脈沖電磁閥的集成分類器故障診斷方法

王 敏, 王 濤, 葉志勇

(1.北京理工大學 自動化學院, 北京 100081; 2.上海袋式除塵配件有限公司, 上海 200241)

引言

脈沖電磁閥作為氣動系統和電液控制設備中的關鍵部件,被廣泛應用于脈沖袋式除塵器清灰工作[1-2],其正常工作與否關系著系統的性能及效率。為了確保系統的正常高效工作,減少生產損失,開發一種脈沖電磁閥的智能檢測和故障診斷技術急為迫切。隨著計算機和人工智能技術的迅猛發展,基于信號和數據分析的非拆卸式電磁閥故障診斷方法已成為主流, 相關學者利用多特征融合的方法進行電磁閥故障模式識別[3],利用卷積神經網絡對開關電磁閥進行故障診斷[4],利用遺傳算法優化的MKSVM進行電磁閥故障診斷[5], 這些方法都取得了不錯的診斷效果, 但是對故障診斷的類別有所限制,且參數的設置需要豐富的經驗,限制了這些方法的推廣與遷移。

為滿足脈沖電磁閥智能故障診斷的需求,本研究以脈沖電磁閥作為故障診斷的研究對象,對脈沖電磁閥的常見故障進行分析與模擬后,利用接近開關檢測作為脈沖閥關鍵部件的大膜片組件打開反應時間與打開狀態保持時間作為其故障特征,分別建立單分類器模型和集成分類器模型對故障進行診斷,目的是為了快速檢測并解決脈沖電磁閥的故障,解決人工診斷可信度及效率較低的問題,有效抑制停產事故的發生。

1 脈沖電磁閥及實驗裝置介紹

脈沖電磁閥是指由電磁或氣動先導閥控制的隔膜閥,能瞬間開啟或關閉高壓氣源,產生脈沖。主要構成部分為電磁線圈、接線盒、小氣室、大氣室、進氣口,其實物結構圖如圖1所示。

圖1 脈沖電磁閥實物結構圖

為了提取正常和不同狀態的脈沖電磁閥特征,模擬了不同噴吹條件,大膜片組件動作如表1所示。

表1 不同噴吹性能下大膜片組件動作Tab.1 Large diaphragm assembly action with different blowing performance

脈沖電磁閥的常見的故障類型有無大彈簧、無小彈簧、大膜片破損、小膜片破損、動鐵芯長時間不復位造成漏氣等,從表1中可知,這些故障引起的脈沖電磁閥的噴吹性能變化都與大膜片的動作緊緊相連,為了更好的監測大膜片組件運行狀態,進而實現對不同故障的診斷,本研究選用電感式傳感器進行監測。接近開關(電感式傳感器)檢測大膜片組件的原理是：當大膜片組件正常閉合時,大膜片組件到接近開關的距離會大于接近開關所檢測到的范圍,即大膜片組件的位置不在電氣開關觸點的檢測范圍內,此時接近開關無信號;反之則接近開關有信號。接近開關平齊式安裝在脈沖電磁閥的大閥蓋處,安裝實物圖如圖2所示。

圖2 接近開關在脈沖電磁閥上的安裝圖

通過設置不同的氣包壓力,在脈沖寬度為 100 ms,采樣頻率為1000 Hz的條件下檢測控制信號和接近開關信號,接近開關檢測的大膜片組件運動狀態信號如圖3所示,將接近開關信號滯后控制信號的時間作為大膜片打開的反應時間,即t1～t2的變化時間,將接近開關信號保持時間作為大膜片打開狀態保持的時間,即t2～t3的變化時間。實驗裝置圖如圖4所示。

圖3 大膜片組件運動狀態信號圖

圖4 實驗裝置圖

2 脈沖電磁閥故障及特征選取

為了測試不同故障情形下接近開關信號的大膜片組件打開反應時間及狀態保持時間, 本研究通過撤去大小彈簧、大/小膜片上沖一定數量的小孔和增長脈沖寬度至200 ms等方式模擬大小彈簧失效、大/小膜片不同程度破損和動鐵芯長時間不復位等故障,測試項目及模擬的故障類型如表2所示。

表2 測試項目及模擬的故障類型統計表Tab.2 Statistical table of test items and types of faults simulated

選取實驗中某一組數據并將利用接近開關測得的不同氣包壓力p下大膜片組件的打開反應時間和狀態保持時間的測試結果進行特征提取,如圖5所示。

圖5 脈沖電磁閥的正常狀態與不同故障情況對比結果

為了進一步了解正常狀態與不同故障特征分布,將滯后時間和保持時間歸一化以散點形式展示在圖6中。

圖6 脈沖電磁閥的正常狀態與不同故障情況特征散點圖

從圖5和圖6中可以看出,無大膜片和無小膜片時,與正常狀態相比,保持時間都有較大區別,較好區分。大/小膜片小范圍破損時,反應時間比正常狀態下相比稍長,保持時間比正常狀態下較短。大/小膜片大范圍破損時,反應時間明顯長于正常狀態下的反應時間,保持時間短于正常狀態下的保持時間。正常狀態與不同故障的滯后時間和保持時間在二維散點圖中可以看出具有一定的差異性,其中膜片微破損和大破損差距較小,有部分重合,正常狀態和無小彈簧較易區分。

3 Bagging-DT分類器模型

機器學習是現階段人工智能領域發展最為迅猛的學科之一,利用機器學習的超強學習能力進行故障診斷,極大的豐富了故障診斷體系。機器學習處理分類故障問題主要分為兩個步驟,第一步是進行“學習步”,即對訓練集進行歸納分析,尋找合適的分類器,建立分類模型得到分類規則;第二步是“分類步”,即使用測試集檢測分類規則的準確度,如果精度是可接受的,則用訓練的模型預測帶有未知類別標簽待測集[6]。

本研究重點研究的分類器模型為Bagging-DT分類器,其是以決策樹作為基分類器。決策樹是一種倒置的樹形結構,由根節點、內部節點和葉節點組成,決策樹進行分類分為兩個步驟,第一步是利用訓練集從DT的頂部根節點開始,從上到下依次進行判斷,生成一棵具有較強泛化能力,能夠處理未知樣本的樹;第二步是利用形成的決策樹對分類樣本集進行分類[6-7]。

Bagging-DT模型在決策樹為基分類器的基礎上,采用套袋法(Bagging)進行集成[8-9]。套袋法的原理是通過自助法抽樣有放回的從原始訓練集中得到樣本集,用這些樣本集分別對多個基分類器進行訓練,最后通過基分類器的組合策略得到最終的集成分類器。在分類問題中,Bagging通常使用投票法,按照少數服從多數或票數過半的原則來投票確定最終類別[10-11]。

Bagging-DT模型通過自助法抽樣有放回的從原始訓練集中得到樣本集,然后用這些樣本集分別對多個決策樹分類器進行訓練,最后通過決策樹分類器的組合策略得到最終的集成分類器,所以具有很強的泛化能力。本次Bagging-DT集成方法流程圖如圖7所示。

圖7 Bagging-DT集成方法流程圖

網格搜索法[12-13]優化步驟如下：首先,需要選定并設置優化超參數的范圍,然后實例化模型,遍歷不同的超參數組合來訓練。每個組合對應一個模型,并將平均得分最高的超參數組合作為最佳的選擇, 返回模型對象。本研究模型的超參數如表3所示。

表3 Bagging集成分類器的參數及屬性Tab.3 Parameters and properties of bagging integrated classifier

在選擇基估計器為決策樹的基礎上,設置n_estimators的范圍為[5,10,20,50],max_samples為[5,10,15,20],bootstrap 為[True, False],n_jobs=-1,進行網格搜索,最終選擇的參數為base_estimator=dt,n_estimators=5,max_samples=10,bootstrap=True。

為了進一步驗證所選分類器進行脈沖電磁閥故障診斷的有效性及準確性,分別測試了單分類模型包括決策樹(DT)、K-近鄰算法(KNN)和支持向量機(SVM),以及在此基礎上利用集成策略中Bagging及Boosting方法的思想構建基于單分類器的集成模型。實驗的流程圖如圖8所示。

圖8 實驗流程圖

4 脈沖電磁閥智能故障診斷實驗方法研究與分析

為了驗證Bagging-DT分類器模型的優越性,選取實驗壓力為0.05～0.6 MPa,每間隔0.05 MPa測試一次的接近開關的測試數據,進行多次測量,共535組樣本構成故障數據集。對脈沖電磁閥的2個故障特征值進行標準化處理后,隨機抽取其中435組樣本作為訓練集,100組數據為測試集。將每種故障類型的特征值所構成的訓練集輸入到加權Bagging-DT分類器中,利用訓練集對模型進行訓練,同時運用網格搜索法自動尋找最佳參數,提升分類器的泛化能力,最后利用測試集樣本對訓練好的模型進行測試。

為了更好的評判該分類器的優劣程度,與決策樹(DT)、K-近鄰算法(KNN)和支持向量機(SVM)等3種單分類器以及Boosting-DT,Bagging-DT,Bagging-KNN和Bagging-SVM等3種集成分類器對脈沖電磁閥進行智能故障診斷的結果進行比較,采用分類模型的評估指標精確率、召回率、F1值進行綜合性能評價[14]。

對于每個類別標簽,分別計算精確率,再取算術平均值,即：

對于每個類別標簽,分別計算召回率,再取算術平均值,即：

對于每個類別標簽,分別計算 F1值,再取算術平均值,即：

上述7個分類器的綜合性能評價指標對比如圖9所示,時間指標對比如圖10所示。

圖9 各診斷模型綜合性能對比

圖10 各診斷模型運行時間對比

從圖9和圖10中可以看出,Bagging-DT分類器的精確率、召回率、F1值及整體性能均好于其他單分類器和集成分類器,從而驗證Bagging-DT的分類器模型診斷脈沖電磁閥故障的優越性與適用性,在運行時間上,Bagging-DT分類器也優于其他集成分類器。

基于Bagging-DT的集成分類器的實際故障類型和預測故障類型分布如圖11所示。

圖11 Bagging-DT模型故障診斷結果

混淆矩陣[15],又稱為可能性表格或是錯誤矩陣,是一種特定的矩陣用來呈現算法性能的可視化效果。

混淆矩陣中,行表示樣本的真實值,列表示算法預測樣本的預測值。Bagging-DT模型故障診斷混淆矩陣如圖12所示,可以看出,正常和無大彈簧、無小彈簧診斷結果較為準確,膜片微破損和大破損診斷大部分準確,存在部分診斷錯誤情況。

圖12 Bagging-DT模型故障診斷混淆矩陣

正常狀態和故障時的預測準確度如表4所示,可以看出,Bagging-DT分類器對正常狀況和無大膜片、無小膜片時的診斷精度較高,大/小膜片存在小范圍破損和大范圍破損兩者的診斷精度相對較低,容易相互誤判,這一問題的主要原因是大/小膜片存在破損的程度是較難界定的,粗化時沒有具體考慮真實的界定情況,從圖6中也能看出二者差異較小且有部分重疊。考慮到這一問題,可以考慮將診斷為這兩種結果的故障再次分類,適當將模型參數進行修改以適應二分類問題,提升診斷精度。針對大/小膜片存在小范圍破損和大范圍破損兩者的再分類診斷結果如圖13所示。

表4 Bagging-DT模型診斷準確度表Tab.4 Accuracy table for Bagging-DT model diagnosis

圖13 Bagging-DT模型針對低精度部分二次診斷結果

從圖13能看出,二次診斷后,大/小膜片存在小范圍破損和大范圍的診斷精度有所提升。

5 實驗結果分析

本研究對脈沖電磁閥的智能故障診斷方法進行研究。首先,根據電磁閥的故障特性,進行故障模擬并采用接近開關測試大膜片組件的運行狀況,提取主閥芯的反應時間和保持時間兩個特征進行故障診斷。其次,在研究模型選擇方面,選擇了基于決策樹的Bagging-DT模型并進行了網格搜索以確定模型超參數,并將該模型與其他3種單分類器和4種集成分類器模型的分類結果進行精確率、召回率、F1值比較,實驗結果驗證表明,以DT作為基分類器的基于Bagging集成方法構建的Bagging-DT模型各項評價指標皆優于其他模型,且準確率達到86%,運行時間0.86 s,實現了對脈沖電磁閥5種及以上故障更加準確快速的預測與判斷。

由于大/小膜片小范圍和較大范圍破損時,反應時間皆略高于正常情況下的反應時間,保持時間皆低于正常情況下的保持時間,且大或小范圍破損的界定不是特別準確,導致了兩者的相互誤判,這也是本研究以后研究的重點。

6 結論

本研究的研究將機器學習與脈沖電磁閥的多種故障相結合,使用智能識別算法完成脈沖電磁閥工作情況下的故障原因的自動診斷,具有故障快速診斷的特點。由于本實驗Bagging-DT參數設置較為簡單,且添加了網格搜索算法,能根據數據的變化自動對模型進行調整,解決了模型自適應問題。故本研究提出的智能算法能對脈沖電磁閥的故障進行快速準確的診斷,具有重要的實際意義。