CN101446283B - 一种基于进化计算诊断压缩机故障的方法 - Google Patents

Abstract

本发明公开了一种基于进化计算诊断压缩机故障的方法，通过采集获取压缩机工作状态数据，并以每一个观测点作为“节点”，实际压缩机物理所产生观测点之间的联系作为“关系”，对测量数据建立加权无向图G(V，A)，以关系图的方式取代传统的欧氏距离方法来度量故障数据点之间距离，将压缩机故障数据转换为对加权无向图G的分割问题，采用帕累托(Pareto Principle)原则构造图分割代价函数，并设计了基于复杂系统理论的改进的进化计算图分割算法对关系图进行分割，通过对代价函数最优化求解实现压缩机故障数据的聚类/分类，以达到故障诊断的目的。

Description

一种基于进化计算诊断压缩机故障的方法

技术领域

本发明属于故障诊断方法，特别涉及一种基于改进了的进化计算来诊断压缩机故障的方法。该方法可用于解决压缩机故障诊断中的故障数据特征提取及故障识别和分类问题。

背景技术

由于压缩机系统日益的复杂化，导致了所检测的状态参数的增多，增加了处理故障检测数据的难度。其主要表现在：故障数据状态参数分布空间的复杂化和数据样本的重复冗余。在以往的故障检测中，一般采用欧氏距离来度量数据之间的距离、确定数据的聚类/分类，但欧氏距离只能在球形空间正确的反映出数据之间的关系，如果系统故障数据分布如图1(a)所示，图中P₁、P₂、P₃三个数据点采用欧式距离度量，则P₁与P₂最近；但将图1(a)展开后，如图1(b)所示，它们之间应该是P₂、P₃两点最近，所以对于此类状态参数分布空间，基于欧式距离的聚类/分类算法是不可能得到正确结果的。而对于实际的系统，无法保证其状态参数的分布就是球形空间，因此有必要构建一个能够正确衡量故障监测数据的新的距离度量。在图论中，一个关系图表示为G＝(V，E)，其中V是顶点集合，E是边的集合，如果故障监测数据通过合适的处理以关系图的方式来表达它们之间的关系，就可以根据图论的知识将欧氏距离度量转换为测地线(geodesic)距离度量，从而克服了欧氏度量标准的缺点。将故障数据用关系图表示后，故障特征提取也随之转变为对该关系图的分割，图分割是图论中一个重要的研究前沿。目前，在基于图分割领域的研究主要集中在：分割准则的设计、谱方法的研究、快速算法的研究，上述方法共同点是需要构建相似度矩阵，并通过求解特征向量来实现数据的聚类/分类，而上述方法对数据中含有的噪音敏感，可能会导致数据不正确的聚类/分类，而压缩机系统的监测数据中往往是含有大量噪音的，所以采用传统的图分割方法很难保证算法的有效性和效率，因此需要引入新的方法来解决此技术难点。进化计算是模拟生物进化过程的算法，具有可操作性强，效率高等优点，在工程优化计算中已被广泛的应用，其研究起源于二十世纪五十年代末，成熟于八十年代，它是信息科学、人工智能与计算机科学的热点研究领域，并已在工程优化、图像分割中有许多成功的应用，具备对数据噪声不敏感和对待求解问题无需连续、可微的前提条件等特点，所以该方法能够较好的解决上述的分割问题。目前，基于进化计算的压缩机故障诊断技术未见有文献公开报道。

发明内容

随着压缩机系统的日益大型化、复杂化的发展趋势，其故障诊断以及故障分析也越来越困难。本发明的目的在于，采用关系图的方式来表达故障数据点之间的关系，建立一套新的数据关系度量标准代替欧氏距离，克服欧氏距离只能在球形空间内准确表达数据关系的弱点；并将复杂系统理论和进化计算技术相结合，来解决多噪音数据图分割的技术难点，实现故障数据的聚类/分类，进而提取规则，完成压缩机系统的故障诊断。

为达到以上目的，本发明是采取如下技术方案予以实现的：

一种基于进化计算诊断压缩机故障的方法，其特征在于，包括下述步骤：

1)在压缩机各级缸进气口、排气口安装温度、压力传感器，由数据采集卡采集数据到计算机；

2)根据实际压缩机物理结构以及各个传感器安装具体位置构建测量数据关系图，以传感器作为关系图的“节点”，以实际压缩机物理结构所产生传感器之间的联系作为“关系”，数据样本空间X就可以表示成加权无向图G(V，A)，其中，V是图的顶点，A是加权边；

3)采用帕累托原则构造图分割代价函数，其具体描述如下式所示：

$\cos t=\frac{1}{k}\underset{i=1}{\overset{k}{\mathrm{\Σ}}}\underset{j=1,i\≠j}{\overset{k}{\mathrm{\Σ}}}\frac{f_i^c+f_j^c}{\left|\right|c_i,c_j\left|\right|}$

$f_i^c=\underset{j=1}{\overset{n_i}{\mathrm{\Σ}}}\left|\right|x_j,c_i\left|\right|/\sqrt{n_i}$

式中：k为分类数目，c_i为各个子图中心点，f_i ^c为图的紧密度量度，n_i为子图内数据点数目，x_j为数据点。

4)构建基于复杂系统理论的进化计算图分割算法，首先，用反映复杂系统能量分布的幂次法则改造选择算子；其次，设计具有自学习特性的环境-基因双演化交叉算子；再次，采用反馈机理改进更新策略，提出一种自适应的更新策略算子；最后，提出基因漂流算子并用于算法中；以上各算子在进行进化计算过程中相互平衡、相互制约，以提高算法的效率及防止早熟；

5)初始化：设定基于复杂系统理论的进化计算图分割算法终止条件，设置算法运行参数；

6)算法终止条件判断：当满足终止条件就结束算法，执行第8)步，否则，执行第7)步；

7)采用基于复杂系统理论的进化计算算法对数据关系图进行分割，返回6)；

8)根据数据关系图分割结果，判断压缩机的工作状态，并作出故障诊断。

上述方案中，第2)步所述构建测量数据关系图的具体方法是：大型压缩机检测到的系统可观测量x包括有进气压力、进气温度、排气压力和排气温度共4个属性，可观测量x的取值范围全体构成数据样本空间X，每一个可观测量x_i作为“节点”，两个可观测量x_i与x_j之间的实际压缩机物理联系作为“关系”，数据样本空间X就可以表示成加权无向图G(V，A)，V＝{x₁，x₂，...，x_m}为图的顶点，加权边A＝{aij}表示x_i与x_j之间的相似度。

所述第4)步中，用反映复杂系统能量分布的幂次法则改造选择算子是对父代的选择采用幂次法，而对母代的选择则采用顺序选择，并与环境-基因双演化交叉算子、自适应更新策略算子、基因漂流算子配合使用，防止算法出现早熟；其中：

环境-基因双演化交叉算子具体描述如下：

$T_c\left(X_k^{t+1}\right|X_i^t,X_j^t)=\left\{\begin{array}{c}{X}_i^t+r_1{E}^t\\ X_j^t+r_1{E}^t\end{array}\right.\mathrm{or}$

$E^t=\left\{\begin{array}{c}{r}_2{E}^{t-1}+r_3(X_i^t-X_j^t),f\left(X_i^t\right)>f\left(X_j^t\right)\\ r_2{E}^{t-1}+r_3(X_j^t-X_i^t),f\left(X_j^t\right)>f\left(X_i^t\right)\end{array}\right.$

式中：E是环境变量，r₁是学习系数，r₂是遗忘系数，r₃是加速系数，t是进化代数。

所述采用反馈机理改进更新策略，提出一种自适应的更新策略算子具体描述如下：

$T_r(X_i^{t+1},X_i^t,{\hat{X}}_i^t)=\left\{\begin{array}{c}{X}_i^{t+1}={\hat{X}}_i^t,f\left({\hat{X}}_i^t\right)>f\left(X_i^t\right)\\ X_i^{t+1}={\hat{X}}_i^t,f\left({\hat{X}}_i^t\right)<f\left(X_i^t\right)\&cap;{\mathrm{Np}}_r<i\&le;N\\ X_i^{t+1}=X_i^t,\mathrm{otherwise}\end{array}\right.$

式中：Tr是更新策略算子，p_r是更新规模变量，N是遗传算法种群规模，

是产生的新个体。

上式中更新规模变量p_r亦采用反馈修改方式，当种群逐代进化时则较多的个体采用“优胜劣汰”更新策略，促使群体迅速收敛；但种群陷于局部最优解，进化趋势不明显时则采用“子代直接取代父代”的更新策略，为群体引入更多的基因模式。

所述更新规模变量p_r的反馈修改方式如下：

$p_r=\left\{\begin{array}{c}{p}_r+\mathrm{\&alpha;},f\left({\stackrel{\&RightArrow;}{X}}_{\max }^{t+1}\right)>f\left({\stackrel{\&RightArrow;}{X}}_{\max }^t\right)\\ p_r-\mathrm{\&beta;},f\left({\stackrel{\&RightArrow;}{X}}_{\max }^{t+1}\right)\&le;f\left({\stackrel{\&RightArrow;}{X}}_{\max }^t\right)\end{array}\right.,p_r\&Element;[\frac{1}{{\mathrm{Np}}_r},1.0]$

式中：α是递增量常数，β是递减量常数。

所述基因漂流算子具体描述如下：

$T_f\left(X\right)=\left[\begin{array}{c}{c}_{11},\&CenterDot;\&CenterDot;\&CenterDot;c_{1k-1},\stackrel{*}{c_{1k}},c_{1k+1},\&CenterDot;\&CenterDot;\&CenterDot;,c_{1l}\\ c_{21},\&CenterDot;\&CenterDot;\&CenterDot;c_{2k-1},\stackrel{*}{c_{2k}},c_{\mathrm{mk}+1},\&CenterDot;\&CenterDot;\&CenterDot;,c_{2l}\\ \&CenterDot;\&CenterDot;\&CenterDot;\\ c_{m1},\&CenterDot;\&CenterDot;\&CenterDot;c_{\mathrm{mk}-1},\stackrel{*}{c_{\mathrm{mk}}},c_{\mathrm{mk}+1},\&CenterDot;\&CenterDot;\&CenterDot;,c_{\mathrm{ml}}\end{array}\right],c_{\mathrm{ik}}^{*}\&Element;X_{\mathrm{best}},i\&SubsetEqual;[1,l]$

式中：Tf为基因漂流算子，Xbest为最优个体。

所述采用基因漂流算子发生基因漂流事件的概率为p_f，其采用了反馈控制技术，其具体描述如下：

$p_f=\left\{\begin{array}{c}{p}_f+k_1{p}_f,f\left({\stackrel{\&RightArrow;}{X}}_{\max }^{t+1}\right)>f\left({\stackrel{\&RightArrow;}{X}}_{\max }^t\right)\\ p_f-k_2{p}_f,f\left({\stackrel{\&RightArrow;}{X}}_{\max }^{t+1}\right)<f\left({\stackrel{\&RightArrow;}{X}}_{\max }^t\right)\end{array}\right.,p_f\&SubsetEqual;\left[\mathrm{0,1}\right]$

式中：p_f是基因漂流概率，k₁是概率递增系数，k₂是概率递减系数。

所述第7)步中，采用基于复杂系统理论的进化计算算法对数据关系图进行分割是在图分割代价函数的指导下，基于第5)步所述的初始化工作和第6)步所述的终止条件判断，对第2)步构建的测量数据关系图进行最优化分割的过程，包括下述步骤：

7-1判断是否需要进行基因漂流操作，若不需要，转至执行第7-4步；

7-2使用第4)步所述的基因漂流算子，选择优势基因位修改所有个体的等基因位；

7-3按照第3)步构造的代价函数计算当前所有个体的代价函数值；

7-4使用第4)步所述的幂次法则改造选择算子从群体中选择用于交配的父代个体；

7-5判断是否需要进行杂交操作，若不需要，转至执行第7-7步；

7-6使用第4)步所述的环境——基因交叉算子杂交父代个体以获得子代个体；

7-7判断是否需要进行变异操作，若不需要，转至执行第7-9步；

7-8变异子代个体；

7-9按照第3)步构造的代价函数计算子代个体的代价函数值；

7-10使用第4)步所述的自适应更新策略更新群体。

所述第8)步中，判断压缩机的工作状态并作出故障诊断是指：对第7)步所得的数据聚类结果进行判断，由于不同的故障有不同的数据聚类结果，从而判断出压缩机是否有故障，再将数据状态与物理结构进行对比或者将聚类结果与标准数据的聚类结果对比，即可判断压缩机故障的类型。

本发明方法的特点是：

1.提出基于关系图的故障监测数据关系的度量模型。

以图论中的关系图表述大型压缩机故障监测数据的关系，克服传统欧氏距离不能正确度量非球形空间分布的数据关系，该数据关系模型的建立能够准确地度量压缩机故障监测数据之间的真实距离。

2.发展出解决多噪音压缩机故障数据图分割的多目标聚类进化计算算法。

图论中，图分割的方法几乎是通过构建相似矩阵，并求解相似矩阵的特征向量来实现。但是，由于噪音对矩阵特征向量求解的影响非常大，所以含有多噪音数据图的分割是一技术难点。本发明以多目标进化计算的数据聚类算法来解决多噪音数据图分割，并从复杂系统的角度重新认知进化计算的行为，提高压缩机故障数据图分割的效率和分割结果的满意度。

本发明与现有技术相比具有如下优点：

1、实施成本低并对压缩机系统结构破坏性小。

目前，压缩机故障诊断一种十分有效的方法是示功图法，该方法通过反映设备热力学性能示功图的变化对设备进行故障监测与诊断。但是，无论采用机械式，电器式或电子式示功器，一般需要在压缩机上开示功孔，这就破坏了压缩机的原有结构。所以，虽然示功图法是非常有效的检测手段，但是在生产实际过程中却很难实施。其次，就是振动法，其利用机器表面振动信号诊断活塞、气缸磨损、气阀漏气和主轴承状态；在气缸头安装振动传感器，通过分析振动信号诊断缸内故障；利用振动信号诊断压缩机主轴承故障；利用润滑油管路内的压力波信号诊断压缩机轴承故障等。但由于背景噪声干扰大、机械工况的变化导致其信号的非平稳性、缺少性能可靠的传感器以及实施费用高等原因导致该方法在实际压缩机故障监测与诊断中未能得到大面积推广。

而本发明采用参数法，通过检测热力学状态参数(如温度、压力)以诊断压缩机的故障。参数法优点在于：其一，油温、水温、排气量、排气压力、冷却水量等信号获取的代价较小；其二，参数法对压缩机的结构和性能几乎没有影响。

2、用压缩机故障监测数据关系图度量数据之间关系准确。

本质上压缩机故障诊断就是对系统检测数据进行处理，将故障数据分类以及从繁杂的数据中提取知识，因此就需要设定故障数据之间关系的衡量标准，目前故障数据之间的衡量标准大多采用欧氏距离。如果系统故障数据分布在空间扭曲，此时基于欧式距离的聚类/分类算法就不可能得到正确的结果。而压缩机是一类较为复杂的机电系统，其各个压缩气缸之间相互影响、相互耦合，某一级出现故障后，其温度、压力的变化会耦合到系统其它各级缸中，并且其变化具有很强的非线性和时变性，所以压缩机的故障特征参数空间不可能是规则空间，而目前在故障监测技术中，绝大部分的数据关系是通过欧氏距离来衡量，实际的数据聚类表明欧氏距离只适合处理球形空间内的数据，因此欧氏距离衡量标准在该类系统中不再适用。所以，本发明中采用图论中的关系图来表示数据点之间的关系，以非欧式距离度量关系图中数据点之间的长度。其内容包括：关系图的拓扑顶点集合和故障数据点映射关系以及关系图的边集合和故障数据点距离的对应关系。关系图的拓扑顶点集合与故障数据点映射关系描述了故障演变的关系是多级压缩机内在物理特征的体现；关系图的边集合与故障数据点距离的对应关系则度量了非欧式空间下的故障发现迁变概率。

3、仿真试验性能好，检测方法优越

为了验证本发明的基于进化计算压缩机故障检测方法的优越性，将对实际的大型四级压缩机系统中的数据进行故障处理，并与基于谱分割数据图处理方法进行了比较。试验结果表明基于进化计算压缩机故障诊断方法在大大减少特征样本的情况下，有效提高了分类正确率；与基于谱分割数据图处理方法相比，明显降低了计算复杂度，并且算法不受样本初始分布的影响，更加稳定。而数据分类环节正是能否正确快速诊断出压缩机故障的关键环节。

附图说明

图1是两种不同空间下的数据分布图：图1(a)为弯曲空间数据分布图；图1(b)为非弯曲空间数据分布图。

图2是本发明方法实现步骤的流程框图。

图3是图2中采用进化计算算法对数据关系图进行分割的具体步骤框图。

图4是本发明的数据维数对运算时间的影响图。

具体实施方式

为了验证本发明基于进化计算压缩机故障诊断方法的优越性，以下结合实施例对本发明作进一步的详细描述。

本发明基于进化计算压缩机故障诊断方法应用于某一大型四级压缩机(功率500KW，压力10MPa)故障数据的诊断问题。通过对比本发明和传统谱聚类算法提取故障特征数据数目和诊断正确率，可以检验本发明发现故障状态的能力。

针对上述具体问题，对本发明设计的基于进化计算压缩机故障诊断方法具体描述如下：

1)采集四级压缩机工作状态数据：在压缩机各级缸进气口、排气口安装温度、压力传感器，并通过数据采集卡采集数据；

2)建立四级压缩机数据关系图：根据四级压缩机各个汽缸之间串联的物理特性建立传感器采集回来数据点之间的关系。关系图的拓扑顶点集合与传感器数据点映射关系描述了各级缸之间物理状态动态的演变关系，是该四级压缩机内在物理特征的体现。关系图的边集合与传感器数据点距离的对应关系则度量了非欧式空间下的各级缸数据点迁变的概率。

3)构造关系图分割代价函数：在代价函数的设计中，纳入社会经济学的帕累托原则，强调多目标之间的动态平衡，解决目标之间资源合理分配的难题。具体是在网络分割后评价子网络内部的拓扑顶点的数量和所有的边长，期望子网络内部包含的拓扑顶点和短边数量越多越好，并且长边越少越好。所构造的代价函数具体如下式所示

$\cos t=\frac{1}{k}\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}\underset{j=1,i\&NotEqual;j}{\overset{k}{\mathrm{\&Sigma;}}}\frac{f_i^c+f_j^c}{\left|\right|c_i,c_j\left|\right|}$

$f_i^c=\frac{\underset{j=1}{\overset{n_i}{\mathrm{\&Sigma;}}}\left|\right|x_j,c_i\left|\right|}{\sqrt{n_i}}$ 式中：k为分类数目，c_i为各个子图中心点，f_i ^c为图的紧密度量度，n_i为子图内数据点数目，x_j为数据点。

4)构建基于复杂系统理论的进化计算图分割算法

针对进化算法效率低及易“早熟”等问题，基于复杂系统理论对其做了以下改进：首先，用反映复杂系统能量分布的幂次法则改造了选择算子，幂次法则(Power law)的现象在100多年前即被发现，诸如都市人口、网站规模、英文字符出现频率、国民生产总值等都符合幂次法则，该法则被认为是复杂系统自组织能力的表现，是系统能量合理分配的一种体现。在生物进化中，总是少数的高适应度个体占有更多的资源，这与幂次法则现象基本一致，所以我们在遗传算法的选择算子设计中引入幂次法则。由于数值模拟的进化计算中种群规模有限，为了充分利用种群内部模式，本发明算法对父代的选择采用幂次法，而对母代的选择则采用顺序选择。其优点在于能够充分搜索每代种群中最优个体内所含的模式，可以加速算法的收敛；缺点则是易早熟，因此基于幂次法则的选择算子必须与算法中其它算子配合使用，才能保证算法不出现早熟。

其次，引入复杂系统自学习特性重新设计了交叉算子，即环境——基因双演化交叉算子。一般普通的进化计算算法交叉算子只考虑父代的基因编码形式，而往往忽略了个体学习能力以及环境对个体的影响。在自然界中的不同种类生物如果生活在条件相同的环境中，在同样选择压力的作用下，有可能产生功能相同或十分相似的形态结构，以适应环境，该现象被称为：趋同进化(Convergent Evolution)，如，鲸、海豚等和鱼类的亲缘关系很远，前者是哺乳类，后者是鱼类，但都具有相似的外形，很显然这就是环境对生物进化的影响；而生物的学习能力对生物进化历程也具有非常大的影响力，虽然“魏斯曼障碍”(Weismann Barrier)从分子结构上论证了任何后天学习得到的特性无法对遗传基因产生影响，但是生物学习能力却可以通过修复自身周围的环境等方法到达加速或改变自身的进化，生物修复环境的过程被称为生态位构建(Niche Construction)，比如：人类对工具的使用大大加速了人类的文明进化历程。所以，环境——基因双演化交叉算子包含了一个环境变量，每个个体能够修复自身的环境，再由环境变量反作用于自身基因编码，进而体现群体在进化过程中的学习能力，并采用“趋同进化”作为个体修改自身环境变量的规则。环境——基因双演化交叉算子具体描述如下：

$T_c\left(X_k^{t+1}\right|X_i^t,X_j^t)=\left\{\begin{array}{c}{X}_i^t+r_1{E}^t\\ X_j^t+r_1{E}^t\end{array}\right.\mathrm{or}$

$E^t=\left\{\begin{array}{c}{r}_2{E}^{t-1}+r_3(X_i^t-X_j^t),f\left(X_i^t\right)>f\left(X_j^t\right)\\ r_2{E}^{t-1}+r_3(X_j^t-X_i^t),f\left(X_j^t\right)>f\left(X_i^t\right)\end{array}\right.$

式中：E是环境变量，r₁是学习系数，r₂是遗忘系数，r₃是加速系数，t是进化代数。

环境——基因双演化交叉算子其目的有二，其一、通过交叉算子在群体中较优个体周围探索前进方向，从而改善交叉算子效率；二、通过环境变量获取进化过程中的历史经验，使算法在一定程度上具有学习能力。上式中Et为环境变量，其能够积累个体进化过程的经验，因此通过环境——基因双演化交叉算子从某种程度上使得个体具备了学习能力。

再次，采用反馈机理改进了更新策略。一般情况下进化计算算法的种群规模N有限，在如此小规模的种群情况下，既要保证种群的多样性，又要防止种群的“早熟”是一件非常困难任务。为此，引入了自适应更新策略，采用两种群体更新策略，具体描述如下：

$T_r(X_i^{t+1},X_i^t,{\hat{X}}_i^t)=\left\{\begin{array}{c}{X}_i^{t+1}={\hat{X}}_i^t,f\left({\hat{X}}_i^t\right)>f\left(X_i^t\right)\\ X_i^{t+1}={\hat{X}}_i^t,f\left({\hat{X}}_i^t\right)<f\left(X_i^t\right)\&cap;{\mathrm{Np}}_r<i\&le;N\\ X_i^{t+1}=X_i^t,\mathrm{otherwise}\end{array}\right.$

式中：Tr是更新策略算子，p_r是更新规模变量，N是遗传算法种群规模，

是产生的新个体。

上式中更新规模变量p_r亦采用反馈修改方式，当种群逐代进化时则较多的个体采用“优胜劣汰”更新策略，促使群体迅速收敛；但种群陷于局部最优解，进化趋势不明显时则采用“子代直接取代父代”更新策略，为群体引入更多的基因模式。p_r的修改方式如下：

$p_r=\left\{\begin{array}{c}{p}_r+\mathrm{\&alpha;},f\left({\stackrel{\&RightArrow;}{X}}_{\max }^{t+1}\right)>f\left({\stackrel{\&RightArrow;}{X}}_{\max }^t\right)\\ p_r-\mathrm{\&beta;},f\left({\stackrel{\&RightArrow;}{X}}_{\max }^{t+1}\right)\&le;f\left({\stackrel{\&RightArrow;}{X}}_{\max }^t\right)\end{array}\right.,p_r\&Element;[\frac{1}{{\mathrm{Np}}_r},1.0]$

式中：α是递增量常数，β是递减量常数。

由于在算法对种群进行了排序，其0号个体始终是种群适应度最大的个体。所以，当Np_r的最小值为1时，实际上保证了最优个体始终采用“优胜劣汰”更新策略，其作用实质类是最优个体保存，保证了算法的收敛。

最后，提出了基因漂流算子。通过现代人类的研究发现遗传物质DNA复杂性远远超过了人们的预期，DNA链不仅能够感知其结构的微小变化，还拥有自我修复的能力，人们对其机理与工作模式至今仍知之甚少。通过现代的DNA技术揭示全球近30亿人在Y染色体上都拥有一种被科学家称为M168的特殊变异，这就意味着他们拥有同一男性祖先。由此可见，优势基因位能够在生物进化的过程中得到传播与扩散，并进而再影响生物的进化过程。但在自然进化中，优势基因位的传播过程相对比较缓慢，需要几万年、甚至上百万年的时间，为了加速遗传算法的进化速度，借鉴于转基因技术中的基因漂流(Gene Floating)概念，让优势基因位的能够在个体基因组中得到迅速传播。

$T_f\left(X\right)=\left[\begin{array}{c}{c}_{11},\&CenterDot;\&CenterDot;\&CenterDot;c_{1k-1},\stackrel{*}{c_{1k}},c_{1k+1},\&CenterDot;\&CenterDot;\&CenterDot;,c_{1l}\\ c_{21},\&CenterDot;\&CenterDot;\&CenterDot;c_{2k-1},\stackrel{*}{c_{2k}},c_{\mathrm{mk}+1},\&CenterDot;\&CenterDot;\&CenterDot;,c_{2l}\\ \&CenterDot;\&CenterDot;\&CenterDot;\\ c_{m1},\&CenterDot;\&CenterDot;\&CenterDot;c_{\mathrm{mk}-1},\stackrel{*}{c_{\mathrm{mk}}},c_{\mathrm{mk}+1},\&CenterDot;\&CenterDot;\&CenterDot;,c_{\mathrm{ml}}\end{array}\right],c_{\mathrm{ik}}^{*}\&Element;X_{\mathrm{best}},i\&SubsetEqual;[1,l]$

式中：Tf为基因漂流算子，Xbest为最优个体。

基因漂流算子具有发现解空间内相似的待优化参数的能力，但是如果解空间内待优化的参数完全相异时则会增加算法的运算成本，因此对基因漂流事件发生概率也采用了反馈控制技术，其具体描述如下：

$p_f=\left\{\begin{array}{c}{p}_f+k_1{p}_f,f\left({\stackrel{\&RightArrow;}{X}}_{\max }^{t+1}\right)>f\left({\stackrel{\&RightArrow;}{X}}_{\max }^t\right)\\ p_f-k_2{p}_f,f\left({\stackrel{\&RightArrow;}{X}}_{\max }^{t+1}\right)<f\left({\stackrel{\&RightArrow;}{X}}_{\max }^t\right)\end{array}\right.,p_f\&SubsetEqual;\left[\mathrm{0,1}\right]$

式中：p_f是基因漂移概率，k₁是概率递增系数，k₂是概率递减系数。

通过上述改造，进化计算图分割算法各个算子相互平衡、相互制约，有效抑制了“早熟”，并在很大程度上提高了算法的效率。

5)初始化：设定算法终止条件，具体为给定最大迭代次数为10000代，若超过该循环次数则算法终止，将四级压缩机数据图输入基于复杂系统理论的进化计算图分割算法中并完成设置算法参数等工作；

6)算法终止条件判断：如果满足终止条件就结束算法，执行第8)步，否则，继续执行第7)步；

7)采用基于复杂系统理论的进化计算图分割算法对四级压缩机关系数据图进行划分：根据基于复杂系统理论的进化计算算法中t代中所有个体的编码(编码形式为：子网络中心点坐标、子网是否有效判别位)，将关系数据图分割，并根据代价函数计算子代个体所有适应度值，并找到其最优适应度值，返回步骤6)。

8)大型四级压缩机故障诊断：根据数据关系图分割结果，判断压缩机的工作状态，完成压缩机的故障诊断工作。如果聚类结果是只有一类数据，则说明压缩机工作正常，无故障；否则说明压缩机有故障，此时根据数据状态与物理结构的关系进行分析，或者与标准数据的聚类结果进行对比，即可判断出压缩机是第1级排气阀故障还是第2级吸气阀故障。

数据说明：

大型四级压缩机故障数据：大型四级往复式压缩机是一个多因素、强耦合、强非线性、难以建模的复杂系统，从其纷繁复杂的测量数据中获得有用的故障信息相当困难。在其第1级排气阀故障，第2级吸气阀故障以及正常的情况下，分别获得1022、806、2462组数据，每组样本包含43个变量，采样间隔60秒。初步分析表明，其中有6个变量仅用来标定采样顺序，余下的37个变量才与系统状态有关，是系统的状态变量，在37维故障数据中，有8维比较有代表性，分别是每一级的压力p₁、p₂、p₃、p₄和温度T₁、T₂、T₃、T₄。对这8维数据进行聚类。

试验表明：试验包括算法性能测试和参数影响测试两部分。为了消除各状态变量在量纲和数值区间上的差别，对数据集进行归一化处理，使所有变量的取值落在[0，1]区间。

算法性能测试试验过程为：每次试验随机选择每类数据中的一半作为训练数据，通过谱聚类方法获得特征数据；其余作为测试数据，通过“近邻原则”得到最终的聚类结果。每个数据集均进行50次独立试验，分类正确率采用下式计算：

$\mathrm{\&alpha;}=\frac{n_r}{n_{\mathrm{te}}}\&times;100\%$

其中，n_r为正确分类的数据数目，n_te为测试数据总数目。

试验结果：

大型四级压缩机故障诊断试验结果如表1所示：

表1试验结果

为了比较，试验中取相同阈值。由试验结果可知，本发明算法在故障数据聚类的正确率要高于传统谱分割算法，而特征数据个数要少于传统谱分割算法，并且本发明算法的运算速度明显提高，仅仅需要0.83s，基本能够实现大型压缩机系统的实时检测的要求，图4显示了运用本算法时数据维数与运算时间的关系。而且，尽管50次试验的训练样本和测试样本均为随机选取，但正确率方差很小，充分验证了本发明算法不受数据初始分布的影响。

大型四级压缩机故障诊断实例表明，本发明提出的基于进化计算压缩机故障诊断方法能在较短的运算时间内提取故障状态特征，进一步完成故障分类与识别，获得较高的诊断正确率。该方法是一种实用有效的故障诊断方法。

Claims (7)

1.一种基于进化计算诊断压缩机故障的方法，其特征在于，包括下述步骤：

1)在压缩机各级缸进气口、排气口安装温度、压力传感器，由数据采集卡采集数据到计算机；

2)根据实际压缩机物理结构以及各个传感器安装具体位置构建测量数据关系图，以传感器作为关系图的“节点”，以实际压缩机物理结构所产生传感器之间的联系作为“关系”，数据样本空间X就可以表示成加权无向图G(V，A)，其中，V是图的顶点，A是加权边；

3)采用帕累托原则构造图分割代价函数，其具体描述如下式所示：

式中：k为分类数目，c_i为各个子图中心点，f_i ^c为图的紧密度量度，n_i为子图内数据点数目，x_j为数据点。

4)构建基于复杂系统理论的进化计算图分割算法，首先，用反映复杂系统能量分布的幂次法则改造选择算子；其次，设计具有自学习特性的环境-基因双演化交叉算子；再次，采用反馈机理改进更新策略，提出一种自适应的更新策略算子；最后，提出基因漂流算子并用于进化算法中；以上各算子在进行进化计算过程中相互平衡、相互制约，以提高算法的效率及防止早熟；

5)初始化：设定基于复杂系统理论的进化计算图分割算法终止条件，设置算法运行参数；

6)算法终止条件判断：当满足终止条件就结束算法，执行第8)步，否则，执行第7)步；

7)采用基于复杂系统理论的进化计算算法对数据关系图进行分割，返回6)；

8)根据数据关系图分割结果，判断压缩机的工作状态，并作出故障诊断。

2.如权利要求1所述的基于进化计算诊断压缩机故障的方法，其特征在于，第2)步所述构建测量数据关系图的具体方法是：大型压缩机检测到的系统可观测量x包括有进气压力、进气温度、排气压力和排气温度共4个属性，可观测量x的取值范围全体构成数据样本空间X，每一个可观测量x_i作为“节点”，两个可观测量x_i与x_j之间的实际压缩机物理联系作为“关系”，数据样本空间X就可以表示成加权无向图G(V，A)，V＝{x₁，x₂，...，x_m}为图的顶点，加权边A＝{aij}表示x_i与x_j之间的相似度。

3.如权利要求2所述的基于进化计算诊断压缩机故障的方法，其特征在于，所述第4)步中，用反映复杂系统能量分布的幂次法则改造选择算子是对父代的选择采用幂次法，而对母代的选择则采用顺序选择，并与环境-基因双演化交叉算子、自适应更新策略算子、基因漂流算子配合使用，防止算法出现早熟；其中：

所述环境-基因双演化交叉算子具体描述如下：

式中：E是环境变量，r₁是学习系数，r₂是遗忘系数，r₃是加速系数，t是进化代数；

所述采用反馈机理改进更新策略，提出一种自适应的更新策略算子具体描述如下：

式中：T_r是更新策略算子，p_r是更新规模变量，N是遗传算法种群规模，

是产生的新个体；

所述基因漂流算子具体描述如下：

式中：Tf为基因漂流算子，X_best为最优个体。

4.如权利要求3所述的基于进化计算诊断压缩机故障的方法，其特征在于，所述更新规模变量p_r采用反馈修改方式，当种群逐代进化时则较多的个体采用“优胜劣汰”更新策略，促使群体迅速收敛；但种群陷于局部最优解，进化趋势不明显时则采用“子代直接取代父代”的更新策略，为群体引入更多的基因模式；更新规模变量p_r的反馈修改方式如下：

式中：α是递增量常数，β是递减量常数。

5.如权利要求3所述的基于进化计算诊断压缩机故障的方法，其特征在于，采用基因漂流算子发生基因漂流事件的概率为p_f，其采用了反馈控制技术，其具体描述如下：

式中：p_f是基因漂流概率，k₁是概率递增系数，k₂是概率递减系数。

6.如权利要求3所述的基于进化计算诊断压缩机故障的方法，其特征在于，所述第7)步中，采用基于复杂系统理论的进化计算算法对数据关系图进行分割是在图分割代价函数的指导下，基于第5)步所述的初始化工作和第6)步所述的终止条件判断，对第2)步构建的测量数据关系图进行最优化分割的过程，包括下述步骤：

7-1 判断是否需要进行基因漂流操作，若不需要，转至执行第7-4步；

7-2 使用第4)步所述的基因漂流算子，选择优势基因位修改所有个体的等基因位；

7-3 按照第3)步构造的代价函数计算当前所有个体的代价函数值；

7-4使用第4)步所述的幂次法则改造选择算子从群体中选择用于交配的父代个体；

7-5判断是否需要进行杂交操作，若不需要，转至执行第7-7步；

7-6使用第4)步所述的环境——基因交叉算子杂交父代个体以获得子代个体；

7-7判断是否需要进行变异操作，若不需要，转至执行第7-9步；

7-8变异子代个体；

7-9按照第3)步构造的代价函数计算子代个体的代价函数值；

7-10使用第4)步所述的自适应更新策略更新群体。

7.如权利要求1所述的基于进化计算诊断压缩机故障的方法，其特征在于，所述第8)步中，判断压缩机的工作状态并作出故障诊断是指：对第7)步所得的数据聚类结果进行判断，由于不同的故障有不同的数据聚类结果，从而判断出压缩机是否有故障，再将数据状态与物理结构进行对比或者将聚类结果与标准数据的聚类结果对比，即可判断压缩机故障的类型。

Images