作战舰艇柴油机磨损故障的RS-KELM 诊断

2022-09-14甘旭升韩宝安韩宝华

火力与指挥控制 2022年7期

向波，甘旭升，韩宝安，韩宝华

（1.四川交通职业技术学院航运工程系，成都 611130；2.空军工程大学空管领航学院，西安 710051）

0 引言

作战舰艇出海训练作业会遇到各种海况，经常进行机动，导致柴油机的运行长时间处于振动、高温等相对较差环境中，作战舰艇柴油机还受到酸碱性物质腐蚀、海水的侵蚀以及内部各种颗粒的磨损危害。此外，作战舰艇柴油机内部结构复杂，导致故障率较高，磨损故障总占比高达37.5%。因此，作战舰艇柴油机磨损故障诊断研究对提升作战舰艇作业效能意义重大。

近年来，随着人工智能与信息处理技术的进步，学者们将神经网络应用于作战舰艇柴油机磨损故障诊断研究中。如喻步贤等在所提取特征基础上，采用RBF 神经网络构建船舶柴油机机械磨损故障模式识别模型，取得了较好的诊断效果。吴瑞莉设计了一种基于BP 神经网络的自适应调整学习率算法，并应用于船舶柴油机磨损故障诊断中。张庆年等采用原子光谱分析法，获取检测船用柴油机及舵浆装置润滑油的机械磨损微粒信息，再通过神经网络训练模型获取机械设备的磨损状态。从以上研究成果可知，神经网络的自组织、自学习特性为作战舰艇柴油机磨损故障提供了全新诊断模式，并取得了一定进展。但在故障诊断研究中，神经网络还是出现了精度不高和结构难确定等诸多问题，使其推广应用受到了限制。极限学习机（extreme learning machine，ELM）通过随机选择隐含层节点，不需要进行大量迭代，直接以解析方式确定输出层权值，相较于传统神经网络，其在学习效率和泛化能力上具有一定优势。然而，ELM 也存在着不足，其随机确定输入权重和隐含层偏差，可能会导致较大的预测误差。为此，本文引入性能更为优异的核ELM（kernel ELM，KELM），用于作战舰艇柴油机磨损故障诊断研究中，并结合降维消冗问题展开研究。

基于以上分析，在作战舰艇柴油机油液检测数据基础上，提出一种基于粗糙集（rough set，RS）属性约简与KELM 的作战舰艇柴油机磨损故障诊断方法。在该方法中，RS 用于作战舰艇柴油机油液光谱和直读铁谱特征的属性约简，KELM 用于构建约简后属性与磨损故障类型的映射，仿真显示该方法具有一定的有效性和可行性。

1 作战舰艇柴油机油液检测

作战舰艇柴油机操作运行时，复杂恶劣环境中的诸多污染物不可避免地进入机械设备内部，使得油液品质降低，造成机器磨损。油液检测技术通过对油样检测，获取反映油品性能指标的关键参数变化，分析设备磨损信息，润滑效果以及油品质量，利用这些信息预测故障类型、致因以及发生部位。作战舰艇柴油机油液检测主要包括：有理化分析、光谱分析和铁谱分析。

根据光谱分析原理，通过检测获取的元素发射或吸收光谱的波长和强度可计算出元素的成分和含量。在作战舰艇柴油机润滑油中，掺杂着外部污染物、零部件磨损微粒、润滑系统异常产物等来源广泛的大量微粒。零部件的磨损状态与油液中各微粒元素浓度联系密切。因此，通过光谱分析检测作战舰艇柴油机油液的元素，不仅能判断出零部件的磨损状态，还能检测出润滑系统故障。通常，元素Cu、Pb、Sn、Sd、Cd、Ag 源自轴承；元素Fe、Mn、Mo、B、Ni 源自于活塞环、缸套及曲轴；元素Na、K、Ca、P、Mg、Zn、B、Ba 源自添加剂；Fe、Mn、Mo、Al、Ni、Cr、Ti、Si 源自于气阀和活塞；元素Na、K、Ca、Mg、Si、B 源自于冷却水和空气。

铁谱分析可以通过高梯度磁场按粒度大小分离机器润滑油中的磨损颗粒，通过观测磨粒大小、浓度、形态、粒度、分布和成分等状态信息，得到有关磨损状态的重要信息。本文的作战舰艇柴油机磨损故障检测研究中，通过直读铁谱分析，获取润滑油中的铁磁性微粒的基本参数信息，例如，大磨粒Dl、小磨粒Ds、磨损严重度指数Is（Dl-Ds）、磨损总量Dls（Dl-Ds）等。

2 粗糙集理论

粗糙集属性约简能够在最终分类与决策分类结果不变的情况下，缩减属性数量，是粗糙集理论的核心内容。本文基于层次结构和近似精度概念，引入了一种启发式的属性约简递归算法，通过加入不同于信息熵的启发性信息，缩小搜索空间，提升搜索效率，获得最优解和近似最优解。

4）将选择的属性a放入约简集red，并从C 中删减属性a，执行式（2）；

6）将约简集red 中的属性与C 中剩余的属性分别组合，重复步骤2～步骤5；

7）输出约简集red，约简计算结束。

3 核极限学习机（KELM）

考虑到作战舰艇柴油机复杂的内部结构、剧烈的零部件交互以及恶劣的运行环境，要通过数学模型对磨损故障作出正确识别，计算复杂度非常高。本文提出采用KELM 描述诸多油液检测指标与磨损故障类别之间的映射关系，以期实现作战舰艇柴油机磨损故障的准确诊断。

3.1 核函数理论

对于模式识别问题，样本在低维空间线性不可分时，可将输入数据通过非线性核函数映射到高维特征空间，由此实现线性可分。核函数基本原理：建立输入样本与高维特征空间的非线性映射关系，并在高维特征空间进行数据运算。通过引入核函数，高维特征空间的内积运算可转化为输入空间内的简单运算。

设x与x为输入空间中的样本数据，则输入空间到高维特征空间的非线性映射函数为Φ，则核函数方法可描述为实现内积变换：

图1 核函数的映射过程

3.2 基于核函数的ELM

1）随机初始化赋值输入层与隐层的权值向量a和隐层节点偏置值b；

此时，基于核函数的ELM（KELM）输出函数为

不难理解，在KELM 算法中，无需了解g（x）的具体形式，仅需明确具体核函数K（x，x）就可计算输出函数的值。另外，需要说明的是核函数为内积形式，在计算式（5）时不需要确定网络隐层节点的个数。

与传统的SVM 类似，在处理非线性分类问题时，KELM 以映射方式将输入空间嵌入到高维特征空间，间接实现复杂问题的分类。该变换以核函数形式隐式定义，这类核方法在特征空间内高效计算内积，而不是在样本空间中进行处理，因此，引入核函数明显改善了计算能力。KELM 是一种代表性极强的核方法，核函数的选择对KELM 建模具有非常重要的作用。选择何种核函数，会直接影响KELM的推广能力。而不同核函数的特征空间度量不尽相同，即在各类核函数下由样本数据生成的核矩阵所隐含的空间分布信息特征各异，甚至差异较大。核函数选择属于KELM 研究中的开放性问题，目前尚缺少理论指导，也存在一定偶然性和局限性。

在采用类似KELM 的核方法建模中，通常选择的核函数包括：线性核、多项式核和径向基（RBF）核等。本文选取了应用最为广泛的RBF 核，主要基于它的以下两个优点：

1）RBF 核可将一个样本映射到一个更高维的空间，而线性核是RBF 核的一个特例；

2）与多项式核相比，RBF 核所需参数少，而核函数参数的多少直接影响计算复杂度。

4 基于油液检测数据的RS-KELM 故障诊断流程

根据前述分析，利用光谱分析技术检测油液中磨损元素，通过分析素成分与含量的变化趋势判断机械磨损程度。利用直读铁谱分析检测油液中大小磨粒数变化趋势，由此判断机械磨损程度。在实际作战舰艇柴油机磨损故障诊断过程中，基于光谱和直读铁谱数据，结合其他技术手段，克服单一设备检测导致的数据误差，提高检测精度。本文引入RS启发式属性约简方法，先将光谱和直读铁谱的特征属性指标选择出来，再将其作为输入数据进行训练KELM 模型，构建联合检测推断规则，判断作战舰艇柴油机处于正常磨损、警戒磨损还是异常磨损。

通过构建KELM 故障诊断模型时，可以减少输入维数，简化网络结构，缩短训练时间。尤其对于维数大、包含噪声的作战舰艇柴油机油液数据，往往单一KELM 模型难以达到满意的诊断精度。而RS属性约简是解决以上问题的可行方案。在本文中，RS 属性约简的主要作用是，通过数据分析为KELM建模进行降维与消冗预处理，提高诊断效率。因此，将RS 与KELM 有机结合，理论上可降低KELM 的建模复杂性，减少建模耗时，改善诊断精度。

根据以上分析，基于作战舰艇柴油机油液光谱和直读铁谱数据的RS-WNN 磨损故障诊断流程如图2 所示。具体实现步骤如下：

图2 RS-KELM 磨损故障诊断流程

1）将作战舰艇柴油机油液的光谱指标和直读铁谱指标作为条件属性，并将对应的作战舰艇柴油机磨损故障模式作为决策属性，建立决策表；

2）离散化处理决策表中的条件属性数据和决策属性数据；

3）利用所提出的启发式算法对离散化的决策表进行RS 属性约简；

4）根据约简后的结果，确定KELM 的输入属性，同时也可确定训练样本和测试样本，进而对KELM 展开训练；

5）得到训练后KELM 模型后，使用测试样本进行验证，并执行后续的作战舰艇柴油机磨损故障诊断。

由于RS 仅能处理离散化数据，因此，需要预先对条件属性或决策属性进行离散化处理，再进行属性约减。由于在已有离散化方法中，存在计算复杂，且过于依赖主观经验的缺陷，因此，本文选取了一种基于决策表信息熵的连续属性自动离散化算法，降低计算复杂度，克服主观经验的缺陷。

5 实验仿真

实验环境：Pentium IV 2.4 GHz CPU，2 GB DDR内存，80 GB+7 200 转硬盘；Windows XP 操作系统。实验中，所涉及算法均采用MATLAB 2014a 软件编程并调试运行。

5.1 实验数据选取

实验数据来源于2004 年-2010 年的作战舰艇跟踪油液监测数据，油液采样位置为作战舰艇柴油机主油道，去除油液采集中人为因素影响，挑选典型油样数据用于RS-KELM 的训练。为消除属性因子量纲的影响，需要在RS-KELM 磨损故障诊断前对油液数据进行标准化处理，以提高建模精度，改善收敛性能。本文中作战舰艇柴油机的磨损故障模式有：正常磨损、异常磨损、警戒磨损。实验共使用920 组作战舰艇油液光谱及铁谱数据，其中470 组用于训练，余下的用于测试，具体分布如表1 所示。

表1 训练样本与测试样本分布

5.2 实验与结果分析

为验证RS 方法有效性，实验分别选取分辨矩阵算法、正域算法和本文启发式算法对构建的决策表进行约简。待约简的条件属性由两部分组成，一部分为光谱分析特征：Cu、Pb、Sn、Sd、Cd、Ag、Fe、Mn、Mo、B、Ni、Na、K、Ca、P、Mg、Zn、Ba、Al、Cr、Ti、Si；另一部分为直读铁谱分析特征：Dl、Ds、Is、Dls。决策属性：正常磨损（标签：0）、异常磨损（标签：1）和警戒磨损（标签：2）。通过约简获得的属性核如表2 所示。根据约简后的属性核，可削减训练样本和测试样本的冗余条件属性，并据此完成BP、ELM 和KELM 模型的训练测试。表3 给出了启发式算法约简后的训练样本。不同约简算法下的BP、ELM 和KELM 模型训练时间如表4 所示。而基于原始数据、分辨矩阵算法、正域算法和启发式算法的BP、ELM和KELM 模型诊断结果对比如下页表5 所示。

表2 使用不同RS 约简算法获得的属性核

表3 启发式算法约简后的训练样本

表4 基于不同约简算法的分类模型训练用时对比（单位：s）

表5 磨损故障诊断结果对比（单位：%）

从以上实验结果可看出，在训练用时和诊断精度指标上，经RS 预处理后的BP、ELM 和KELM 优于没有预处理的，说明作战舰艇柴油机的油液光谱指标和直读铁谱指标经RS 属性约简后，从不同程度上清洗了BP、ELM 和KELM 建模输入的冗余信息，简化了网络训练结构，提升了故障诊断准确度。而较之RS 的分辨矩阵算法与正域算法，本文启发式算法的约简可使BP、ELM 和KELM 获得更好的建模效果，且以KELM 的诊断精度最高，正常磨损、异常磨损和警戒磨损模式分别达到99.1%、98.5%和99.4%。这也充分说明，本文提出的RS 启发式属性约简与KELM 集成方法，用于作战舰艇柴油机故障诊断是有效和可行的。