基于CSSA-F-SVM模型的礦用卡車發(fā)動機智能故障診斷

顧清華，王培培，李學(xué)現(xiàn)，姜秉佼

(1.西安建筑科技大學(xué) 管理學(xué)院，西安 710055； 2. 西安建筑科技大學(xué) 礦山系統(tǒng)工程研究所，西安 710055； 3. 西安建筑科技大學(xué) 資源工程學(xué)院，西安 710055)

隨著“智慧礦山”建設(shè)的推進，礦山機械設(shè)備運行數(shù)據(jù)監(jiān)測能力得到了較大的提升，但大多現(xiàn)有的礦山機械設(shè)備監(jiān)測監(jiān)控系統(tǒng)停留在傳感數(shù)據(jù)可視化顯示和簡單閾值分析(信號值超標(biāo)、超限)層面，能夠?qū)C械設(shè)備的運行過程進行監(jiān)測，但無法識別設(shè)備關(guān)鍵部位的早期故障[1]。礦山惡劣的作業(yè)環(huán)境導(dǎo)致礦用卡車的維修任務(wù)占到總維修任務(wù)的一半以上，其中發(fā)動機故障大約占卡車故障的50%[2]。能夠根據(jù)礦卡發(fā)動機的監(jiān)測數(shù)據(jù)對計劃維修外的卡車發(fā)動機故障進行提前診斷對礦山生產(chǎn)具有重大意義。然而，由于發(fā)動機故障維修記錄不夠完善，實際可以獲取的有效故障數(shù)據(jù)極少，能夠在小樣本故障數(shù)據(jù)中實現(xiàn)對發(fā)動機的高精度預(yù)測是故障診斷的關(guān)鍵。

隨著智能化的不斷推進，機器學(xué)習(xí)、深度學(xué)習(xí)和數(shù)據(jù)挖掘等技術(shù)逐漸被應(yīng)用到發(fā)動機故障診斷當(dāng)中，如，神經(jīng)網(wǎng)絡(luò)[3]、深度網(wǎng)絡(luò)[4]、隨機森林[5]、支持向量機[6]等。周俊博等[3]針對目前拖拉機柴油機故障診斷中單個神經(jīng)網(wǎng)絡(luò)模型的局限性，提出一種LWD-QPSO-SOMBP神經(jīng)網(wǎng)絡(luò)模型的拖拉機柴油機故障診斷模型；仲國強等[4]為了提高船舶柴油機智能故障診斷的精度，引入深度學(xué)習(xí)方法，提出了一種基于深度置信網(wǎng)絡(luò)的船用柴油機智能故障診斷方法；魏東海等[5]針對單一分類器的柴油機常見故障診斷識別效果不理想的問題，探索了一種隨機森林分類器用于柴油發(fā)動機的故障診斷。然而神經(jīng)網(wǎng)絡(luò)由于具有較多的網(wǎng)絡(luò)參數(shù)，更適用于大樣本數(shù)據(jù)集，在樣本數(shù)量有限的情況下，神經(jīng)網(wǎng)絡(luò)算法往往表現(xiàn)出較差的泛化能力；基于深度理論的故障診斷方法對大規(guī)模的復(fù)雜數(shù)據(jù)往往會有更準(zhǔn)確的識別效果，對復(fù)雜設(shè)備的故障診斷有天然優(yōu)勢[7]，但往往訓(xùn)練速度較低，導(dǎo)致預(yù)測效率不高；隨機森林算法受決策樹數(shù)量的影響，對噪聲較大的數(shù)據(jù)集容易陷入過擬合，會導(dǎo)致預(yù)測效果不佳。相較于以上方法，支持向量機有參數(shù)少、模型簡單等特點，且泛化能力優(yōu)秀，能夠在有限的樣本中找到盡可能多的信息，適用于小樣本數(shù)據(jù)的學(xué)習(xí)，符合礦用卡車發(fā)動機實際故障數(shù)據(jù)不足的特點。2018年，WU 等[8]提出了一種基于凸半徑邊緣的F-SVM模型，通過結(jié)合主成分分析，將特征變換和SVM分類器的聯(lián)合學(xué)習(xí)，實現(xiàn)了數(shù)據(jù)與分類器的契合，故本文選擇F-SVM作為故障診斷的主體模型。然而，對于多分類問題，支持向量機的優(yōu)劣一定程度上取決于本身懲罰因子C和核參數(shù)g的選擇，這些參數(shù)的選取會影響識別準(zhǔn)確率和效率[9]，F(xiàn)-SVM模型也面臨同樣的問題。許多學(xué)者的研究已經(jīng)證明，借助群智能算法對支持向量機模型的參數(shù)進行優(yōu)化，可以顯著提高其分類精度，在設(shè)備故障診斷領(lǐng)域有了很好的應(yīng)用。文獻[10-12]分別選用PSO、WOA、GA算法對SVM的參數(shù)進行尋優(yōu)，均在故障診斷精度上取得了一定的提升。文獻[13]提出了借助果蠅算法對F-SVM進行參數(shù)尋優(yōu)的方法。然而上述算法在全局搜索能力、收斂速度上存在不足，有陷入局部最優(yōu)的可能，影響診斷模型的精度。麻雀搜索算法(Sparrow Search Algorithm，SSA)[14]具有搜索精度高、收斂速度快、尋優(yōu)能力強的突出特點，與其他群智能算法相比表現(xiàn)出極強的優(yōu)勢，目前已經(jīng)應(yīng)用于各種分類器的參數(shù)優(yōu)化上；曹偉嘉等[15]利用改進后的麻雀算法(JYBack-SSA)優(yōu)化隨機森林，建立了變壓器的故障診斷模型；單亞峰等[16]提出利用麻雀算法對AdaBoost-SVM模型進行優(yōu)化，尋找最優(yōu)的弱分類器權(quán)重和SVM參數(shù)；李黃曼等[17]通過改進麻雀算法優(yōu)化SVM，建立基于DGA的ISSA-SVM故障診斷模型。以上參數(shù)優(yōu)化方法均提高了原始模型的預(yù)測精度，可見，麻雀算法在參數(shù)優(yōu)化方面已經(jīng)取得了很大的成功。

針對礦用卡車發(fā)動機故障數(shù)據(jù)不足而導(dǎo)致診斷精度不高的問題，本文提出了一種基于改進麻雀搜索算法優(yōu)化F-SVM的礦用卡車發(fā)動機故障診斷模型。通過引入鏈?zhǔn)剿阉鞑呗?，對麻雀算法進行改進，優(yōu)化了麻雀發(fā)現(xiàn)者和加入者的位置更新過程，提高了原麻雀算法的收斂速度和全局尋優(yōu)能力。借助改進后的麻雀算法對F-SVM聯(lián)合模型尋優(yōu)，構(gòu)建了CSSA-F-SVM故障診斷模型，通過尋找最合適的懲罰因子和核參數(shù)來平衡診斷模型的訓(xùn)練精度和泛化能力，降低了由于樣本數(shù)據(jù)過少產(chǎn)生過擬合現(xiàn)象的可能。將本文模型與原始SVM和用傳統(tǒng)SSA、PSO、FOA、EHO算法分別優(yōu)化SVM和F-SVM的診斷模型對比，實驗結(jié)果驗證了所提方法應(yīng)用于診斷小樣本故障數(shù)據(jù)時的可行性和高精度。

1 改進麻雀算法優(yōu)化F-SVM的礦卡發(fā)動機故障診斷模型

基于凸半徑邊緣的SVM模型，即F-SVM，在提高分類精度的同時也實現(xiàn)了將數(shù)據(jù)的特征提取與SVM相結(jié)合。F-SVM模型如下：

st.yi(ωTfi+b)≥1-ξi,

ξi≥0,i=1,…,n

M>0

(1)

對于F-SVM模型而言，懲罰因子C和核參數(shù)g的選擇在一定程度上決定著F-SVM的分類性能和泛化能力，因此選取最合適的參數(shù)組合將會極大提高分類精度。本文借助麻雀搜索算法進行參數(shù)組合的尋優(yōu)，并為提高其尋優(yōu)能力對算法進行改進。

1.1 麻雀搜索算法改進過程

標(biāo)準(zhǔn)的麻雀搜索算法具有設(shè)置參數(shù)少、尋優(yōu)能力強等特點，但仍存在種群迭代后期多樣性降低、容易陷入局部最優(yōu)值等不足。本文針對種群中發(fā)現(xiàn)者和加入者的位置更新進行改進，引入鏈?zhǔn)剿阉鞑呗砸詤f(xié)調(diào)發(fā)現(xiàn)者的局部搜索和全局搜索的能力，遵循位置最優(yōu)原則對加入者的位置更新公式進行改進以提高加入者的收斂性能。

1)引入鏈?zhǔn)剿阉鞑呗?/p>

在傳統(tǒng)麻雀算法中，當(dāng)R2

(2)

式中：Xj1為領(lǐng)導(dǎo)者在第j維空間的位置，F(xiàn)j為食物在第j維的位置，ub和1b分別是對應(yīng)的上界和下界。c2和c3均為[0，1]之間的隨機數(shù)，用來增強Xj1的隨機性，可以起到提高鏈群的全局搜索和個體多樣性；c1是算法中的收斂因子，由2遞減到0，用于平衡全局搜索和局部開發(fā)能力。

(3)

式中：l是當(dāng)前迭代次數(shù)，L是最大迭代次數(shù)。

借鑒鏈?zhǔn)剿阉鞯乃枷耄瑢⒙槿杆惴ㄖ邪l(fā)現(xiàn)者的位置更新改進如下：

(4)

式中：(ub-1b)c2+1b可以協(xié)調(diào)麻雀的全局搜索能力，但直接引入將會導(dǎo)致搜索范圍過大，降低發(fā)現(xiàn)者的搜索精度和效率，因此需相應(yīng)增加麻雀向零點靠近的速度，以平衡搜索范圍過大的風(fēng)險。改進后的收斂因子c*表達式如下：

(5)

當(dāng)周圍環(huán)境安全時，改進后的發(fā)現(xiàn)者既能帶領(lǐng)加入者以鏈?zhǔn)降姆绞綇V泛搜索食物，又能實現(xiàn)以更高的搜索效率尋找食物，從而協(xié)調(diào)了算法的全局搜索和局部搜索的能力。

2)加入者位置更新策略

加入者位置更新策略如下：

(6)

式中：Xbest表示當(dāng)前全局最優(yōu)的位置。當(dāng)i>n/2 時，表明第i個加入者適應(yīng)度較低，為獲得更多的能量，需要飛往其它地方覓食，且此時的位置距當(dāng)前全局最差的位置更近，距離當(dāng)前全局最優(yōu)的位置更遠?；诖?，當(dāng)加入者進行隨機搜索時，遵循位置最優(yōu)的原則，改進后的加入者會以更快的收斂速度進行位置更新。

在基于改進麻雀搜索算法的參數(shù)優(yōu)化過程中，利用F-SVM分類器的分類精度構(gòu)建合適的適應(yīng)度函數(shù)，指導(dǎo)麻雀位置的更新，并通過麻雀種群個體位置的不斷迭代來尋找最優(yōu)的參數(shù)C、g。

1.2 基于參數(shù)優(yōu)化的F-SVM礦用卡車發(fā)動機故障診斷過程

本文基于改進的麻雀算法CSSA和F-SVM，建立礦用卡車發(fā)動機故障診斷模型，CSSA-F-SVM模型結(jié)合了半徑信息和參數(shù)優(yōu)化。如圖1所示，整個診斷模型可分為兩部分：參數(shù)優(yōu)化部分和模型訓(xùn)練及診斷部分。參數(shù)優(yōu)化部分主要是使用分類器精度構(gòu)造適應(yīng)度函數(shù)來指導(dǎo)麻雀位置的更新，并通過位置的不斷迭代來尋找最合適的參數(shù)；模型訓(xùn)練及診斷部分是利用參數(shù)優(yōu)化部分得到的最優(yōu)懲罰因子和核參數(shù)建立F-SVM分類器，通過該分類器在測試集上得到最終的分類結(jié)果。診斷模型具體步驟如下：

Step 1：采集礦用卡車發(fā)動機故障數(shù)據(jù)，進行歸一化處理，并將其劃分為訓(xùn)練集和測試集；

Step 2：種群初始化，設(shè)置CSSA算法的種群規(guī)模、最大迭代次數(shù)和初始參數(shù)；

Step 3：初始化M矩陣并將數(shù)據(jù)集放入特征空間L中；

Step 4：利用SVM平均交叉驗證分類精度計算適應(yīng)度值，進行迭代尋優(yōu)，按照式(4)、(6)分別對發(fā)現(xiàn)者、加入者進行位置更新；

Step 5：重新計算每個個體的適應(yīng)度值并進行排序；

Step 6：重復(fù)Step 4和Step 5，直至達到最大迭代次數(shù)，輸出適應(yīng)度值最好的麻雀位置，

確定最優(yōu)參數(shù)C、g，利用最優(yōu)參數(shù)建立故障診斷模型，使用十倍交叉驗證的方法進行訓(xùn)練。

Step 7：根據(jù)訓(xùn)練結(jié)果對測試集進行預(yù)測，為保證預(yù)測結(jié)果的可靠性，對測試集進行K=5次預(yù)測，輸出故障診斷結(jié)果，并計算平均預(yù)測精度。

故障診斷流程圖如圖1：

圖1 基于CSSA-F-SVM的礦用卡車發(fā)動機故障診斷流程圖Fig.1 Flow chart of fault diagnosis of mining truck engine based on CSSA-F-SVM

2 仿真分析與實驗驗證

本文以濰柴WP12G460E310發(fā)動機為研究對象，借助濰柴智多星路譜監(jiān)測裝置采集了河南某露天礦自卸卡車發(fā)動機的210組21維故障數(shù)據(jù)，來測試CSSA-F-SVM的性能。由于礦山作業(yè)環(huán)境的特殊性，礦用卡車發(fā)動機的故障類型主要為濾芯及管道堵塞等故障。本文采集了八種故障類型數(shù)據(jù)，分別為正常、進氣管堵塞、增壓器故障、空濾堵塞、中冷器配套故障、燃濾堵塞、中冷器內(nèi)部堵塞。將所有數(shù)據(jù)分為訓(xùn)練集170組和測試集40組，并對訓(xùn)練集采用10倍交叉驗證的方法進行訓(xùn)練，部分實驗數(shù)據(jù)見表1，實驗數(shù)據(jù)分類情況及狀態(tài)編號見表2。

表1 濰柴發(fā)動機WP12G460E310的部分故障數(shù)據(jù)Table 1 Partial fault data of Weichai engine WP12G460E310

表2 數(shù)據(jù)集分類情況Table 2 Classification of datasets

2.1 不同算法優(yōu)化SVM性能對比

對訓(xùn)練集進行數(shù)據(jù)歸一化及降維，利用改進麻雀搜索算法(Convergent Sparrow Search Algorithm，CSSA)、麻雀搜索算法(Sparrow Search Algorithm，SSA)、粒子群優(yōu)化算法(Particle Swarm Optimization，PSO)、象群優(yōu)化算法(Elephant Herding Optimization，EHO)、果蠅優(yōu)化算法(Fruit Fly Optimization Algorithm，F(xiàn)OA)對SVM進行參數(shù)優(yōu)化，得到最優(yōu)的C、g值。對測試集進行數(shù)據(jù)歸一化后輸入優(yōu)化后的SVM模型中進行故障診斷，診斷結(jié)果如圖2至圖7所示。

圖2 CSSA-SVM故障診斷結(jié)果(97.5%) Fig.2 Fault diagnosis results of CSSA-SVM (97.5%)

圖3 SSA-SVM故障診斷結(jié)果(95%)Fig.3 Fault diagnosis results of SSA-SVM (95%)

圖5 EHO-SVM故障診斷結(jié)果(72.5%) Fig.5 Fault diagnosis results of EHO-SVM (72.5%)

圖6 SVM故障診斷結(jié)果(77.5%)Fig.6 Fault diagnosis results of SVM (77.5%)

圖7 FOA-SVM故障診斷結(jié)果(85%) Fig.7 Fault diagnosis results of FOA-SVM(85%)

通過對比可知，CSSA-SVM模型對測試集的預(yù)測準(zhǔn)確度達到最高值97.5%，均明顯高于其他算法優(yōu)化的SVM模型，證明了本文改進的麻雀算法良好的參數(shù)尋優(yōu)能力。此外，CSSA-SVM模型提高了對燃濾堵塞故障(類別6)及中冷器內(nèi)部堵塞故障(類別7)與其他故障類型的區(qū)分準(zhǔn)確度，而在增壓器故障(類別3)的診斷上仍存在失誤。

2.2 不同算法優(yōu)化F-SVM性能對比

用CSSA、SSA、PSO、EHO、FOA算法對F-SVM進行參數(shù)優(yōu)化，得到最優(yōu)的C、g值。對測試集進行數(shù)據(jù)歸一化后輸入優(yōu)化后的F-SVM模型中進行故障診斷，不同模型運行5次的平均對比結(jié)果如表3所示。

表3 不同算法優(yōu)化F-SVM故障診斷精確度對比(運行5次)Table 3 Comparison of F-SVM fault diagnosis accuracy optimized by different algorithms(5 runs) /%

從平均訓(xùn)練精度和預(yù)測精確度來看，不同算法優(yōu)化F-SVM模型的診斷精確度整體高于優(yōu)化SVM模型的診斷精度，CSSA-F-SVM模型診斷性能更為突出。其中，CSSA-F-SVM模型分別較PSO-F-SVM、EHO-F-SVM、FOA-F-SVM、SSA-F-SVM模型準(zhǔn)確精度提高了3%、5.25%、2.75%、1.5%。

又從表4中可知，采用CSSA優(yōu)化的F-SVM模型的最高準(zhǔn)確率可達100%，最低為97.5%，平均準(zhǔn)確率99%；而采用F-SVM模型的最高、最低和平均診斷精度分別為97.5%、90%、94.5%。懲罰因子和核參數(shù)均是在一定范圍內(nèi)隨機變化的。證明了本文基于改進麻雀算法優(yōu)化F-SVM的模型針對小樣本發(fā)動機數(shù)據(jù)進行故障診斷的優(yōu)秀性能。

表4 CSSA-F-SVM尋優(yōu)與診斷結(jié)果Table 4 Optimization and diagnosis results of CSSA-F-SVM

由圖8所示，采用本文模型對各個狀態(tài)的診斷正確率均可達100%。對于相同的故障數(shù)據(jù)，其他四種診斷方法對各狀態(tài)下的分類結(jié)果如表5所示。本文所提的方法彌補了對比方法對于發(fā)動機進排氣系統(tǒng)中冷器內(nèi)部堵塞、增壓器故障和中冷器配套故障診斷效果不足的缺陷，在故障數(shù)據(jù)有限的條件下，對各種常見故障類型起到了真正的診斷效果。

圖8 CSSA-F-SVM故障診斷結(jié)果(單次100%)Fig.8 Fault diagnosis results of CSSA-F-SVM (single result 100%)

表5 其他算法優(yōu)化F-SVM模型的正確率Table 5 The correct rate of optimizing the F-SVM model with other algorithms /%

2.3 與其他機器學(xué)習(xí)方法的對比結(jié)果

為了進一步分析本文所提方法在解決礦用卡車發(fā)動機小樣本故障診斷問題上的優(yōu)越性，將本文方法與KNN(K-Nearest Neighbor)、AdaBoost(Adaptive Boosting)、GBDT(Gradient Boosting Decision Tree)傳統(tǒng)的機器學(xué)習(xí)方法做了對比。如圖9所示，在樣本數(shù)量相同的情況下，每種方法取5次運行的平均結(jié)果，本文所提方法的預(yù)測精度明顯高于其他方法。

圖9 與其他機器學(xué)習(xí)方法對比結(jié)果Fig.9 Comparison results with other machine learning methods

3 結(jié)論

本文針對礦卡發(fā)動機實際故障數(shù)據(jù)較少導(dǎo)致診斷精度不足的問題，通過對麻雀算法的改進和對F-SVM方法的研究，提出了基于CSSA-F-SVM模型的礦用卡車發(fā)動機智能故障診斷方法。可得出以下結(jié)論：

1)通過改進后的麻雀算法尋找F-SVM的最優(yōu)參數(shù)C、g，降低了參數(shù)選擇對診斷精度的影響。實驗結(jié)果表明，基于CSSA-F-SVM模型方法的平均診斷準(zhǔn)確率為99%，分別較傳統(tǒng)SVM和F-SVM模型提高了21.5%和4.1%。

2)新CSSA-F-SVM模型方法克服了其他群智能算法優(yōu)化SVM模型對于中冷器內(nèi)部堵塞、增壓器故障等診斷不足的缺點。能夠較好地實現(xiàn)礦用卡車發(fā)動機常見故障的診斷，可為實際應(yīng)用提供一定的參考。