韓寶宏 閆明勝 段鵬飛 李志 張羽 朱慧敏

摘? ?要： 借助機(jī)器學(xué)習(xí)算法進(jìn)行設(shè)備故障預(yù)警是保證設(shè)備安全可靠運(yùn)行的有效手段，但故障數(shù)據(jù)樣本難以獲取，成為相關(guān)設(shè)備推廣應(yīng)用的一大挑戰(zhàn)。構(gòu)建一種結(jié)合自組織映射網(wǎng)絡(luò)（SOM）和最小量化誤差（MQE）的SOM-MQE模型，提出基于SOM-MQE模型的設(shè)備故障預(yù)警方法。首先，劃分訓(xùn)練集和測試集，用訓(xùn)練集的設(shè)備正常狀態(tài)數(shù)據(jù)訓(xùn)練SOM模型;然后，將實時數(shù)據(jù)與SOM所有圖元中的權(quán)值矢量作比較，根據(jù)MQE值確定設(shè)備的故障預(yù)警區(qū)間，從而判斷設(shè)備是否需要故障預(yù)警。采用某航空發(fā)動機(jī)的全生命周期數(shù)據(jù)進(jìn)行實驗驗證，表明SOM-MQE模型在進(jìn)行發(fā)動機(jī)故障預(yù)警時能達(dá)到74.81%的準(zhǔn)確率，滿足在缺少明確故障標(biāo)簽數(shù)據(jù)的條件下設(shè)備故障預(yù)警準(zhǔn)確率不低于70%的行業(yè)要求。SOM-MQE模型易于構(gòu)建，檢測速度快，適用于大多數(shù)實際工業(yè)場景。

關(guān)鍵詞： 自組織映射神經(jīng)網(wǎng)絡(luò)（SOM）;最小量化誤差（MQE）;故障預(yù)警;航空發(fā)動機(jī);權(quán)值矢量

引言

在實際工業(yè)生產(chǎn)中，小到一個標(biāo)準(zhǔn)件、大到發(fā)動機(jī)等復(fù)雜機(jī)械設(shè)備的壽命都是有限的，運(yùn)行一段時間后就要維修（或者更換）。及時對設(shè)備進(jìn)行故障預(yù)警，可以有效減少安全生產(chǎn)事故的發(fā)生。

目前，設(shè)備的故障診斷技術(shù)主要聚焦于信號分析和智能診斷兩方面[1]。在信號分析方面[2]，故障診斷主要依賴相關(guān)從業(yè)人員具備的知識基礎(chǔ)和經(jīng)驗;在智能診斷方面，故障診斷主要借助機(jī)器學(xué)習(xí)相關(guān)算法如支持向量機(jī)（Support Vector Machine，SVM）[3]、人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN）[4]、核方法（Kernel Method）[5]和卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）[6]等的應(yīng)用。這些方法在模式識別的過程中，需要借助大量的歷史故障數(shù)據(jù)對模型參數(shù)進(jìn)行擬合，但對于實際的工業(yè)場景來說，設(shè)備故障樣本不像正常狀態(tài)數(shù)據(jù)那樣易于采集[7]，這對機(jī)器學(xué)習(xí)算法的推廣應(yīng)用提出了很大挑戰(zhàn)。

自組織映射網(wǎng)絡(luò)（Self Organizing Map，SOM）[8]是一種無監(jiān)督的人工神經(jīng)網(wǎng)絡(luò)，其借鑒了人腦對信號進(jìn)行處理的特點(diǎn)，依靠神經(jīng)元之間的互相競爭，實現(xiàn)了神經(jīng)網(wǎng)絡(luò)的逐步優(yōu)化。SOM算法結(jié)構(gòu)簡單、參數(shù)量少，所以被廣泛用于語音識別[9]、聚類分析[10]、異常值剔除[11]等領(lǐng)域。文獻(xiàn)[12]將SOM算法和免疫神經(jīng)網(wǎng)絡(luò)相結(jié)合，實現(xiàn)了飛機(jī)燃油系統(tǒng)的故障診斷，該方法在使用SOM算法進(jìn)行數(shù)據(jù)處理的基礎(chǔ)上，利用BP神經(jīng)網(wǎng)絡(luò)對故障進(jìn)行分類，依然要求有充足的故障數(shù)據(jù)樣本，具有一定的局限性。

為此，本文提出一種SOM和最小量化誤差（Minimum Quantifying Error，MQE）相結(jié)合的模型，利用數(shù)據(jù)偏離正常特征空間的量化誤差進(jìn)行模式識別。首先，簡要介紹SOM算法和MQE的基本原理;然后，提出基于SOM-MQE模型的設(shè)備故障預(yù)警方法;最后，將方法應(yīng)用于某航空發(fā)動機(jī)的全生命周期數(shù)據(jù)，對設(shè)備故障預(yù)警有效性進(jìn)行評估。

1? SOM算法和MQE

1.1? SOM算法原理

SOM算法可以對數(shù)據(jù)進(jìn)行無監(jiān)督學(xué)習(xí)（如聚類），其理論基礎(chǔ)是神經(jīng)網(wǎng)絡(luò)對于某一圖像或某種頻率的特定模式產(chǎn)生的興奮。SOM有輸入層和輸出層兩層。輸入層神經(jīng)元的數(shù)量是由輸入向量的維度決定的，一個神經(jīng)元對應(yīng)一個特征，各神經(jīng)元通過權(quán)向量將外界信息匯集到輸出層的各神經(jīng)元;輸出層中的一個節(jié)點(diǎn)代表一個需要聚成的類，輸出層神經(jīng)元的數(shù)量決定了最終模型的粒度與規(guī)模，這對最終模型的準(zhǔn)確性與泛化能力有重要影響。

在本系統(tǒng)中，為了取得并分析航空發(fā)動機(jī)異常數(shù)據(jù)樣本，需要對航空發(fā)動機(jī)的排氣溫度、總溫度、燃油流量、滑油溫度、振動值等進(jìn)行全生命周期監(jiān)測，將其全生命周期數(shù)據(jù)中前60%使用時長的數(shù)據(jù)作為正常數(shù)據(jù)，后10%使用時長的數(shù)據(jù)作為潛在異常數(shù)據(jù)。

SOM結(jié)構(gòu)的區(qū)別主要在輸出層，輸出層節(jié)點(diǎn)的拓?fù)潢P(guān)系可以自定義。如果為一維模型，則輸出節(jié)點(diǎn)依次連成一條線;如果為二維模型，則輸出節(jié)點(diǎn)組成一個平面。圖1所示為最常見的一維和二維SOM示意圖。

SOM算法的基本思想接近于競爭神經(jīng)網(wǎng)絡(luò)，差別在于競爭神經(jīng)網(wǎng)絡(luò)中只有唯一獲勝神經(jīng)元才能調(diào)整權(quán)向量，其他神經(jīng)元無權(quán)調(diào)整權(quán)向量;而在SOM中，獲勝神經(jīng)元對其鄰近神經(jīng)元的影響是由近及遠(yuǎn)，由興奮逐漸變?yōu)橐种?，即，不僅獲勝神經(jīng)元要訓(xùn)練調(diào)整權(quán)值，其周圍的神經(jīng)元也受到影響，要不同程度地調(diào)整權(quán)向量。具體調(diào)整過程是：以獲勝神經(jīng)元為中心設(shè)定一個鄰域半徑R，該鄰域半徑圈定的范圍稱為優(yōu)勝鄰域，優(yōu)勝鄰域初始狀態(tài)較大;隨著訓(xùn)練次數(shù)的增加，優(yōu)勝鄰域?qū)⒉粩嗍湛s，直至半徑為0。具體學(xué)習(xí)步驟如下：

（1）學(xué)習(xí)率初始化，建立初始優(yōu)勝鄰域，使用小隨機(jī)數(shù)對輸出層各神經(jīng)元權(quán)重賦初值、歸一化，得到;

（2）從訓(xùn)練集中隨機(jī)選取一個輸入樣本并進(jìn)行歸一化處理，得到;

（3）遍歷輸出層中每一個節(jié)點(diǎn)，選取距離最小的節(jié)點(diǎn)作為優(yōu)勝節(jié)點(diǎn)，即從與所有的內(nèi)積中找到最大的;

（4）根據(jù)優(yōu)勝鄰域確定優(yōu)勝鄰域?qū)墓?jié)點(diǎn)，并計算各自更新的幅度;

（5）更新優(yōu)勝鄰域內(nèi)的所有神經(jīng)元權(quán)重：

1.2? MQE

大多數(shù)情況下，故障數(shù)據(jù)非常難以準(zhǔn)確采集，而正常狀態(tài)數(shù)據(jù)往往可以方便且準(zhǔn)確地獲取，所以故障預(yù)警可以基于偏離正常特征空間的量化誤差來進(jìn)行。首先，用正常狀態(tài)數(shù)據(jù)訓(xùn)練SOM模型;然后，將特征矢量與所有圖元中的權(quán)值矢量作比較，若MQE超過了預(yù)設(shè)臨界點(diǎn)，則表示可能已需要預(yù)警。借助于當(dāng)前狀態(tài)偏離正常運(yùn)行基準(zhǔn)模型的距離，可以設(shè)計新的故障預(yù)警指標(biāo)，其做法是通過將新獲取的狀態(tài)監(jiān)測數(shù)據(jù)輸入到正常狀態(tài)數(shù)據(jù)訓(xùn)練過的SOM網(wǎng)絡(luò)，計算其MQE，并將該誤差作為一種新的故障預(yù)警評估指標(biāo)。MQE定義為

通過追蹤MQE值，可以定量描述設(shè)備的健康狀態(tài)。

2 基于SOM-MQE模型的設(shè)備故障預(yù)警

在訓(xùn)練集上訓(xùn)練模型，得到SOM-MQE模型設(shè)備預(yù)警故障的區(qū)間閾值。對于訓(xùn)練集中的每組設(shè)備，用正常狀態(tài)數(shù)據(jù)訓(xùn)練SOM，然后將剩余數(shù)據(jù)與所有圖元中的權(quán)值矢量作比較，計算其MQE。設(shè)備的故障預(yù)警區(qū)間設(shè)定為全生命周期壽命后10%節(jié)點(diǎn)的上下20%。計算該區(qū)間內(nèi)的所有數(shù)據(jù)MQE的平均值，取的80%作為預(yù)警區(qū)間的下限，取的120%作為預(yù)警區(qū)間的上限。

在測試集上測試模型的有效性。在測試數(shù)據(jù)中，取每組設(shè)備的正常狀態(tài)數(shù)據(jù)初始化SOM，然后將剩余被測數(shù)據(jù)與所有圖元中的權(quán)值矢量作比較，計算其MQE。若MQE在區(qū)間內(nèi)，則表示設(shè)備處于故障預(yù)警狀態(tài)。

綜上，設(shè)備故障預(yù)警的具體流程如下：

（1）劃分訓(xùn)練集和測試集，將訓(xùn)練集和測試集中的每組數(shù)據(jù)劃分為正常數(shù)據(jù)和故障數(shù)據(jù)，無故障數(shù)據(jù)標(biāo)簽設(shè)置為0，有故障數(shù)據(jù)標(biāo)簽設(shè)置為1;

（2）利用訓(xùn)練集的正常數(shù)據(jù)訓(xùn)練SOM模型;

（3）計算訓(xùn)練集數(shù)據(jù)中故障數(shù)據(jù)的MQE值;

（4）取故障預(yù)警數(shù)據(jù)MQE平均值的80%作為預(yù)警區(qū)間的下限，平均值的120%作為上限;

（5）利用測試集中正常數(shù)據(jù)初始化算法，計算每組數(shù)據(jù)剩余數(shù)據(jù)的MQE值，在區(qū)間內(nèi)的為故障預(yù)警狀態(tài)，其他數(shù)據(jù)為非故障預(yù)警狀態(tài);

（6）計算判斷準(zhǔn)確率，評估模型的性能。

設(shè)備故障預(yù)警流程圖如圖3所示。

3? 實驗與討論

實驗使用2008年預(yù)測與健康管理大賽所提供的數(shù)據(jù)集，其中包含218組類型相同的航空發(fā)動機(jī)的全生命周期數(shù)據(jù)。每一組數(shù)據(jù)反映了1臺航空發(fā)動機(jī)從健康狀態(tài)、衰退狀態(tài)到故障（報廢）狀態(tài)的全過程。數(shù)據(jù)是多維的：第一維是設(shè)備代號;第二維是設(shè)備使用時長;第三維到第五維是對發(fā)動機(jī)有重大影響的操作設(shè)置;其他維度是傳感器采集到的參數(shù)，如溫度、壓力等，但參數(shù)對應(yīng)的物理含義沒有明確解釋。

在實驗過程中，首先劃分訓(xùn)練集與測試集：選擇前100個發(fā)動機(jī)全生命周期數(shù)據(jù)作為訓(xùn)練集，后118個發(fā)動機(jī)全生命周期數(shù)據(jù)作為測試集;然后，歸一化訓(xùn)練集中的傳感器采集參數(shù)，確定訓(xùn)練集中發(fā)動機(jī)的最大使用時長為357個周期（每一個周期代表時長，競賽未詳細(xì)說明），假定此類航空發(fā)動機(jī)的額定使用時長是357個周期，不同的發(fā)動機(jī)由于出廠的差異和磨損程度的不同，剩余壽命也不同。根據(jù)發(fā)動機(jī)使用經(jīng)驗確定最大使用時長的前60%使用周期為正常數(shù)據(jù)，用于模型訓(xùn)練;確定最后10%使用周期作為預(yù)警節(jié)點(diǎn)，因為這段時間容易出現(xiàn)故障狀態(tài)，要及時提醒對設(shè)備進(jìn)行維修或者更換，以有效降低發(fā)動機(jī)的意外維修次數(shù)。為了減小誤差，取10%節(jié)點(diǎn)上下限各20%求平均值，作為預(yù)警的時間節(jié)點(diǎn)區(qū)間。

接下來，計算所有訓(xùn)練集中預(yù)警區(qū)間數(shù)據(jù)的平均MQE值（如圖4所示），其結(jié)果為2.64，將其乘以0.8得到預(yù)警數(shù)據(jù)的下限為2.11，乘以1.2得到預(yù)警數(shù)據(jù)的上限為3.16。

對SOM-MQE模型進(jìn)行測試。同樣，先歸一化測試集中的傳感器采集參數(shù);其次，將測試集中發(fā)動機(jī)最大使用時長的前60%使用周期作為正常數(shù)據(jù)訓(xùn)練SOM模型;模型訓(xùn)練完成后，使用測試集中每個發(fā)動機(jī)的剩余數(shù)據(jù)計算其與訓(xùn)練好的SOM模型的MQE值。

以測試集中的某個發(fā)動機(jī)（稱為1號測試設(shè)備）為例，選擇此發(fā)動機(jī)的前60%周期數(shù)據(jù)作為正常數(shù)據(jù)，用于初始化SOM模型，剩余周期數(shù)據(jù)用于驗證。如圖5所示，深色曲線為此發(fā)動機(jī)剩余周期數(shù)據(jù)偏離SOM模型的MQE值。可以看出，隨著發(fā)動機(jī)運(yùn)行時間的推移，MQE值不斷變大，即設(shè)備越偏離正常狀態(tài)，出現(xiàn)故障的風(fēng)險越大。淺色水平線為根據(jù)訓(xùn)練集訓(xùn)練得到的故障預(yù)警閾值和，即當(dāng)被測數(shù)據(jù)中MQE值在區(qū)間時，則認(rèn)為設(shè)備處于故障預(yù)警狀態(tài)。計算所有測試集數(shù)據(jù)中被測數(shù)據(jù)的MQE值，根據(jù)和判斷設(shè)備狀態(tài)，并輸出預(yù)測結(jié)果，計算得到預(yù)警模型的準(zhǔn)確率為74.81%，滿足在缺少明確故障標(biāo)簽數(shù)據(jù)的條件下設(shè)備故障預(yù)警準(zhǔn)確率不低于70%的工業(yè)界要求。

4? 結(jié)論與展望

本文介紹了一種基于SOM-MQE模型的設(shè)備故障預(yù)警方法。該方法的優(yōu)勢在于，即使缺少明確的故障標(biāo)簽，也能夠充分利用歷史數(shù)據(jù)中的海量健康數(shù)據(jù)和使用經(jīng)驗構(gòu)建基準(zhǔn)模型，并基于觀測數(shù)據(jù)與正常狀態(tài)數(shù)據(jù)的偏差實時判定設(shè)備的健康狀態(tài)，快速有效地對設(shè)備進(jìn)行故障預(yù)警，降低意外故障導(dǎo)致的設(shè)備維修次數(shù)，在工業(yè)界具有顯著的應(yīng)用價值。

本文沒有將設(shè)備中所有傳感器采集的參數(shù)用作模型的輸入。未來可考慮進(jìn)行有效特征的選擇和優(yōu)化，簡化模型輸入，進(jìn)一步提升算法的預(yù)測準(zhǔn)確性。

參考文獻(xiàn)

[1] El-Thalji I， Jantunen E. A summary of fault modelling and predictive health monitoring of rolling element bearings [J]. Mechanical Systems & Signal Processing， 2015， 60/61（1）： 252-272.

[2] 王江萍， 孫文莉. 基于小波包能量譜齒輪振動信號的分析與故障診斷[J]. 機(jī)械傳動， 2011， 35（1）： 55-58.

[3] Thelaidjia T. A New approach of preprocessing with SVM optimization based on PSO for bearing fault diagnosis[C]// 13th International Conference on Hybrid Intelligent Systems （HIS）， 2013. IEEE， 2013.

[4] Moosavi S S， Djerdir A， Ait-Amirat Y， et al. ANN based fault diagnosis of permanent magnet synchronous motor under stator winding shorted turn [J]. Electric power systems research， 2015， 125（8）： 67-82.

[5] 李巍華， 史鐵林， 楊叔子. 基于核函數(shù)估計的轉(zhuǎn)子故障診斷方法[J]. 機(jī)械工程學(xué)報， 2006， 42（9）： 76-82.

[6] Zhao D， Wang T， Chu F. Deep convolutional neural network based planet bearing fault classification [J]. Computers in Industry， 2019， 107： 59-66.

[7] 柯赟， 宋恩哲， 姚崇， 等. 船舶柴油機(jī)故障預(yù)測與健康管理技術(shù)綜述[J]. 哈爾濱工程大學(xué)學(xué)報， 2020， 41（1）： 125-131.

[8] Kohonen T. The Self-organizing Maps [J]. Proceedings of the IEEE， 1990， 78（9）： 1464-1480.

[9] Xiao X， Dow E R， Eberhart R， et al. Gene clustering using self-organizing maps and particle swarm optimization[C]// Proceedings International Parallel and Distributed Processing Symposium. IEEE， 2003.

[10] 孫放， 胡光銳. SOM結(jié)合MLP的神經(jīng)網(wǎng)絡(luò)語音識別系統(tǒng)[J]. 數(shù)據(jù)采集與處理， 1996， 11（2）： 119-122.

[11] 路輝， 劉雅嫻. 基于互相關(guān)分析和SOM神經(jīng)網(wǎng)絡(luò)的異常值檢測平臺[J]. 計算機(jī)測量與控制， 2018， 26（5）： 52-55.

[12] 戴敏， 祝加雄， 賀元驊. 基于SOM算法和免疫神經(jīng)網(wǎng)絡(luò)的飛機(jī)燃油系統(tǒng)故障診斷[J]. 計算機(jī)測量與控制， 2014， 22（11）： 3483-3486.