基于PSO-KPCA-LVQ的燃气调压器故障诊断

王莹　王亚慧　安允

摘  要： 針对燃气调压器故障数据的非线性、非平稳与高维度的特点，提出基于粒子群优化（PSO）的核主元分析法（KPCA）与学习向量量化神经网络（LVQ）的故障诊断方法。先采用KPCA对故障数据进行降维和降噪，由于核函数中未知参数难以确定，采用粒子群算法（PSO） 进行优化得到最优的核参数;然后采用LVQ对数据进行识别分类;最后，将PSO?KPCA?LVQ算法故障诊断正确率及运行时间分别与PSO?KPCA?SVM算法以及LVQ算法进行比较。结果表明，基于PSO?KPCA?LVQ的故障诊断模型优于其他两种算法，验证了该文算法的有效性。

关键词： 燃气调压器; 故障诊断; 数据处理; 核参数优化; 数据分类; 算法比较

中图分类号： TN131?34                             文献标识码： A                      文章编号： 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

随着人工智能技术的发展，基于证据理论[1] 、 压缩感知[2]、模糊聚类[3]等理论与技术普遍应用于故障诊断领域。然而很多智能方法在故障诊断过程中会出现一些不足之处。基于D?S证据理论可以融合多种数据和知识来提高确定性，但是当证据之间存在矛盾时，得到的结果可能违背常理;压缩感知降低了对采样带宽的要求，而且无须另辟空间来存储采样数据，但是要求输入信号满足稀疏性;模糊聚类虽然直观、简明，但是样本数目过多时，要获得聚类结论有一定困难。因此，在原有技术的基础上，研究和改进故障诊断方法的正确率，提高故障分类的效率，才能保证机械设备能够正常进行生产活动。

1  学习向量量化神经网络

LVQ （Learning Vector Quantization）虽然是一种有监督训练方法，但采用无监督的方法，在处理数据集时是把相同属性的数据进行聚类，从而允许获得聚类中心。LVQ网络由输入层与输出层（也称竞争层）组成。当LVQ获得输入数据时，竞争层的神经元会遵循“胜者为王”原则来产生获得胜利的神经元，输出为1，其余竞争失败的神经元则输出为0。那么，得到1的输出神经元将与输入划分为同一类型，不同的输出神经元代表不一样的类型，以达到输出样本分类识别的目的[4]。LVQ基本结构如图1所示。

由图1可知，网络的连接权为{[ωij]}，i=1，2，…，N，j=1，2，…，M，约束条件为：

[i=1Nωij=1]   （1）

网络的T个二值输入学习模式为Pk=[pk1，pk2，…，pkN]，与其对应的竞争层输出模式为Ak=[ak1，ak2，…，akN]，k=1，2，…，T。

2.3  PSO?KPCA

粒子群的每次更新对应着粒子适应度的更新，以及粒子群全局最优和粒子最优的更新，个体最优和全局最优又作用于粒子群的更新。当迭代完成时，得到最优的适应度值及对应的粒子。粒子群优化核函数参数的流程如图2所示。

解码得到最优的核函数参数，然后重新计算核函数矩阵，得到新的特征值与特征向量[9]。设前j个主成分的累计贡献率为[ηj]，前j个特征值特征向量矩阵为[V2=v1，v2，…，vj] ，则前j个主成分为[Y2=y1，y2，…，yj=VT2X]。

3  基于PSO?KPCA?LVQ的故障诊断模型的建立

3.1  基本思路

LVQ网络本身假定各个维度的对应属性在分类过程中重要度相同，而在进行燃气调压器故障诊断过程中，为避免冗余数据影响LVQ网络分类精度，采用KPCA先对故障数据进行预处理，简化数据矩阵信息，从而实现提高数据分类精度目的。KPCA核参数又需要PSO来进行参数优化。基本流程为先通过PSO?KPCA除去冗余信息，降低故障数据维数。将得到的主成分作为LVQ网络的学习样本。然后，将新的学习样本作为LVQ神经网络的输入层，进一步构建LVQ网络的预测模型[10]。

本文中共将3种故障作为被诊断的原型故障，包括用气高峰压力低、喘振故障、关闭压力高。考虑到正常状态作为一种诊断类型，则共有4种状态，即喘振故障、用气高峰压力低、正常状态和关闭压力高状态，对应的标签分别为F1，F2，F3，F4。现从燃气集团采集的调压器出口压力故障数据中随机选取40组进行仿真测试。表1为燃气调压器的每类运行状态的一组样本。

3.2  仿  真

首先将未进行处理的燃气调压器状态数据输入到LVQ中，运行后得到LVQ网络的训练过程曲线如图3所示。图4为LVQ网络故障诊断结果，可看出LVQ的故障诊断模型识别率达80%。

表2为KPCA分解后，原数据各主成分的具体值以及累计贡献率。贡献率指每一维数据对区分整个数据的贡献。输入特征太多使得数据仍存在过多冗余信息导致计算时间过长，而输入特征太少会导致故障检测率大幅下降。因此，需要综合考虑系统速度和检测速度来确定合理的降维。而本文选取贡献值大于85%的主元个数。根据表2选择22维度。

在试验中，尽管每次迭代次数都不相同，但通过多次试验可以发现，如图5所示，PSO?KPCA?LVQ模型的运行迭代次数大概在18次。由图6可知，识别正确的样本个数为14个，PSO?KPCA?LVQ故障诊断模型识别率达87.5%。

SVM与LVQ同为小样本分类算法。本文将PSO?KPCA?LVQ与PSO?KPCA?SVM算法进行对比研究，将PCA处理后的数据输入到SVM神经网络里面，运行后得到结果如图7、图8所示。

由图7可知，在迭代次数为16时，达到最优。由图8可知，有13个样本分类正确，可看出PSO?KPCA?SVM的故障诊断模型识别率达81.25%。

3.3  PSO?KPCA?LVQ与PSO?KPCA?SVM对比

对比上面3个模型的训练结果后发现PSO?KPCA?SVM与PSO?KPCA?LVQ模型的训练时间和训练步长都大大缩短，证明了优化后的KPCA具有很好的非线性逼近能力[11]。数据通过处理后再用LVQ进行识别，分类精度明显提高。LVQ网络与PSO?KPCA?SVM网络及PSO?KPCA?LVQ网络训练结果的信息对比如表3所示。从表3可看出，对于燃气调压器故障数据样本，PSO?KPCA?LVQ模型故障识别率明显高于PSO?KPCA?SVM，这也说明了LVQ模型用在燃气调压器故障诊断方面具有很大的优越性。

4  结语

对燃气调压器的故障数据进行故障特征提取，本文提取288维数据。而在进行燃气调压器故障诊断过程中，为避免冗余数据影响神经网络分类精度，采用核主元分析法先对采集得到的数据进行初步处理，采用粒子群算法对核参数进行寻优，最终得到 22 个能反映原本数据的特征量。最后将其分别代入 LVQ 模型和SVM模型中。试验结果表明，核主元分析法降低了数据维度，有效提取出数据中的重要信息，提高了识别的效率; 在故障诊断方面，粒子群优化核主元分析法与LVQ神经网络相比粒子群优化核主元分析法与 SVM故障诊断模型具有更高的可靠性。

参考文献

[1] 王秀玉.基于压缩感知和机器学习的滚动轴承故障诊断方法研究[D].北京：北京工业大学，2018.

[2] 程加堂，艾莉，段志梅.改进证据理论与神经网络集成的变压器故障诊断[J].电力系統保护与控制，2013（14）：92?96.

[3] 陈东宁，张运东，姚成玉，等.基于FVMD多尺度排列熵和GK模糊聚类的故障诊断[J].机械工程学报，2018（14）：16?27.

[4] 赵晶晶，葛庆平，张存林.LVQ聚类算法在爆炸物THz光谱识别中的应用[J].计算机工程与应用，2009，45（18）：239?241.

[5] 赵云凤.建筑电气故障诊断方法研究[D].北京：北京建筑大学，2017.

[6] 郑波，朱新宇.基于LVQ神经网络模型的飞机故障分类诊断[J].中国民航飞行学院学报，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] 马云龙.基于主成分分析的RBF神经网络预测算法及其应用[D].长春：吉林大学，2015.

[9] 许东阳，任永泰，王如意，等.基于PSO?PPE模型的黑龙江省水资源生态安全探析[J].中国环境监测，2019（4）：1?6.

[10] 李嘉琳，何巍华，曲永志.PSO优化深度神经网络诊断齿轮早期点蚀故障[J].东北大学学报（自然科学版），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] 陈芳文.燃气设备故障智能诊断系统应用研究[D].北京：北京建筑大学，2016.

[13] 彭红星，潘梨莉，赵鸿图.一种改进的KPCA传感器故障识别方法及其应用[J].仪表技术与传感器，2016（6）：92?94.

[14] 郭小康，簡涛，董云龙.基于PSO?KPCA?LVQ神经网络的雷达一维距离像识别[J].电光与控制，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.基于定子电流的双馈风电机组不对中故障诊断[D].北京：北京交通大学，2018.

作者简介：王  莹（1995—），女，山东人，硕士研究生，研究方向为燃气调压器故障诊断。

王亚慧（1962—），男，北京人，教授，研究方向为燃气调压器故障诊断及建模、机器人、数据库。

安  允（1993—），女，河北人，硕士，研究方向为燃气调压器故障诊断。