基于多融合人工智能的退化故障预后方法.pdf

舰 船 电 子 工 程2023 年第 10 期1引言目前，大型复杂装备的故障预测与诊断主要采用故障发生前的定期维护保养检修、故障发生时的机内测试报警以及故障发生后的专家检修三种技术途径，存在保障成本高、组织实施复杂、无法准确预测退化性故障等问题，特别是故障发生后的专家检修模式，无法保证战时装备战斗力的持续保持，难以适应现代战争对装备保障快速性、准确性的要求1。目前装备退化故障领域的研究工作主要集中在系统当前的状态监控，对退化故障预测与健康管理的关注较少，因此如何实现智能化装备退化故障预后是装备维护从传统化定期维修向智能化视情维修转变的关键技术，具有重要的理论研究意义和广泛的实际应用前景2。当前，常用的装备退化故障预后方法包括失效物理模型预测方法3以及近年来较为流行的人工智能预测方法4。对于大型复杂系统而言，失效物收稿日期：2023年4月5日，修回日期：2023年5月10日作者简介：李泳龙，男，研究方向：航海技术。王振东，男，研究方向：电子信息工程。翟玉婷，女，硕士，讲师，研究方向：雷达退化故障预后及人工智能。基于多融合人工智能的退化故障预后方法李泳龙1王振东1翟玉婷2（1.海军大连舰艇学院学员一大队大连116018）（2.海军大连舰艇学院信息系统系大连116018）摘要针对当前装备退化故障预后存在着历史监测数据样本少、退化故障样本难以采集、故障预测静态化等问题，提出融合多种人工智能技术的装备退化故障预后方法。其中动态更新支持向量回归能够提高静态数据预测的精度，主成分分析能够将多高维数据降维，K均值聚类方法能够在无故障样本情况下对退化故障进行聚类检测。通过仿真实验验证提出方法的可行性，其中动态更新支持向量回归对数据预测的均方根误差可达0.44947，K均值聚类能够在其较为精准预测基础上检测出退化故障样本点。实验结果表明，所提方法能够有效对装备退化故障进行预测并告警。关键词支持向量机回归；主成分降维；K均值聚类分析中图分类号TN95DOI：10.3969/j.issn.1672-9730.2023.10.014Prognostic Method of Degradation Fault Based on Multi-fusionArtificial IntelligenceLI Yonglong1WANG Zhendong1ZHAI Yuting2（1.Cadets First Brigade，Dalian Naval Academy，Dalian116018）（2.Department of Information Systems，Dalian Naval Academy，Dalian116018）AbstractThere are many problems in the prognosis of current equipment degradation faults，such as few historical monitoring data samples，difficult to collect degradation fault samples，static fault prediction and so on.Therefore，the prognostic method ofdegradation fault based on multi-fusion artificial intelligence is proposed，in which the dynamic update support vector regressioncan improve the accuracy of static data prediction，principal components analysis can reduce the dimensionality of multi-dimensional data，and K-means clustering method can detect degradation faults without fault samples.The feasibility of the proposed methodis verified by simulation experiments，in which the root mean square error of dynamic update support vector regression is 0.44947，K-means clustering can detect degradation fault samples on the basis of accurate data prediction.The experimental results show thatthe proposed method can effectively predict and alarm the equipment degradation faults.Key Wordssupport vector regression，principal components analysis，K-means clusteringClass NumberTN95总第 352 期2023 年第 10 期舰 船 电 子 工 程Ship Electronic EngineeringVol.43 No.1061总第352期理模型预测法难以应对系统的复杂性和随机性5，因此会受到一定的限制。而在基于人工智能的预测法中，文献 6 虽然有较高的故障预测性能，但对数据样本需求量大。文献 7 则需要人工给定阈值来判别故障的发生。文献 8 中对故障样本数量也有一定要求。文献 9 则验证了在故障样本数量较少的情况下不易使用有监督的机器学习方法。因此，亟需一种退化故障预后方法能够在小样本并且无故障样本条件下实现装备退化故障预测和告警。2退化故障预测模型设计为了克服现有退化故障预测方法的缺点，本文提出融合多种人工智能技术的装备退化故障预后方法。其模型总体流程图如图1所示。首先，通过改进的支持向量回归（Support Vector Regression，SVR）方法进行后续时间步数据预测；其次，利用主成分分析（Principal Component Analysis，PCA）将多维数据降维；最后，利用K均值聚类分析（K-meansCluster Analysis，KCA）对降维后数据进行聚类，同时采用1原则找出故障点并进行预警。2.1基于动态更新SVR的数据预测SVR 与支持向量机（Support Vector Machine，SVM）的原理相同，SVM的基本模型是特征空间上的间隔最大的线性分类器10。模型训练的目的寻找一个超平面（即一个n-1维的平面，其中n是特征的数量），将数据集分成两类，并使距离这个超平面最近的数据点（称为支持向量）到这个超平面的距离（称为间隔）最大化，若用一个优化问题来描述则可以表示为式（1）。图1基于多融合人工智能的退化故障预后方法流程图minwbw2/2s.tyi(wixi)+b-10i=12N（1）其中，N是训练样本的数目，xi和yi是样本资料，以及样本种类，加入了拉格朗日泛函数，上面的问题等价于以下最优问题的解maxaQ(a)=i=1Nai-12ij=1Naiajyiyj(xiyj)s.tt=1Nyiai=0ai0（2）对于上述数据线性可分问题，可通过引入松弛变量来解决最优分类问题。本文中，SVR算法在解决问题时，是通过非线性变换把问题转换到高维（在实验数据中有16个维度空间）的特征空间，通过构建高维特征空间的线性鉴别函数，将其转化为原空间的非线性鉴别函数，并引入径向基函数，以确保算法具有良好的推广性能。动态更新SVR旨在预测下一个预测值之前访问上一个时间步的真实监测值来更新训练数据。采用监测数据前90%的数据作为原始训练数据，不断将实时采集的监测数据并入训练数据更新预测模型，得出下一时刻预测数据，不断循环上述步骤，动态更新训练数据，预测出剩下10%的数据。数据预测的准确性可用均方根误差（Root Mean SquareError，RMSE）来评估，可表示为RMSE=1ni=1n(zi-z)2（3）其中，zi为真实数据值，z为预测数据值。从式（3）中可以看出，RMSE越接近于0表明数据预测精度越高。2.2主成分分析PCA是利用正交变换，把由线性相关变量所代表的观察数据，转化为少数由线性无关向量来代表的数据，这些线性无关的变量就称为主成分，而通过PCA方法可以实现降低数据维数的作用11。主成分分析可通过以下步骤来完成数据降维。对于一个p维随机向量样本可表示为x=(x1x2xp)T，则n个样本可表示为xi=(xi1xi2xip)Ti=12 nnp，此时可构造样本阵元的标准化变换，表示为Zij=xij-x jsji=12n;j=12p（4）其中，x j=(i=1nxij)n s2j=i=1n(xij-x j)2(n-1)，由此可得标准化阵Z。对标准化阵Z求相关系数李泳龙等：基于多融合人工智能的退化故障预后方法62舰 船 电 子 工 程2023 年第 10 期矩阵得：R=rijpxp=ZTZn-1（5）其中，rij=(zijzij)(n-1)ij=12p。解样本相关系数矩阵R的特征方程|R-Ip=0得p个特征根，确定主成分。再按(j=1mj)(j=1pj)0.85来确定特征根个数m，使信息的利用率达85%以上，对每个特征根jj=12m，求解方程组Rb=jb得单位特征向量boj。最后，将标准化后的指标变量转换为主成分，表示为Uij=ZTibojj=12m（6）U1称为第一主成分，U2称为第二主成分，以此类推，Up称为第p主成分。在这个时候，对m个主成分展开综合评价，并对m个主成分进行加权相和，就可以得到最终降维后的数据，其中每个主成分的方差贡献率对应着其权重数。因此，根据以上PCA数据降维基本流程，能够减少数据量，降低数据维数，进而提高故障预测效率。2.3K均值聚类分析K均值聚类分析是先随机选取 K个样本作为聚类中心，再对样本进行聚类，计算所有样本到每个中心的距离，将每个样本聚集到与其最近的中心的类中，构成聚类结果，计算每个类的质心，即每个类中样本的均值，作为新的类中心。与以簇内对象的均值作为聚类中心的方式相比，优势在于对噪声点数据不敏感，缺陷在于耗时较长，适合于中小样本的聚类。假设初始聚类后某簇|Tj有ni个对象x1x2xni，簇内第i个对象xi与其他对象间的距离和为si=j=1jinik=1m()aik-ajk2（7）新的聚类中心定义为与其他对象距离和最小的对象12。重复以上步骤，直到聚类结果不再发生改变。基于主成分降维的K均值聚类是先将数据进行标准化后，依据数据的累计贡献率进行主成分降维，通过结果可知降成前二维数据后可包含70%的数据量，如图2所示。图3为数据轮廓图，根据图中轮廓可知，数据可分为三类。图2累计贡献率图3轮廓图3实验设置及实验结果分析3.1实验设置根据第2节中的模型基本流程，本节分别设置3个实验来验证所提模型的可行性。实验数据为某型雷达退化故障发生前采集到多个监测点数据，相关实验均在 Matlab 2019b平台上实现。实验内容包括：实验一：数据预处理实验；实验二：动态更新SVR数据预测实验；实验三：基于 PCA 的 K 均值聚类故障检测实验。3.2实验结果及分析3.2.1实验一为了对实验数据有初步了解，首先绘制传感器采集到的任意8维数据时序图像，如图4所示。从图4中可以看出，并非所有数据都是随时间变化而呈现趋势性变化的。显然数据中存在未随时间变化的恒定数据，这部分数据不仅无相关信息且会增加后续数据处理工作量。因此剔除恒定数据后，得到了16维随时间变化的数据，如图5所示，其中每一维数据包含192个样本点。3.2.2实验二为了验证动态更新SVR数据预测算法的可行性，根据算法基本流程，实验二以图5中的第6维数63总第352期图4任意8维数据折线图图5剔除恒定数据后的16维数据的折线图李泳龙等：基于多融合人工智能的退化故障预后方法64舰 船 电 子 工 程2023 年第 10 期据为例进行动态更新SVR数据预测。实验使用监测数据的前90%（173个数据）进行模型训练，并利用训练所得到的动态更新SVR模型对后10%的数据（19个数据）进行数据预测。传统SVR数据预测与动态更新SVR数据预测的对比实验结果如图6所示。图中可以看出，动态更新 SVR数据预测的RMSE值为0.44947，较传统SVR数据预测RMSE值1.9282降低了 1.47873。实验结果表明，提出的动态更新SVR数据预测精度高于传统SVR数据预测精度。（a）传统SVR数据预测结果（b）动态更新SVR数据预测结果图6不同SVR数据预测方法的预测结果3.2.3实验三在动态更新SVR对后续时间步预测精度较高的基础上，可将相同时刻采集到的数据归为一组进行PCA降维并进行K均值聚类分析，判定离群点为异常点。如果将结果单纯分成异常点和正常点两类，故障检测则会呈现较大的偏差，如图7所示。为了避免产生图7中K均值简单二分类所导致的故障检测偏差较大问题。根据2.3节的理论分析，可以将降维后数据分为3类，分类结果如图8所示。在这种情况下，当对数据进行聚类时，普通数据会被归入类，而异常则不会被归入任何类或者是小类，这就是以聚类为基础的异常检测的基本原理。根据以上异常检测的原则以及1准则，可对数据进行退化故障异常检测并将异常值进行可视化表示，实验结果如图9所示。预测出的退化故障样本所对应的样本编号如图10所示。由此，可根据预测出的故障样本编号对退化故障进行提前告警。图7传统K均值聚类方法异常检测结果-1262-1261-1260-1259-1258-1257-1256-1255x2888288728862885288428832882yyRegion 1Region 2Region 3DataCenter图8数据K均值三类划分结果图9退化故障判别结果65总第352期图10预测出的退化故障样本编号4结语本文提出了一种基于动态更新SVR预测、PCA数据降维和K均值聚类分析相融合的故障预测方法，设计了退化故障预测模型，阐述了模型具体工作流程和相关理论基础。通过实验验证动态更新SVR可在小样本条件下提高数据预测精度，同时基于PCA的K均值聚类分析方法能够在无故障样本条件下实现退化故障检测并实时告警，可行性实验结果表明本文提出的多融合人工智能方法能够有效实现装备退化故障预测。参 考 文 献1 方冰，张翠侠.装备系统智能化故障预测方法 J.指挥信息系统与技术，2019，10（06）：90-95.2翟玉婷，程占昕，房少军.智能化雷达故障预测及检测技术综述 J.计算机科学,2022：1-13.3吕卫民，胡冬，谢劲松.基于失效物理的电路板寿命预测案 例 研 究J.电 子 科 技 大 学 学 报，2013，42（04）：635-640.4彭宇，刘大同.数据驱动故障预测和健康管理综述 J.仪器仪表学报，2014，35（03）：481-495.5李强，张佳庆，任士敬，等.火灾条件下电缆绝缘失效预测 模 型 研 究J.消 防 科 学 与 技 术，2017，36（02）：275-280.6陆海，罗凤章，杨欣，等.基于数据驱动理念的电力日负荷曲线预测方法研究 J.电力系统及其自动化学报，2020，32（01）：42-49.7许绍杰，谭贤四，王晗中，等.基于多因素不等时距灰色模型的雷达故障预测 J.现代雷达，2011，33（08）：25-28.8李智，姜悦，蔡斐华，等.数据驱动的飞行器智能故障诊断系统研究 J.计算机测量与控制，2021，29（01）：50-53.9薛永亮，陈振林.基于改进的神经网络对航空发动机故障率预测研究 J.计算机测量与控制，2019，27（05）：44-47.10胡晓玲.基于 SVM 的雷达信号样式分类与模式判断J.舰船电子工程，2022，42（08）：94-97.11卓志昊.基于主成分分析法（PCA）的广西各地市高新技术企业创新能力评价 J.企业科技与发展，2021（01）：1-4，7.12刘畅，肖斌，张东东，等.基于主成分聚类的装备器材采购优先级分类研究 J.舰船电子工程，2022，42（01）：108-115.投 稿 指 南1.文稿要求主题突出、论点明确、论据充足、数据准确、层次清晰、文字简练、结论明确，文稿（包括图表）一般控制在4页6页左右。2.文稿内容必须包括中、英文题名、作者姓名（包括汉语拼音）及单位（含城市名和邮编）、中英文摘要、中英文关键词（3个6个）、正文、参考文献和作者简介。3.摘要为200字300字左右，主要反映论文研究对象、研究方法、原理及特点、结果与结论，应尽可能多地给出原文中的定性、定量结果和主要创新内容，并将其译成相应的英文。4.参考文献需12篇以上，其中大部分应为近3年5年出版的期刊或会议论文、论著，并有一定比例的外文参考文献。5.若来稿属基金资助项目，本刊将优先安排发表，请作者在首页注明论文所属项目名称及其编号。6.在文稿结尾处，请注明作者简介，包括姓名、性别、职称、学历或学位、主要研究方向以及E-mail地址、联系电话等信息。7.文稿中的计量单位请采用 中华人民共和国法定计量单位。李泳龙等：基于多融合人工智能的退化故障预后方法66