基于PSO-KPCA-LVQ的燃氣調壓器故障診斷

王瑩　王亞慧　安允

摘 ?要： 針對燃氣調壓器故障數據的非線性、非平穩與高維度的特點，提出基于粒子群優化（PSO）的核主元分析法（KPCA）與學習向量量化神經網絡（LVQ）的故障診斷方法。先采用KPCA對故障數據進行降維和降噪，由于核函數中未知參數難以確定，采用粒子群算法（PSO） 進行優化得到最優的核參數;然后采用LVQ對數據進行識別分類;最后，將PSO?KPCA?LVQ算法故障診斷正確率及運行時間分別與PSO?KPCA?SVM算法以及LVQ算法進行比較。結果表明，基于PSO?KPCA?LVQ的故障診斷模型優于其他兩種算法，驗證了該文算法的有效性。

關鍵詞： 燃氣調壓器; 故障診斷; 數據處理; 核參數優化; 數據分類; 算法比較

中圖分類號： TN131?34 ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文獻標識碼： A ? ? ? ? ? ? ? ? ? ? ?文章編號： 1004?373X（2020）24?0067?05

Gas pressure regulator fault diagnosis of based on PSO?KPCA?LVQ

WANG Ying， WANG Yahui， AN Yun

（Beijing University of Civil Engineering and Architecture， Beijing 100044， China）

Abstract： In allusion to the characteristics of nonlinear， non?stationary and high?dimensional fault data of gas pressure regulator， a fault diagnosis method based on particle swarm optimization （PSO）?kernel principal component analysis （KPCA）?learning vector quantization （LVQ） neural network is proposed. The KPCA is used for the dimension reduction and noise reduction of fault data. As unknown parameters in kernel function are difficult to determine， the PSO is adopted to optimize and obtain the optimal kernel parameters. The LVQ is used to identify and classify the data. The fault diagnosis accuracy and running time of PSO?KPCA?LVQ algorithm are compared with PSO?KPCA?SVM algorithm and LVQ algorithm， respectively. The results show that the fault diagnosis model based on PSO?KPCA?LVQ is better than the other two algorithms， which verifies the effectiveness of the algorithm.

Keywords： gas pressure regulator; fault diagnosis; data process; kernel parameter optimization; data classification; algorithm comparison

0 ?引 ?言

隨著人工智能技術的發展，基于證據理論[1] 、 壓縮感知[2]、模糊聚類[3]等理論與技術普遍應用于故障診斷領域。然而很多智能方法在故障診斷過程中會出現一些不足之處?；贒?S證據理論可以融合多種數據和知識來提高確定性，但是當證據之間存在矛盾時，得到的結果可能違背常理;壓縮感知降低了對采樣帶寬的要求，而且無須另辟空間來存儲采樣數據，但是要求輸入信號滿足稀疏性;模糊聚類雖然直觀、簡明，但是樣本數目過多時，要獲得聚類結論有一定困難。因此，在原有技術的基礎上，研究和改進故障診斷方法的正確率，提高故障分類的效率，才能保證機械設備能夠正常進行生產活動。

1 ?學習向量量化神經網絡

LVQ （Learning Vector Quantization）雖然是一種有監督訓練方法，但采用無監督的方法，在處理數據集時是把相同屬性的數據進行聚類，從而允許獲得聚類中心。LVQ網絡由輸入層與輸出層（也稱競爭層）組成。當LVQ獲得輸入數據時，競爭層的神經元會遵循“勝者為王”原則來產生獲得勝利的神經元，輸出為1，其余競爭失敗的神經元則輸出為0。那么，得到1的輸出神經元將與輸入劃分為同一類型，不同的輸出神經元代表不一樣的類型，以達到輸出樣本分類識別的目的[4]。LVQ基本結構如圖1所示。

由圖1可知，網絡的連接權為{[ωij]}，i=1，2，…，N，j=1，2，…，M，約束條件為：

[i=1Nωij=1] ? （1）

網絡的T個二值輸入學習模式為Pk=[pk1，pk2，…，pkN]，與其對應的競爭層輸出模式為Ak=[ak1，ak2，…，akN]，k=1，2，…，T。

2.3 ?PSO?KPCA

粒子群的每次更新對應著粒子適應度的更新，以及粒子群全局最優和粒子最優的更新，個體最優和全局最優又作用于粒子群的更新。當迭代完成時，得到最優的適應度值及對應的粒子。粒子群優化核函數參數的流程如圖2所示。

解碼得到最優的核函數參數，然后重新計算核函數矩陣，得到新的特征值與特征向量[9]。設前j個主成分的累計貢獻率為[ηj]，前j個特征值特征向量矩陣為[V2=v1，v2，…，vj] ，則前j個主成分為[Y2=y1，y2，…，yj=VT2X]。

3 ?基于PSO?KPCA?LVQ的故障診斷模型的建立

3.1 ?基本思路

LVQ網絡本身假定各個維度的對應屬性在分類過程中重要度相同，而在進行燃氣調壓器故障診斷過程中，為避免冗余數據影響LVQ網絡分類精度，采用KPCA先對故障數據進行預處理，簡化數據矩陣信息，從而實現提高數據分類精度目的。KPCA核參數又需要PSO來進行參數優化。基本流程為先通過PSO?KPCA除去冗余信息，降低故障數據維數。將得到的主成分作為LVQ網絡的學習樣本。然后，將新的學習樣本作為LVQ神經網絡的輸入層，進一步構建LVQ網絡的預測模型[10]。

本文中共將3種故障作為被診斷的原型故障，包括用氣高峰壓力低、喘振故障、關閉壓力高。考慮到正常狀態作為一種診斷類型，則共有4種狀態，即喘振故障、用氣高峰壓力低、正常狀態和關閉壓力高狀態，對應的標簽分別為F1，F2，F3，F4?，F從燃氣集團采集的調壓器出口壓力故障數據中隨機選取40組進行仿真測試。表1為燃氣調壓器的每類運行狀態的一組樣本。

3.2 ?仿 ?真

首先將未進行處理的燃氣調壓器狀態數據輸入到LVQ中，運行后得到LVQ網絡的訓練過程曲線如圖3所示。圖4為LVQ網絡故障診斷結果，可看出LVQ的故障診斷模型識別率達80%。

表2為KPCA分解后，原數據各主成分的具體值以及累計貢獻率。貢獻率指每一維數據對區分整個數據的貢獻。輸入特征太多使得數據仍存在過多冗余信息導致計算時間過長，而輸入特征太少會導致故障檢測率大幅下降。因此，需要綜合考慮系統速度和檢測速度來確定合理的降維。而本文選取貢獻值大于85%的主元個數。根據表2選擇22維度。

在試驗中，盡管每次迭代次數都不相同，但通過多次試驗可以發現，如圖5所示，PSO?KPCA?LVQ模型的運行迭代次數大概在18次。由圖6可知，識別正確的樣本個數為14個，PSO?KPCA?LVQ故障診斷模型識別率達87.5%。

SVM與LVQ同為小樣本分類算法。本文將PSO?KPCA?LVQ與PSO?KPCA?SVM算法進行對比研究，將PCA處理后的數據輸入到SVM神經網絡里面，運行后得到結果如圖7、圖8所示。

由圖7可知，在迭代次數為16時，達到最優。由圖8可知，有13個樣本分類正確，可看出PSO?KPCA?SVM的故障診斷模型識別率達81.25%。

3.3 ?PSO?KPCA?LVQ與PSO?KPCA?SVM對比

對比上面3個模型的訓練結果后發現PSO?KPCA?SVM與PSO?KPCA?LVQ模型的訓練時間和訓練步長都大大縮短，證明了優化后的KPCA具有很好的非線性逼近能力[11]。數據通過處理后再用LVQ進行識別，分類精度明顯提高。LVQ網絡與PSO?KPCA?SVM網絡及PSO?KPCA?LVQ網絡訓練結果的信息對比如表3所示。從表3可看出，對于燃氣調壓器故障數據樣本，PSO?KPCA?LVQ模型故障識別率明顯高于PSO?KPCA?SVM，這也說明了LVQ模型用在燃氣調壓器故障診斷方面具有很大的優越性。

4 ?結語

對燃氣調壓器的故障數據進行故障特征提取，本文提取288維數據。而在進行燃氣調壓器故障診斷過程中，為避免冗余數據影響神經網絡分類精度，采用核主元分析法先對采集得到的數據進行初步處理，采用粒子群算法對核參數進行尋優，最終得到 22 個能反映原本數據的特征量。最后將其分別代入 LVQ 模型和SVM模型中。試驗結果表明，核主元分析法降低了數據維度，有效提取出數據中的重要信息，提高了識別的效率; 在故障診斷方面，粒子群優化核主元分析法與LVQ神經網絡相比粒子群優化核主元分析法與 SVM故障診斷模型具有更高的可靠性。

參考文獻

[1] 王秀玉.基于壓縮感知和機器學習的滾動軸承故障診斷方法研究[D].北京：北京工業大學，2018.

[2] 程加堂，艾莉，段志梅.改進證據理論與神經網絡集成的變壓器故障診斷[J].電力系統保護與控制，2013（14）：92?96.

[3] 陳東寧，張運東，姚成玉，等.基于FVMD多尺度排列熵和GK模糊聚類的故障診斷[J].機械工程學報，2018（14）：16?27.

[4] 趙晶晶，葛慶平，張存林.LVQ聚類算法在爆炸物THz光譜識別中的應用[J].計算機工程與應用，2009，45（18）：239?241.

[5] 趙云鳳.建筑電氣故障診斷方法研究[D].北京：北京建筑大學，2017.

[6] 鄭波，朱新宇.基于LVQ神經網絡模型的飛機故障分類診斷[J].中國民航飛行學院學報，2009，20（4）：3?5.

[7] ARNITA， SINAGA M S， ELMANANI. Classification and diagnosis of diabetic with neural network algorithm learning vector quantizatin （LVQ） [J]. Journal of physics： conference series， 2019（1）： 012091.

[8] 馬云龍.基于主成分分析的RBF神經網絡預測算法及其應用[D].長春：吉林大學，2015.

[9] 許東陽，任永泰，王如意，等.基于PSO?PPE模型的黑龍江省水資源生態安全探析[J].中國環境監測，2019（4）：1?6.

[10] 李嘉琳，何巍華，曲永志.PSO優化深度神經網絡診斷齒輪早期點蝕故障[J].東北大學學報（自然科學版），2019，40（7）：974?979.

[11] PATRICIA Melin， JONATHAN Amezcua， FEVRIER Valdez， et al. A new neural network model based on the LVQ algorithm for multi?class classification of arrhythmias [J]. Information science， 2014， 279： 483?497.

[12] 陳芳文.燃氣設備故障智能診斷系統應用研究[D].北京：北京建筑大學，2016.

[13] 彭紅星，潘梨莉，趙鴻圖.一種改進的KPCA傳感器故障識別方法及其應用[J].儀表技術與傳感器，2016（6）：92?94.

[14] 郭小康，簡濤，董云龍.基于PSO?KPCA?LVQ神經網絡的雷達一維距離像識別[J].電光與控制，2019，26（6）：22?26.

[15] LI Chuan， SANCHEZ René?Vinicio， ZURITA Grover， et al. Gearbox fault diagnosis based on deep random forest fusion of acoustic and vibratory signals [J]. Mechanical system signal process， 2016（1）： 283?293.

[16] YIN Yue， JIANG Hanjun， FENG Shulin， et al. Bowel sound recognition using SVM classification in a wearable health monitoring system [J]. Science China information sciences， 2018， 61（8）： 1?3.

[17] 洪翌.基于定子電流的雙饋風電機組不對中故障診斷[D].北京：北京交通大學，2018.

作者簡介：王 ?瑩（1995—），女，山東人，碩士研究生，研究方向為燃氣調壓器故障診斷。

王亞慧（1962—），男，北京人，教授，研究方向為燃氣調壓器故障診斷及建模、機器人、數據庫。

安 ?允（1993—），女，河北人，碩士，研究方向為燃氣調壓器故障診斷。