CN111444953A - 一种基于改进粒子群优化算法的传感器故障监测方法 - Google Patents

Abstract

本发明公开了一种基于改进粒子群优化算法的传感器故障监测方法。改进型粒子群优化算法对预测传感器输出值的支持向量回归算法超参数进行寻优，根据粒子临近度动态调整粒子的惯性权重，粒子不断迭代，更新自身位置和速度，最终得到全局最优解。通过最优解位置对应的超参数建立传感器输出值的支持向量回归预测模型，实时预测传感器输出值，对比时间窗口内的传感器输出值和测量值，判断传感器故障类型。

Description

一种基于改进粒子群优化算法的传感器故障监测方法

技术领域

本发明涉及一种基于改进粒子群优化算法的传感器故障监测方法，属于设备故障监测领域。

背景技术

随工业设备日趋大型化、复杂化、自动化及智能化，为实现对设备运行状态的实时监测，大型工业设备通常配备了大量传感器。长期工作在高温、高压和高热应力的恶劣环境使得传感器常常成为整个设备可靠性最低的环节。当控制系统收到由故障传感器产生的错误信号时，可能会引起误报警、误诊断、误操作，甚至造成不可估量的损失。因此，快速准确地识别传感器故障具有重要意义。

目前，常见的传感器故障诊断方法是通过冗余生成残差。如果残差超出设定的阈值，则可以判断传感器存在故障。可以通过两种方式获得冗余，即物理冗余法和分析冗余法。物理冗余法是在同一个参数的不同测点，布置多个传感器，通过冗余计算残差来判断传感器的测量值是否为真实值，该方法简单明了，但是具体实施中，由于受现场实际环境限制，不一定能布置多个传感器，且高成本，高安装复杂性和低可靠性的缺陷，严重限制了其广泛应用。分析冗余法首先对传感器的信号进行分析和处理，通过分析不同系统变量之间的固有关系并建立相应的数学模型来获得冗余，此方法具有低成本，快速响应能力和对不同故障形式的强适应性的特点。

支持向量回归(Support Vector Regression，简称SVR)算法是一种具有良好预测精度的分析冗余方法。但SVR算法准确性高度依赖于其超参数的选取。粒子群优化(Particle swarm optimization，简称PSO)算法广泛应用于SVR算法的超参数寻优，取得了良好效果，但PSO算法也存在收敛速度慢和易陷入局部最优的缺点。上述算法的不足限制了现有传感器故障诊断方法的应用。

发明内容

发明目的：本发明的目的在于针对上述现有方法的不足，提供一种基于改进粒子群优化算法的传感器故障监测方法。在经典粒子群优化算法的基础上引入临近度控制粒子群优化算法的惯性权重，从而加快粒子群优化算法的收敛速度并引导其脱离局部最优解。

技术方案：本发明的一种基于改进粒子群优化算法的传感器故障监测方法，包括以下步骤：

s1、采集设备各传感器历史数据，所研究的传感器，其测量参数为y，设备其余传感器所测参数中，对y影响较大的参数，集合为s，则支持向量回归训练集为

这里y_i是所研究传感器第i个测量值，作为支持向量回归输出量，s_i是其他传感器的第i个测量值，作为支持向量回归输入量，n是样本容量；

s2、设置粒子群算法的种群个数N，阈值λ，最大迭代次数t_max，设置模型参数的上下限，在模型参数上下限范围内随机生成初始粒子位置X⁰和速度V⁰，设定当前惯性权重计算方法为

这里t为当前迭代次数；

s3、对种群中每个粒子，将粒子位置X对应的三维向量[C，ε，γ]设置为支持向量回归算法超参数，这里C是支持向量回归模型惩罚因子，ε是不敏感因子，γ高斯核函数带宽，通过当前训练集训练对应支持向量回归模型，计算对应支持向量回归模型在训练集上的均方根误差RMSE，当前粒子适应度fitness＝1/RMSE，根据各粒子适应度，记录全局粒子适应度最高位置和每个粒子历史适应度最高位置，分别称为全局最优解和粒子历史最优解；

s4、根据当前设定的惯性权重计算方法，计算粒子惯性权重；

s5、根据当前全局最优解、粒子历史最优解和惯性权重更新粒子速度和位置；

s6、判断当前迭代次数t是否达到设定迭代次数t_max或两次迭代全局最优解适应度变化小于设定阈值λ，若是，则输出当前全局最优解，进行步骤s7，否则进行步骤s3；

s7、采集设备各传感器最新数据，判断数据是否有更新，若有进行步骤s8，否则进行步骤s11；

s8、根据采集的最新传感器数据，重新划分训练集

这里

表示在原始训练集

上增加了m个数据样本；

s9、重新设置惯性权重计算方法为

这里x′_jd和x′_{d，last opt}分别是当前维度j粒子的位置和上轮计算的全局最优解位置的标准化值；

s10、返回步骤s3，继续更新粒子位置；

s11、根据当前全局最优解对应的支持向量回归模型，预测当前传感器输出值，计算时间窗口内实际测量值与模型预测值的统计特征；

s12、根据时间窗口内实际测量值与模型预测值的统计特征，判断传感器故障类型。

进一步地，步骤s9中所述的惯性权重计算方法，定义粒子当前位置与全局最优解位置的欧氏距离为临近度，根据临近度动态调整粒子惯性权重，粒子当前位置距离全局最优解位置越远，粒子惯性权重越大，粒子位置更新越快，惯性权重计算方法为

这里r_eu是标准化后j粒子与上轮训练得到的全局最优解粒子位置间的欧氏距离，x′_jd是粒子当前位置的标准化值，x′_{d，last opt}是上轮计算的全局最优解位置的标准化值。

进一步地，步骤s12中所述根据时间窗口内实际测量值与模型预测值的统计特征，判断传感器故障类型，包含以下步骤：

a、判断是否至少有M个数据点满足e_i＞τ₁，若是进入步骤b，若否，则判定传感器故障为脉冲故障；这里e_i是第i个时刻残差，τ₁是设定的阈值；

b、判断当前时间窗口平均误差是否满足

若是则判定传感器故障为精度退化故障，若否则进入步骤c；这里

是当前窗口内的平均误差，T₂是设定的阈值；

c、判断测量标准差和预测标准差是否满足

若是，则判断传感器故障为完全故障，若否，则进入步骤d；这里

是测量标准差，

是预测标准差，T₃和T₄是设定的阈值；

d、将诊断窗口往后移动L个采样周期，判断相邻时间窗口的平均误差是否满足

若是，则判断传感器故障为漂移故障，若否，则判断传感器故障为偏置故障。这里

和

是相邻时间窗口的平均误差，T₅是设定的阈值。

有益效果：与现有技术相比，本发明的有益效果在于：本发明采用的改进粒子群优化算法改善了传统粒子群优化算法存在的收敛速度慢和易陷入局部最优解的问题。本发明定义临近度，表征了当前粒子距离最优粒子的距离，并通过粒子的临近度实时调整各粒子运动的惯性权重，大大提高了收敛速度并引导粒子脱离局部最优区域。

附图说明

图1为基于改进粒子群优化算法的设备传感器故障监测流程图。

具体实施方式

下面结合附图对本发明作进一步的详细说明。

本发明是在传统粒子群优化算法的基础上进行改进，将其应用于设备传感器故障监测中，方法流程如图1所示，包含以下步骤：

s1、获取设备历史运行数据，对所研究的传感器，选取能影响其测量参数的其他参数，作为支持向量回归模型的输入参数，传感器实际测量值为支持向量回归模型的输出参数，划分训练集，则支持向量回归的训练集为：

这里y_i是所研究传感器第i个测量值，s_i是其他传感器的第i个测量值。

s2、设置种群个数为N，阈值为λ，最大迭代次数为t_max，设置模型上下限为C∈(0,1000]，ε∈(0,10]，γ∈(0,1000]，在模型范围内随机生成初始粒子，单个粒子所在位置为

速度为

设定当前惯性权重ω计算方法为：

其中，C、ε和γ是支持向量回归算法的三个超参数，模型上下限表示粒子运动范围；

和

分别是第j个粒子第t次迭代的三维位置向量和三维速度向量；t为当前迭代次数。

这里的惯性权重计算方法是传统粒子群算法的惯性权重计算方法，惯性权重只与当前迭代次数有关，初始惯性权重为0.9，随迭代次数增加，惯性权重降低，当t＝t_max，惯性权重为0.6。

s3、将种群每个粒子当前位置对应的三个超参数[C，ε，γ]，设置为支持向量回归超参数，这里C是支持向量回归模型惩罚因子，ε是不敏感因子，γ高斯核函数带宽，通过训练集

训练支持向量回归模型；

支持向量回归的任务是得到如下式所示的模型，使得f(s_i)与y_i之间尽量接近：

f(s_i)＝ω^TΦ(s_i)+b

其中ω和b是待确定的模型参数，Φ(s_i)是将s_i映射到高维特征空间的特征向量。

支持向量回归能容忍f(s_i)与y_i之间存在不大于ε的偏差。则支持向量回归问题可转化为如下优化问题：

其中，C是惩罚因子，ξ和ξ^*是松弛变量，ε是不敏感因子。

通过引入拉格朗日乘子法，计算得到支持向量回归问题的解为：

其中α_i和

是拉格朗日乘子，对应各训练样本；K(s_i，s_j)为核函数，此处选用高斯核函数，γ为带宽。

计算支持向量回归算法在训练集上的预测值

则支持向量回归在训练集的均方根误差RMSE为：

其中y_k是传感器第k个实际测量值，

是支持向量回归模型第k个预测值，n是样本数量。

计算粒子适应度fitness：

fitness＝1/RMSE

根据各粒子适应度，记录全局粒子适应度最高位置和每个粒子历史适应度最高位置，分别称为全局最优解和粒子历史最优解。

s4、根据当前设定的惯性权重计算方法，计算各粒子的惯性权重ω。

s5、粒子群第t次迭代后的位置为：

X^t＝{x₁(t)，x₂(t)，...，x_N(t)}

速度为：

V^t＝{v₁(t)，v₂(t)，...，v_N(t)}

根据惯性权重、粒子当前位置、粒子历史最优解和全局最优解更新粒子速度和位置：

v_j(t+1)＝ωv_j(t)+c₁r₁(p_ij-x_j(t))+c₂r₂(p_s-x_f(t))

x_j(t+1)＝x_j(t)+v_j(t+1)

其中，r₁，r₂是介于0-1的两个随机数，C₁和C₂是被称为加速常数的两个正数，通常C₁＝C₂＝2；p_ij是第j个粒子的历史最优解，p_s表示全局最优解；ω是当前粒子的惯性权重，由粒子速度和位置更新方法可知，粒子惯性权重控制了粒子速度更新尺度，惯性权重越大，粒子速度更新尺度越大，粒子位置更新越快，粒子全局寻优能力越强，而局部寻优能力减弱。

s6、判断当前迭代次数是否达到最大迭代次数及前后两次全局最优值变化率是否小于设置的阈值，即：

或

t＝t_max

是否成立，若是，迭代结束，输出当前全局最优粒子位置；否则，进行步骤s3，继续对粒子群进行更新。

s7、采集设备各传感器最新数据，判断数据是否有更新，若有，则进行步骤s8，基于更新后训练集继续更新粒子群；若否，进行步骤s11，输出传感器输出的支持向量回归模型。

s8、根据最新采集的传感器数据样本，重新划分支持向量回归算法训练集：

其中m是训练集中本次增加的数据样本。

s9、设置粒子当前惯性权重更新方法为：

其中，x′_id和x′_{d，last opt}分别是当前维度j粒子的位置和上轮训练得到的全局最优解位置的标准化值。

标准化计算方法为：

其中x_max和x_min分别是对当前维度对应的超参数设置的上限和下限。

对传统粒子群优化算法，其权重更新方法如通常步骤s2中所述，其惯性权重只与迭代次数有关，随迭代次数增多，惯性权重逐渐减小，惯性权重调整方式相对固定，未做到根据每个粒子位置的变化情况调整惯性权重大小。故传统粒子群优化算法通常收敛速度较慢并易陷入局部最小值。

本发明提出的一种基于改进粒子群优化算法的设备传感器故障诊断方法，定义了粒子临近度ρ的概念：临近度是一个非负数，表征了当前粒子与全局最优粒子的相对距离。可以合理推测，当粒子临近度越小，粒子距离全局最优粒子越近，越容易收敛到全局最优位置。故粒子群优化算法收敛速度与临近度关系可以定义为：

V＝J(ρ)

其中J是一个单调递减的映射函数。

粒子群优化算法收敛速度V与惯性权重ω关系为：

V＝ω

故有：

ω＝V＝J(ρ)

考虑到ω通常设置在0-1之间，合理地定义函数J为：

J(ρ)＝exp(-ρ)

通过欧氏距离衡量当前粒子与全局最优解粒子位置的距离：

其中，X′_j和X′_realopt分别是j粒子的位置和全局最优解粒子位置。

然而在粒子群优化算法中，全局最优粒子位置在粒子寻优过程结束前是未知的。考虑在步骤s8中，训练集单次更新的样本占样本总数数量比例较小，可以认为训练集更新幅度较小，所以训练集更新后的支持向量回归模型，最优超参数变化也较小，故相邻两次粒子群寻优计算中，全局最优粒子位置变化较小。将上轮训练得到的全局最优粒子位置代替本次训练的全局最优粒子位置计算临近度，则有：

其中，X′_{last opt}是上轮训练得到的全局最优解粒子位置。

则惯性权重计算方法为：

其中r_eu是标准化后j粒子与上轮训练得到的全局最优解粒子位置间的欧氏距离。

粒子位置距离上轮训练得到的的全局最优解位置越近，该粒子惯性权重值越小，粒子局部寻优能力增强；粒子位置距离上轮全局最优位置越远，该粒子惯性权重值越大，粒子位置速度更新加快。通过上述步骤，即可根据各粒子当前位置，动态调整粒子的惯性权重。并通过上次寻优计算结果指导本次粒子更新过程，加快了粒子群收敛速度，并避免陷局部最小值。

s10、根据步骤s8中重新划分的训练集和步骤s9中设置的惯性权重更新方法，进入步骤s3，继续更新粒子群。

s11、根据最优粒子建立的支持向量回归模型，预测当前传感器输出值。记录一个时间窗口内的连续Q个时刻实际测量值与模型预测值的统计特征：

第i个时刻残差e_i＝|y_pi-y_mi|

残差标准差为

预测标准差

测量标准差

当前窗口内的平均误差

相邻时间窗口的平均误差

其中下标p表示预测值，m表示测量值；

s12、根据统计特征判断传感器故障类型，其步骤为：

a、判断是是否至少有M个数据点满足e_i＞τ₁，若是进入步骤b，若否，则判定传感器故障为脉冲故障，这里M取值跟传感器类型有关，通常可设置M＝Q/2；

b、判断当前时间窗口平均误差是否满足

若是则判定传感器故障为精度退化故障，若否，则进入步骤c；

c、判断测量标准差和预测标准差是否满足

若是，则判断传感器故障为完全故障，若否，则进入步骤d；

d、将诊断窗口往后移动L个采样周期，判断相邻时间窗口的平均误差是否满足

若是，则判断传感器故障为漂移故障，若否，则判断传感器故障为偏置故障,这里L取值跟传感器类型有关，通常可设置L＝Q/2。

以下通过特定的具体实例说明本发明的实施方式。

实施例1

故障监测对象为PG9351FA型燃气轮机压气机出口压力传感器，压气机出口压力受大气参数及燃机负荷影响，故选取环境温度T₁、环境压力P₁、压气机进口空气质量流量m_air和燃气质量流量m_f为支持向量回归模型输入量，压气机出口气体压力P₃为模型输出量。现有该燃气轮机机组2017年2月15日到2019年6月27日运行数据，采样周期为5分钟，去除停机和故障数据点，共有40751个训练样本。首先通过最初900个数据样本建立初始压气机出口压力支持向量回归模型：通过传统粒子群优化算法对基于支持向量回归模型超参数寻优，种群个数N设置为100，阈值λ，最大迭代次数t_max＝100；最终迭代次数为75次，寻优过程耗时117.26s，最终确定寻优结果为C＝0.0998，ε＝9.8373，γ＝0.0002，支持向量回归模型在测试集上的均方根误差为140.79，平均绝对百分比误差为13.27％。此后每次在训练集中新增1个数据样本，再通过改进型粒子群优化算法和增量训练集对支持向量回归模型超参数寻优，得到最优结果后，再次增量训练集，重复新增数据样本1000次。每次更新数据集，改进型粒子群优化算法平均迭代次数为17.03次，平均收敛耗时2.85s，支持向量回归模型在测试集上的均方根误差为29.28，平均绝对百分比误差为13.27％。增量训练的结果表明改进型粒子群优化算法大大提高了粒子群收敛速度及支持向量回归模型预测精度。通过建立的压气机出口压力预测模型对一组包含压气机出口压力传感器精度退化故障的数据样本进行预测。设定故障判别的参数和阈值分别为：τ₁＝40、T₂＝0.005、T₃＝0.1、T₄＝0.1、T₅＝1.1、M＝5、Q＝10、L＝5。预测值在包含精度退化故障样本的时间窗口内，平均误差为0.003，小于预设的阈值T₂，故判定该传感器发生精度退化故障，与预期结果相符。

本发明所公开的技术手段不仅限于上述技术手段所公开的技术手段，还包括由以上技术特征等同替换所组成的技术方案。本发明的未尽事宜，属于本领域技术人员的公知常识。

Claims (3)

1.一种基于改进粒子群优化算法的传感器故障监测方法，其特征在于：该方法包含以下步骤：

s1、采集设备各传感器历史数据，所研究的传感器，其测量参数为y，设备其余传感器所测参数中，对y影响较大的参数，集合为s，则支持向量回归训练集为

这里y_i是所研究传感器第i个测量值，作为支持向量回归输出量，s_i是其他传感器的第i个测量值，作为支持向量回归输入量，n是样本容量；

s2、设置粒子群算法的种群个数N，阈值λ，最大迭代次数t_max，设置模型参数的上下限，在模型参数上下限范围内随机生成初始粒子位置X⁰和速度V⁰，设定当前惯性权重计算方法为

这里t为当前迭代次数；

s3、对种群中每个粒子，将粒子位置X对应的三维向量[C，ε，γ]设置为支持向量回归算法超参数，这里C是支持向量回归模型惩罚因子，ε是不敏感因子，γ高斯核函数带宽，通过当前训练集训练对应支持向量回归模型，计算对应支持向量回归模型在训练集上的均方根误差RMSE，当前粒子适应度fitness＝1/RMSE，根据各粒子适应度，记录全局粒子适应度最高位置和每个粒子历史适应度最高位置，分别称为全局最优解和粒子历史最优解；

s4、根据当前设定的惯性权重计算方法，计算粒子惯性权重；

s5、根据当前全局最优解、粒子历史最优解和惯性权重更新粒子速度和位置；

s6、判断当前迭代次数t是否达到设定迭代次数t_max或两次迭代全局最优解适应度变化小于设定阈值λ，若是，则输出当前全局最优解，进行步骤s7，否则进行步骤s3；

s7、采集设备各传感器最新数据，判断数据是否有更新，若有进行步骤s8，否则进行步骤s11；

s8、根据采集的最新传感器数据，重新划分训练集

这里

表示在原始训练集

上增加了m个数据样本；

s9、重新设置惯性权重计算方法为

这里x′_jd和x′_{d，last opt}分别是当前维度j粒子的位置和上轮计算的全局最优解位置的标准化值；

s10、返回步骤s3，继续更新粒子位置；

s11、根据当前全局最优解对应的支持向量回归模型，预测当前传感器输出值，计算时间窗口内实际测量值与模型预测值的统计特征；

s12、根据时间窗口内实际测量值与模型预测值的统计特征，判断传感器故障类型。

2.根据权利要求1所述的基于改进粒子群优化算法的传感器故障监测方法，其特征在于：步骤s9中所述的惯性权重计算方法，定义粒子当前位置与全局最优解位置的欧氏距离为临近度，根据临近度动态调整粒子惯性权重，粒子当前位置距离全局最优解位置越远，粒子惯性权重越大，粒子位置更新越快，惯性权重计算方法为

这里r_eu是标准化后j粒子与上轮训练得到的全局最优解粒子位置间的欧氏距离，x′_jd是粒子当前位置的标准化值，x′_{d，last opt}是上轮计算的全局最优解位置的标准化值。

3.根据权利要求1所述的基于改进粒子群优化算法的传感器故障监测方法，其特征在于：步骤s12中所述的根据时间窗口内实际测量值与模型预测值的统计特征，判断传感器故障类型，包含以下步骤：

a、判断是否至少有M个数据点满足e_i＞τ₁，若是进入步骤b，若否，则判定传感器故障为脉冲故障；这里e_i是第i个时刻残差，τ₁是设定的阈值；

b、判断当前时间窗口平均误差是否满足

若是则判定传感器故障为精度退化故障，若否则进入步骤c；这里

是当前窗口内的平均误差，T₂是设定的阈值；

c、判断测量标准差和预测标准差是否满足

若是，则判断传感器故障为完全故障，若否，则进入步骤d；这里

是测量标准差，

是预测标准差，T₃和T₄是设定的阈值；

d、将诊断窗口往后移动L个采样周期，判断相邻时间窗口的平均误差是否满足

若是，则判断传感器故障为漂移故障，若否，则判断传感器故障为偏置故障。这里

和

是相邻时间窗口的平均误差，T₅是设定的阈值。

Images