基于t-SNE降维和KNN算法的波浪传感器故障诊断方法.pdf

山 东 科 学 第 卷 第 期 年 月出版.:./.【海洋科技与装备】收稿日期:基金项目:青岛市自然科学基金()国家自然科学基金()青岛市科技惠民项目()作者简介:邰朋()男硕士研究生研究方向为智能检测技术:.通信作者宋苗苗女副研究员研究方向为海洋信息技术:.基于 降维和 算法的波浪传感器故障诊断方法邰朋宋苗苗王波陈世哲付晓扈威高赛玉程凯宇郑珊珊焦梓轩王龙飞(齐鲁工业大学(山东省科学院).海洋技术科学学院.海洋仪器仪表研究所山东 青岛)摘要:针对波浪传感器故障诊断困难、故障类型无法识别、诊断耗时长的问题提出一种基于小波包分解、降维与 近邻算法()分类网络的波浪传感器故障诊断方法 首先将原始信号进行标准差标准化处理然后对标准化后的数据进行小波包 层分解将分解后的第 层 个频带上的数据进行归一化处理作为提取的特征向量采用 降维算法对特征数据进行降维最后将降维后的特征数据输入到 分类网络中进行故障分类检测 实验结果表明该方法能够提高波浪传感器故障诊断的准确度和诊断速度对正常状态和 种故障状态的诊断准确率能够达到.关键词:波浪传感器小波包分解 非线性降维算法近邻算法故障诊断中图分类号:文献标志码:文章编号:()开放科学(资源服务)标志码():(.()().().山 东 科 学 年 .随着海洋观测技术的不断发展利用先进的海洋监测仪器可以监测到准确的水文气象数据 波浪是一种重要海洋环境要素其数据质量取决于波浪传感器的稳定性和可靠性 传感器发生故障会影响监测数据的完整性和准确性当监测位置处于重要海域时还将关系到军事及国防安全 因此通过波浪传感器的观测数据对其进行故障诊断及时发现传感器存在的问题对于重要海域浮标上波浪传感器的维护具有重要意义波浪传感器输出的信号是不平稳的信号的频率成分较为丰富单纯采用时域或频域分析法均不能准确高效地检测出信号的故障特征 为此国内外学者将时频分析法应用于传感器故障信号的特征提取冯志刚等利用小波包分解提取各个节点的能量利用径向基神经网络进行传感器故障诊断但只研究了偏差、漂移和周期性干扰三种故障没有考虑脉冲、开路和短路等故障类型 等采用短时傅里叶变换分析轴承信号但其窗长设定的自适应性不强只能粗略分析信号的结构 等同样对传感器的输出信号进行小波变换在不同尺度上计算了信号发生故障前后的能量变化率进而监测压力传感器的各种故障但准确率较低且速度较慢在波浪传感器故障诊断方面传统的基于统计学方法的故障诊断模型具有计算量大、准确度低等问题而基于人工智能的神经网络模型虽然具有较高的准确度但其可解释性较差难以解释故障原因 因此如何结合二者的优点建立准确度高、可解释性强的故障诊断模型是目前需要解决的问题 本文采用小波包分解的方法提取故障特征将提取后的故障特征进行降维再输入到 近邻算法()分类网络中实现了将传感器高维的故障特征数据降维至三维的空间数据减少了故障诊断的时间保证了故障诊断的准确率 同时将复杂的波浪传感器故障类型之间的关系转换为直观的空间近邻关系提高了故障诊断的效率 波浪传感器的故障类型及特征提取.传感器的故障类型受海洋环境影响以及电磁干扰波浪传感器会通常会出现 种常见故障:()漂移偏差 当此种故障出现时随着观测时间的推移传感器的测量值与真实值之间的偏差将会越来越大 其故障模型为:()式中 为观测的正常信号 为传感器测量值与真实值偏差 为初始时刻 为故障信号()固定偏差 当出现此类故障时传感器的测量值和真实值之间存在着一个恒定常数的偏移或误差()开路故障 当发生此类故障时传感器会在正常监测状态下突然失效导致其无法正常监测监测的数据始终为一个常数这里用测量范围的最大值来模拟开路故障的故障数据 其故障模型为:()式中 为测量范围的最大值()脉冲故障 当出现此类故障时传感器观测到的数据会出现间隔性、短时性的野值()短路故障 当出现污染引起的桥路腐蚀或者发生线路短接时则可能发生短路故障与开路故障类似传感器采集到的数据始终为一常数这里用测量范围的最小值来模拟短路故障的故障数据 其故障模型为:第 期邰朋等:基于 降维和 算法的波浪传感器故障诊断方法 ()式中 为测量范围的最小值()周期性干扰 周期性干扰主要是由于波浪传感器受到了浮标平台搭载的其他设备的干扰 传感器的测量信号和真实信号之间始终存在着一定范围内的扰动.故障特征提取本文利用小波包对原始故障数据进行 层小波包分解得到 个频率成分的信号特征分解在各个频带上的信号都具有一定的能量不同的信号在经过分解后具有不同的能量特征因此可以将分解后的能量作为故障的特征对分解后的数据进行系数重构计算分解在各频带上的能量并利用分解在各频带上的能量构造特征向量将特征向量进行标准差标准化处理后输入到故障分类网络中进行故障分类 小波分解的步骤如图 所示图 小波包提取能量特征.()采用标准差标准化方法对 种状态下的波浪传感器信号进行标准化处理避免所提取的特征受到传感器输出信号幅值的影响 为标准差标准化处理见公式()()()式中 表示传感器输出信号的序列()是 的均值 是 的标准差将标准化后的信号 进行 层小波包分解图 是周期性干扰故障经小波包 层分解后 个频带分解系数变化曲线 周期性干扰故障原始信号的采样频率为 采样时间为 图 周期性干扰故障经小波包 层分解后 个频带分解系数变化曲线.山 东 科 学 年图(续)()对分解在各个频带上的信号能量进行重构设 为重构后第 层的第 个信号()计算重构信号 的能量 计算方法如公式()所示()()式中 为 各个离散点的幅度 为重构信号的离散点个数 为第 层第 个频带的离散点()计算信号的总能量 根据计算出的各频带能量构造出故障信号的特征向量并对特征向量进行归一化标准化处理 特征向量的形式如公式()所示 /()图 显示了传感器正常和 种故障状态下传感器采集的信号数据的表现形式及其对应的能量分布图图 种状态的信号表现形式及其能量分布图.第 期邰朋等:基于 降维和 算法的波浪传感器故障诊断方法图(续)基于小波包分析的方法通过对故障信号进行分解可以得到原始信号在不同频带上的能量分布 此方法可以将故障信号在指定的尺度上进行分解并得到信号的能量分布进而达到提取信号特征的目的 信号在经过分解后也折射出了原始故障信号能量分布的整体特征信号在经过 层小波分解后总能量也被分解到了 个不重叠的频率区间内 然后利用不同的频率区间内信号能量不同的特点可以将不同频率区间内的能量作为原始信号的特征向量来进行故障分类 降维及 分类.降维()降维算法是一种非线性降维的机器学习算法能够降低向量维度的同时很好地捕捉到原始数据的复杂流形结构 首先将数据点间的高维欧氏距离转换为代表着相似度的条件概率然后假设数据点 到数据点 的相似度用条件概率 来表示 的值越大表明 和 的相似度越高 采用公式()计算(/)(/)()式中 是以 为中心点的高斯分布的方差将各小波包 层分解后的各频带能量进行标准化处理后然后将标准化后的故障特征数据利用 降维方法将小波包分解 个频带上的标准化特征向量降维至 维图 是利用 降维的流程 更注重全局结构而非局部结构当在高维空间中两个点相似度很小映射到低维空间中相似度却变得很大这时相应的惩罚力度却很小与实际情况不符 在降维的过程中在经过 分布的处理后同一类数据在空间上也会更加集中而不同种类的数据在降维后的空间上则显得更加稀疏 使得分类的效果更加显著由自由度为 的 分布重新定义的 形式如公式()所示()()()相应的梯度形式如公式()所示:()()()()图 特征向量降维分类流程图.山 东 科 学 年.算法近邻算法()是对最近邻算法的推广属于基于先验知识的分类学习算法其基本思想是:在特征空间中如果一个样本的 个近邻中大多数属于某一个类别则将该样本判断为此种类别并具有这种类别的特性 该方法虽然思想较为简单但在很多故障分类算法中得到了运用 下面以分类样本 为例对 算法的计算步骤进行描述:假设训练样本的数据集为 ()假定 其中训练集样本中 为 维列向量 为 所对应的类别标签 算法的流程简述如下()根据上面的假设将欧式距离作为衡量标准计算出待分类样本 和其他样本间的欧氏距离 计算公式为:()()()()()确定最近邻参数 找出距离待分类样本最近的 个近邻假设集合 ()其中 表示待分类样本 的第()个最近邻样本 为 所对应的类别()根据 集合中计算得到的 个最邻近样本的类别来进投票假设投票结果为 最终将投票结果按照少数服从多数的原则进行决策决策规则为:()()()将降维后的特征数据作为 网络模型的输入输出结果为诊断故障的类型 算法对经过 降维后的故障特征从空间紧邻关系上进行分类将小波包分解后各故障信号在各个频带上不同的能量分布特征转换为空间的近邻将 个频带上的数据降维到三维空间上能够提升故障诊断的效率 图 是对故障特征降维后的可视化图形从图形中可以看出几种故障类型具有空间上的近邻关系将各个故障类型绘制同一个三维坐标系下能够很明显地观察出各个故障类型具有很好的聚类结果因此可以将 算法来完成对故障的诊断和分类 改变 值大小故障分类的准确率也会随之变化通过调节 分类模型的 值来确定模型的最优结果图 特征向量降维可视化.故障诊断模型的构建与实现本文对波浪传感器采集到的青岛小麦岛附近海域的正常波浪数据和部分故障数据进行故障模拟处理根据波浪传感器各类故障的特征首先将正常数据加入模拟的噪声数据如当传感器发生漂移偏差时测量的结果相较于正常数据会出现偏大或者偏小的情况周期性干扰主要是指波浪传感器受到了 电源或第 期邰朋等:基于 降维和 算法的波浪传感器故障诊断方法浮标平台搭载的其他设备的干扰 传感器的测量信号和真实信号之间始终存在着一定范围内的扰动开路故障则用波浪传感器测量范围的最大值来描述短路故障因为没有测量值这里用最小值零来表示 其次根据传感器的采样频率对 条采样结果进行 层小波包分解将分解后的各个频带上的能量进行标准化处理然后将得到的 维故障特征通过 降维处理将得到的 维特征数据降维至 维最后将得到的三维数据划分为训练集和测试集输入到最近邻网络中通过空间的近邻关系进行故障的分类本文采用 折交叉验证的方法对训练数据和验证数据进行划分将训练数据中的数据分出一部分作为验证数据用来评估模型的训练效果即将原始数据分成 组将每个子集的数据都循环地做一次验证集其余()组数据做训练集 这样就会得到 个模型在计算总体误差时就是对每一个模型的均方误差求加权和 选用交叉验证的方法来划分训练集和验证集有效地利用了有限的数据并且评估结果也能够更接近模型在测试集上的分类结果可以作为模型优化的指标来进行使用 图 是故障诊断的模型图图 、故障诊断模型.仿真实验与分析本文通过对波浪传感器进行故障诊断来验证该方法的有效性 从模拟的故障信号中共提取出 组故障特征数据其中每种状态下的特征数据 组利用 折交叉验证对数据进行测试集和验证集的划分.故障诊断准确率对比当最近邻数目、时在使用 降维和不使用 降维的情况下 折数取不同值时分类得准确率对比图 降维前后准确率对比.从图 对比实验中可以发现降维之后再利用 网络进行分类能够很好地保证数据分类的准确性随着 折数的增加降维后的准确率能够达到降维前图 是波浪传感器 中状态识别结果的混淆矩阵其中每种状态有 组样本数据 从图 中可以观察到正常状态下的 组数据有一组数据被判断为开路故障两组数据被判断为周期性干扰故障 种故障的诊断结果也可直观地从图中分辨出来 该模型对于脉冲故障、短路故障和周期性干扰故障的诊断效果较山 东 科 学 年好 对周期性干扰的诊断相对于其他故障类型较差容易将正常状态下的数据判断为周期性干扰因为周期性干扰在较弱的情况下对于波浪数据而言很难分辨和检测 总体上当在 折交叉验证下 分类网络的 近邻数目为 时分类的准确率达到了.当在 折交叉验证下 分类网络的最近邻数目为 时分类的准确率达到了.图 各种状态类型的诊断结果.故障诊断模型时间效率对比本文除了从降维之后对故障分类的准确率角度进行研究之外还对降维之后程序的运行时间进行了对比经过对比实验发现降维之后程序的运行时间明显低于降维之前并且当数据量越大时降维后运行低于降维前运行时间的现象就越明显 由于海洋环境复杂传感器的故障类型也在随着检测环境的变化而改变对传感器的故障类型的诊断时间太长可能会导致传感器同时存在两种或多种故障类型很难具体确定故障的种类导致对传感器的维护成本上升 图 是当 近邻数取 交叉验证的 折数取不同值时程序运行时间的对比情况图 降维前后程序运行时间对比.经过从时间和准确率这两个方面的对比发现降维之后再利用 网络进行分类时不仅能够保持降维之前的准确率而且降维之后程序的运行时间也相对缩短特别是当数据量较大时程序运行时间缩短的现象也会更加明显 通过将复杂的训练过程转换为空间上的近邻关系来判断故障的类型减少了复杂的计算过程 同时通过对高维数据进行降维处理减少了故障诊断的时间提高了对故障的检测速度能够更及时地发现传感器出现的故障类型为传感器的维修和更换提供有力参考第 期邰朋等:基于 降维和 算法的波浪传感器故障诊断方法 结论本文主要研究了将 算法用于故障特征数据的降维对降维后的数据再利用 分类网络进行故障分类发现降维后的数据除了能保持分类的准确性之外相对于降维前还能够缩短程序运行的时间 特别是当数据量较大时所花费的时间成本明显低于降维之前的高维数据 算法虽然原理简单但在分类任务中有着很好的表现加之 降维使得相似的样本能够聚集在一起而差异大的样本能够有效地分开避免了其他降维方法样本分布拥挤、边界不明显的缺点 本文提出一种基于小波包分解、降维与 近邻算法分类网络的波浪传感器故障诊断方法 首先将原始信号进行标准差标准化处理然后对标准化后的数据进行小波包 层分解得到 个频带上的特征值归一化处理后将其作为特征向量采用 算法对特征数据进行降维最后将降维后的特征数据输入到 分类网络中进行故障分类检测 相较于其他故障诊断方法本文采用小波包具有更好的特征提取能力并且通过对故障特征降维后的空间近邻关系来进行故障诊断和分类一定程度上解决了现有传感器故障诊断方法诊断的时间跨度长准确率较低且自适应能力弱的问题 本文采用的数据来自波浪骑士浮标上搭载的加速度式波浪传感器根据其观测到的正常信号对故障信号进行模拟并采用模拟的故障数据进行仿真实验 实验结果表明本文提出的方法能够提高波浪传感器故障诊断的准确度和诊断速度对正常状态和 种故障状态下的诊断准确率达到了.本研究的不足之处在于当传感器同时存在两种或两种以上的故障时无法通过此算法完全诊断出所有故障只能根据预测值判断其最接近的真实值划分为集中同时出现的故障中的一种故障类型 但可以通过缩短提取故障特征的时间跨度通过一段时间的诊断结果判断该传感器可能出现的多种故障参考文献:叶小芬 王起梁 祝敏 等.基于小波包能量和层次熵的 证据理论的轴承故障诊断技术.失效分析与预防():.:./.黄芝玲 陈金峰 曾永华 等.基于小波包模糊熵与 神经网络的滚动轴承故障诊断.广东石油化工学院学报():.:./.冯志刚 王祁 徐涛 等.基于小波包和支持向量机的传感器故障诊断方法.南京理工大学学报(自然科学版)():.:./.():.:./.():.:./.钱昭勇 曹裕华 张雷 等.基于双树复小波包及 的齿轮故障诊断.指挥与控制学报 ():.:./.朱兴统.基于小波包分解和 最近邻算法的轴承故障诊断方法.装备制造技术():.郭伟超 赵怀山 李成 等.基于小波包能量谱与主成分分析的轴承故障特征增强诊断方法.兵工学报 ():.:./.姚雪曼.基于流形学习的降维技术的研究与实现.北京:北京邮电大学.刘卫芳.面向高维复杂数据的降维算法研究.西安:西安电子科技大学.安煌 赵荣珍.转子故障数据集降维的 算法研究.振动与冲击 ():.:./.边荣正 张鉴 周亮 等.面向复杂多流形高维数据的 降维方法.计算机辅助设计与图形学学报 ():.丁丹凤.空气检测设备中 算法的研究与实现.上海:上海应用技术大学.