自確認氣動執行器健康狀況評估算法

馮志剛,楊佳琪

(沈陽航空航天大學 自動化學院,沈陽 110000)

執行器是過程工業控制系統中一個極為重要而不可或缺的組成部分,對執行器進行維修維護是保障其性能穩定的重要舉措[1]。近年來,執行器設備的故障預測與健康管理技術越來越受到學術界和工業界的關注,包括基于模型的和基于數據的兩大類,其中,利用數據驅動方法進行健康評估具有靈活性好和不依賴系統模型的優勢,數據驅動方法分析系統的數據集,包括歷史故障數據、統計數據和實時數據等,并加以應用算法對數據集進行求解推斷。常用的數據驅動方法有主元分析、人工神經網絡、支持向量機、模糊貝葉斯等[2-6]。基于上述研究成果,本項目組在傳統的三組件式氣動執行器上增加流量傳感器、閥前壓力傳感器、閥后壓力傳感器和溫度傳感器,搭建一種自確認氣動執行器結構模型[7]。由于氣動執行器的某些故障為突發性故障,人工無法及時采取措施帶來財產和人員上的損失[8],過度維護和不及時維修都會對執行機構造成不可逆的損壞。因而,一種直觀量化自確認氣動執行器性能變化的評估結果是必要的。基于此,本文嘗試應用基于數據驅動的方法實現對自確認氣動執行器健康狀況的評估,該方法主要涉及特征提取、建立健康基準模型和健康狀況可信度計算3個方面,從而實現建立一套比較完整的自確認氣動執行器系統的健康狀況評價體系。

1 自確認氣動執行器系統結構

自確認氣動執行器結構如圖1所示[9],由氣動執行機構、調節閥和自確認單元組成,自確認單元接收工業自動化系統中的控制信號,依據采集的閥桿位置、流量、閥門前后的壓力信號得到確認的定位器輸出,通過氣動執行機構實現對調節閥的控制,進而實現對介質流量的控制。

圖1 自確認氣動執行器結構圖

本文以氣動執行器在盧布林糖廠的工業集成控制系統中的實際應用為背景,基于DAMADICS平臺和DABLib模型,建立如圖2所示的模型,其中輸入信號:閥位指令、閥前壓力、閥后壓力和介質溫度,輸出信號:閥桿位移和流量。

DABLib是波蘭華沙工業大學開發的基于MATLAB-SIMULINK的執行器模型庫,該模型庫在搭建的過程中充分了解了實際生產作業中氣動執行器的結構特性,包括流體動力特性和熱力學特性等等。通過不斷的采集大量的實際數據進行分析驗證,以保證所建立的仿真模型的真實性,從而能夠有效的模擬出氣動執行器的動作過程及輸入輸出信號,實現氣動執行器19種典型故障模式的仿真[8]。

2 數據獲取

2.1 關聯向量機回歸原理

(1)

p(yn|Xn,W,σ2)=N(f(Xn;W),σ2)

(2)

式中:W=(ω0,ω1,ω2,…,ωn)T為模型的權值向量,K(X,Xn)為核函數,Φ為核映射矩陣。

給定一組新的待測試樣本X*,則對應的預測目標值y*的預測概率模型為

(3)

(4)

(5)

2.2 特征提取

圖3 利用最優核參數建立預測器的回歸結果

(6)

(7)

3 自確認氣動執行器健康狀況評估實現方案

3.1 健康狀況可信度的定義

定義了健康狀況可信度指標(簡稱健康度,health degree,Dh),取值在0～1之間,并根據健康度的量化結果,定義的4種健康狀況見表1。為了獲得氣動執行器各測量結構及執行器整體的健康狀態信息,定義了局部健康度和綜合健康度,其計算實現框圖如圖4所示。

表1 健康狀況

圖4 自確認氣動執行器的健康度計算框圖

局部健康度反映著單測量結構在不同時刻點具有的健康狀態,通過對多時序點的殘差特征狀態進行信息融合獲取,即

Dh.Xi=f(Xi-k+1,Xi-k+2,…,Xi)

(8)

Dh.Fi=f(Fi-k+1,Fi-k+2,…,Fi)

(9)

綜合健康度表示自確認氣動執行器整體的健康水平,與某時刻點處所有測量結構的健康程度有關:

Dhi=g(Xi,Fi)

(10)

式中:k表示時刻點序列長度,Xi和Fi分別表示閥桿位置反饋信號和流量信號各時序點輸出殘差特征。

3.2 建立基準模型

升半梯形基準模型為

圖5 隸屬度函數曲線圖

(11)

(12)

3.3 權重分配

3.3.1 不同時刻點的權值分配

(13)

求出判斷矩陣的最大特征根λmax及特征向量αmax,并進行一致性檢驗。此時權值向量w(m)=αmax=[w(m)(1),w(m)(2),…,w(m)(k)],表示不同時刻點單輸出結構健康狀況中的相對重要性。

考慮到氣動執行器自身結構原理以及不同輸出結構之間的關系,本文通過引入灰色關聯算法[16-17],用經過處理的關聯度融合由層次分析法獲得的各輸出結構的權重向量,揭示數據之間更深層次的相關性。由式(14)計算灰色關聯系數:

(14)

關聯度為

(15)

G=VW*

(16)

式中W*=[w(1),w(2),…w(m),…w(M)]T。

3.3.2 不同輸出結構的權值分配

(17)

則第m個測量結構的熵值為

(18)

3.4 健康狀況可信度的計算

通過建立權值模型和基準模型獲得綜合評價值:

B=W×R

(19)

式中B表示4種評價指標集合下的隸屬參數值。

(20)

式中αi、b由線性方程組求得。選取應用廣泛的RBF函數作為核函數:K(B,Bi)=exp(-‖B-Bi‖2/σ2)。

4 自確認氣動執行器健康度評價實例

執行器的不同故障類型數據(考慮了故障發生的不同強度)由DAMADICS故障仿真平臺依據氣動執行器結構以及工作原理,利用DABLib模型生成。利用自確認氣動執行器正常工作數據,建立關聯向量機預測模型并提取殘差特征,利用健康狀況可信度的計算方法對殘差特征集測試樣本進行處理,得到執行機構的局部健康度和綜合健康度。圖6是無故障時的殘差曲線圖,圖7是故障f1時的殘差曲線圖,圖8是故障f2時的殘差曲線圖。

圖6 無故障仿真數據輸出的殘差特征

圖8 故障f2仿真數據輸出的殘差特征

以無故障、故障f1和故障f2為例,給出具體的健康狀況可信度的計算過程。首先利用健康狀況可信度對各時序點輸出殘差特征進行分析,選取時刻點序列長度為k=7,為了保證樣本矩陣的實時更新,不斷剔除第一個時刻點的歷史數據,同時為了不改變序列長度,將下一時刻點處的測試數據補充到樣本矩陣。測試樣本見表2。

表2 測試樣本數據

由式(19)可得4個評價指標集下的隸屬參數B:

最后,由式(20)可得此時自確認氣動執行器的健康狀況可信度Dh:

Dh(BX)=0.895 8,Dh(BF)=0.881 0

當氣動執行器處于無故障狀態時,利用健康狀況可信度方法對各時序點輸出殘差特征分析,可得300 s測試樣本序列的健康度結果,如圖9所示。由于前6次測量無法構成多時刻點序列,所以將其基準模型中獲得的健康隸屬度值直接作為其健康度值。

同理,以第一組樣本數據為例,利用熵值法求得

B=(0.945 7,0.106 3,0.000 2,0)

則Dh(B)=0.983 1。當執行機構發生故障時,為驗證健康狀況可信度方法的有效性,以突發故障f1和漸變性故障f2為例,在150 s時發生故障,通過對各時序點輸出殘差特征進行分析,其綜合健康度結果如圖10所示。

圖10 發生故障時,綜合健康度計算結果

由圖9可知,所有時刻點的健康度值均大于0.7,自確認氣動執行器處于健康狀態。由圖10(a)可知,在150 s時,健康度值小于0.1,處于故障狀態。由圖10(b)可知,當發生漸變性故障時,健康度值逐漸變小。由此可見,在執行機構正常工作的基礎上,當執行器工作異常時,其實驗結果與實驗條件一致,均能如實跟隨執行機構的性能變化,表明此方法可用于計算健康狀況可信度。

5 結 論

針對自確認氣動執行器健康狀況問題,提出了一種定量評價指標——健康狀況可信度,可以直觀地給出執行機構的健康狀態信息。將關聯向量機回歸原理用于獲取殘差特征集,并采用模糊數據融合理論以及灰色關聯算法融合層次分析法和熵值法用于健康度的計算,最后利用最小二乘支持向量機建立了隸屬參數和健康狀況可信度的映射關系,既考慮了單測量結構對執行器健康狀況的影響,又考慮了不同輸出結構之間影響程度的差異。研究結果表明,所提方法能夠跟蹤整個運行到故障過程中正常樣本集的動態,給出定量的、合理的評價,并能及時采取措施進行維修和保養,減少系統性能退化失效的速率和發生故障的概率,實現了自確認氣動執行器的健康狀況評估。但是對于預測執行機構未來的健康水平還需要進一步完善和深化研究。