(其中SVMn代表n類(lèi)與余類(lèi)樣本之間建立的兩類(lèi)支持向量機(jī))。1-a-rSVM多故障分類(lèi)器[8]的流程如圖6所示，其中X是測(cè)試樣本。

2.2.4診斷結(jié)果的分析與比較取6種狀態(tài)共計(jì)12個(gè)樣本數(shù)據(jù)進(jìn)行測(cè)試，將測(cè)試樣本輸入到6個(gè)1-a-rSVM分類(lèi)器中。在分類(lèi)測(cè)試中，取參數(shù)C=10,σ=0.2，分類(lèi)結(jié)果如表3所示，該結(jié)果顯示1-a-rSVM的分類(lèi)算法實(shí)現(xiàn)了對(duì)所有測(cè)試樣本的正確分類(lèi)，識(shí)別結(jié)果完全正確。

表3　1-a-r SVM的分類(lèi)結(jié)果

為驗(yàn)證模型在水泥回轉(zhuǎn)窯故障診斷中的有效性，論文選取相同的5個(gè)故障測(cè)試樣本，診斷結(jié)果如表4所示。

表4　故障診斷結(jié)果比較

由表4可見(jiàn)，診斷結(jié)果也全部正確，說(shuō)明了此融合方法的可行性與有效性。為了論證此融合方法的效果，將這36組小樣本故障數(shù)據(jù)在相同的條件下，分別采用單一的支持向量機(jī)方法和粗糙集與支持向量機(jī)相結(jié)合的方法進(jìn)行試驗(yàn)比較，得到結(jié)果如表5所示。

表5　實(shí)驗(yàn)結(jié)果比較

由表5的診斷結(jié)果可以明顯看出，在完全相同的外界條件下，從時(shí)間上分析，RS-SVM模型比單一的SVM模型要快一倍，且診斷的正判數(shù)目也較高。因此，RS-SVM的診斷模型更具備高準(zhǔn)確率的特點(diǎn)，更適用于實(shí)時(shí)的故障診斷。

3結(jié)語(yǔ)

本文介紹了粗糙集和支持向量機(jī)兩種理論方法，并將兩種方法融合后應(yīng)用于水泥回轉(zhuǎn)窯的小樣本故障診斷中去。事實(shí)證明，這種RS-SVM診斷模型更具有實(shí)效性。所提出的水泥回轉(zhuǎn)窯故障診斷方法，為回轉(zhuǎn)窯設(shè)備生產(chǎn)企業(yè)、水泥生產(chǎn)企業(yè)和相關(guān)科研院所之間故障診斷知識(shí)共享提供了一個(gè)平臺(tái)，提高實(shí)際的診斷能力，對(duì)生產(chǎn)能發(fā)揮很好的作用。

參考文獻(xiàn)：

[1]李天瑞. 粗糙集理論及應(yīng)用[J].國(guó)際學(xué)術(shù)動(dòng)態(tài)，2013(2)：13-15.

[2]吳立帥，葛玻，宋書(shū)中. 基于粗糙集與支持向量機(jī)的變壓器故障診斷[J].電源技術(shù)，2014(4)：768-770.

[3]王磊，李天瑞. 基于矩陣的粗糙集上下近似的計(jì)算方法[J].模式識(shí)別與人工智能， 2011(6)：756-762.

[4]王平. 基于粗糙集屬性約簡(jiǎn)的分類(lèi)算法研究與應(yīng)用[D].大連：大連理工大學(xué)， 2013：51-56.

[5]趙四軍，王少萍，吳柯銳. 基于粗糙集和支持向量機(jī)的航空液壓泵故障診斷[J].中北大學(xué)學(xué)報(bào)， 2010(3)：238-242.

[6]董曉睿. 基于支持向量機(jī)的多分類(lèi)模型的研究和設(shè)計(jì)[D].南昌：南昌大學(xué)， 2013：30-52.

[7]郎許飛. 基于粗糙集與支持向量機(jī)的異步電動(dòng)機(jī)轉(zhuǎn)子故障診斷的研究[D].黑龍江：東北林業(yè)大學(xué)，2013：44-57.

[8]王金彪，周偉，王澍.基于集成支持向量機(jī)的故障診斷方法研究[J].電光與控制，2012(2)：87-91.

(責(zé)任編輯：何學(xué)華，吳曉紅)