CN112748717B - 一种基于证据融合的执行器故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于证据融合的执行器故障诊断方法，包含以下步骤：步骤A、采集执行器的数据信号，并进行预处理；步骤B、采用基于信号趋势分析的方法计算性能指标，并对指标结果加以改进；步骤C、使用基于LS‑SVM的概率输出判断数据的模式；步骤D、利用证据理论将前两步的诊断结果融合；步骤E、根据融合结果判断当前的执行器故障状态，本发明基于信号趋势分析的诊断指标不依赖于对象的数学模型，直接分析各类故障的数据信号的趋势变化特征，具有明确的物理机理含义，工程实现能力强，不仅能检测故障，还能识别故障的机理特征信息。

Description

一种基于证据融合的执行器故障诊断方法

技术领域

本发明涉及故障诊断领域，具体是一种基于证据融合的执行器故障诊断方法。

背景技术

执行器是流程工业中，调节工质流动，影响产品质量的重要执行部件，在电力、冶金、化工等领域使用广泛。但是它通常工作在恶劣复杂的环境中，导致故障的发生不可避免，轻则浪费资源成本，重则引发经济安全事故。因此准确的判断和识别执行器的故障状态，对保障工业生产具有重要意义。

执行器的故障诊断研究有不少科研成果。吴定会等基于风力机的线性变参数模型，设计并改进了多胞形观测器用以检测桨距执行器的故障。杨雄飞等根据风力发电系统模型的不确定部分建立非线性滑模观测器判断执行器是否发生故障。李磊等针对卫星姿态控制系统执行器提出一种基于神经网络干扰观测器的微小故障检测方法。Hernandez-Alcantara D等针对汽车中执行器的汽油泄漏故障设计了一个故障检测和隔离框架。上述研究在其各自的领域都有不错的结果，但是不能做到故障的完全诊断，总会出现误诊、漏诊等现象，而这种情况往往发生一次就会给现场造成不必要的损失。所以，需要开发一种能提高诊断准确率的执行器故障诊断方法。

发明内容

本发明的目的在于提供一种基于证据融合的执行器故障诊断方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

一种基于证据融合的执行器故障诊断方法，包含以下步骤：

步骤A、采集执行器的数据信号，并进行预处理；

步骤B、采用基于信号趋势分析的方法计算性能指标，并对指标结果加以改进；

步骤C、使用基于LS-SVM的概率输出判断数据的模式；

步骤D、利用证据理论将前两步的诊断结果融合；

步骤E、根据融合结果判断当前的执行器故障状态。

作为本发明的进一步技术方案：所述步骤A中，采集的数据信号组成以及预处理方法包括执行器的故障数据采集信号使用控制指令、阀位反馈以及工质流量。

作为本发明的进一步技术方案：所述步骤B中的计算性能指标，针对执行器常出现的5种故障状态：卡死、粘滞-滑动、恒偏差、死区、恒增益，分别制定了5个指标对应这5种情况。

作为本发明的进一步技术方案：卡死故障指标的计算方法如下：对给定的一组数据Y，设定合适的滑动窗长度，并计算每个滑动窗的平均值Y_j；找出Y_j的最大值Y_max和最小值Y_min，并计算Y的均值Y_m；计算稳定度指标。

作为本发明的进一步技术方案：粘滞-滑动故障指标的计算方法如下：令滤波后的控制器输出信号为U_i，阀位反馈信号为X_i，i为第i个采样周期，设定数据滑动窗长度为N，指标r_x和r_u定义如下：

其中，

v_xi＝(X_i-X_i-1)/T_x，T_x为采样时间，RMS_N和

采用同样的计算方法。根据专家经验设定指标阀值ε，当r_x＞ε且r_N＜ε时，判断发生粘滞-滑动故障。

作为本发明的进一步技术方案：恒偏差故障指标计算方法如下：一段时间内，指令信号和反馈信号间差值的均值明显超过正常的死区范围，且差值变化平稳，判断发生恒偏差故障，

作为本发明的进一步技术方案：死区指标的计算方法如下：采集一段时间内，指令信号从上升到下降的过程中各点的阀位反馈，然后计算对应同一阀位反馈下的指令的上下行程过程中指令的偏差绝对值的均值作为死区的估计值。若该估计值大于实际死区值加上误差限，判断发生死区故障，r_d＝mean(|U_i-U_j|)，(当X_i＝X_j时)。

作为本发明的进一步技术方案：恒增益指标的计算方法如下：统计一段时间内的 阀位和指令信号，利用两者的变化速度的比值的均值作为执行器增益的估计值。考虑诊断裕度，若估计值大于1.1，判断发生恒增益故障，

作为本发明的进一步技术方案：步骤c中，基于LS-SVM的概率输出方法如下：假设不同的两类A₁与A₂对应标签为y＝±1，X∈Rⁿ为属性变量，取值为x，则后验概率为： p(y|x)＝[p(y)p(x|y)]/p(x)，其中，p(y|x)表示类A₁与A₂的后验概率；p(y)表示先验概率，p(y＝±1)＝N_±/(N₊+N_-)，N₊和N_-分别表示类A₁与A₂对应的样本数量，选用RBF核函数作为模型核函数，针对多分类问题，选用“一对一”分类算法，对于Q分类问题，建立 S＝Q(Q-1)/2个分类器，输出分类的后验概率，进行概率组合，判断故障发生。对多分类器的后验概率，利用投票法计算组合概率，计算样本x属于第i类的后验概率为：

其中，p_ij(i，j|x)表示第i类和第j类构成的二分类器所计算得到的x属于第i类的后验概率。

作为本发明的进一步技术方案：步骤D中，证据理论的计算方法如下：给定识别框架Ω，设函数m:2^Ω→[0,1]，满足m(Φ)＝0以及

其中m(·)称为基本概率分配函数，令m₁,m₂,…,m_n是同一识别框架Ω上的基本可信度分配，则

其中，

与现有技术相比，本发明的有益效果是：本发明基于信号趋势分析的诊断指标不依赖于对象的数学模型，直接分析各类故障的数据信号的趋势变化特征，具有明确的物理机理含义，工程实现能力强，不仅能检测故障，还能识别故障的机理特征信息。最小二乘支持向量机作为主流的机器学习算法之一，是研究和应用的热门领域。其强大的小样本学习和分类能力是模式识别的重要特点。本发明基于这两种算法的优势，利用LS-SVM强大的分类识别能力，结合概率输出，再采用证据理论融合基于信号趋势分析的指标特征，减少误判。一方面从信号分析角度获取执行器故障数据的机理信息，另一方面从模式识别角度获取故障的分类结果，二者相互补充，从而提高了故障诊断的准确率。

附图说明

图1是本实施例中的实验装置；

图2是本实施例的故障诊断流程；

图3是本实施例中的概率组合框架。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1：请参阅图1-3，一种基于证据融合的执行器故障诊断方法，包含以下步骤：

A、采集执行器的数据信号，并进行预处理；

B、采用基于信号趋势分析的方法计算性能指标，并对指标结果加以改进；

C、使用基于LS-SVM的概率输出判断数据的模式；

D、利用证据理论将前两步的诊断结果融合；

E、根据融合结果判断当前的执行器故障状态。

步骤A中采集的数据信号组成以及预处理方法如下，

执行器的故障数据采集信号使用控制指令、阀位反馈以及工质流量。正常的执行器，它的这三个信号之间应该存在线性对应关系，而当发生故障时，会出现非线性变化。对数据进行预处理时，剔除明显不符合实际的异常值，并对数据加以滤波，消除噪声。

在实验装置上模拟卡死、粘滞-滑动、恒偏差、死区、恒增益、正常63中情况，就每个信号采集2000组数据。针对基于信号趋势分析的方法，划分每500 组数据作为1个样本；针对基于LS-SVM的概率输出方法，划分1500组数据作为训练集，剩余数据作为测试集。

步骤B中，性能指标的计算方法和改进方法如下：

B1、针对执行器常出现的5种故障状态：卡死、粘滞-滑动、恒偏差、死区、恒增益，分别制定了5个指标对应这5种情况。

(1)卡死故障指标:

对给定的一组数据Y，设定合适的滑动窗长度，并计算每个滑动窗的平均值 Y_j；找出Y_j的最大值Y_max和最小值Y_min，并计算Y的均值Y_m；计算稳定度指标：

SF＝(Y_max-Y_min)/Y_m

若指令信号的稳定度远远大于阀位反馈信号和流量信号的稳定度，则判断发生卡死故障。

(2)粘滞-滑动故障指标：

令滤波后的控制器输出信号为U_i，阀位反馈信号为X_i，i为第i个采样周期，设定数据滑动窗长度为N，指标r_x和r_u定义如下：

其中，

v_xi＝(X_i-X_i-1)/T_x，T_x为采样时间。RMS_N和

采用同样的计算方法。根据专家经验设定指标阀值ε，当r_x＞ε且r_N＜ε时，判断发生粘滞-滑动故障。

(3)恒偏差故障指标：

一段时间内，指令信号和反馈信号间差值的均值明显超过正常的死区范围，且差值变化平稳，判断发生恒偏差故障。

(4)死区指标：

采集一段时间内，指令信号从上升到下降的过程中各点的阀位反馈，然后计算对应同一阀位反馈下的指令的上下行程过程中指令的偏差绝对值的均值作为死区的估计值。若该估计值大于实际死区值加上误差限，判断发生死区故障。

r_d＝mean(|U_i-U_j|)，(当X_i＝X_j时)

(5)恒增益指标：

统计一段时间内的阀位和指令信号，利用两者的变化速度的比值的均值作为执行器增益的估计值。考虑诊断裕度，若估计值大于1.1，判断发生恒增益故障。

B2、指标改进方法：

(1)指标评价往往会出现误诊断的现象，致使同一指标对不同待测数据的评价结果的总和超过1。此处加以改进：假设原始总和为M，则修改诊断为故障的指标结果为1/M。

(2)故障的诊断指标具有确定性结果。一旦超过根据专家经验制定的阀值，即为出现故障。即，1表示发生该类故障，0表示没有发生该类故障。而在融合证据时，0值的出现使得该证据完全失效。为避免“一票否决”现象的发生，对指标结果加以改进：针对同一个指标的不同待测数据评价结果，对所有G个0值各加上σ，同时从所有K个1/M值减去Gσ/K，以确保所有的基本置信分配值总和为1。

根据指标计算和改进方法得到以下结果：

表1：基于信号趋势分析的指标结果；

步骤c中，基于LS-SVM的概率输出方法如下：

假设不同的两类A₁与A₂对应标签为y＝±1，X∈Rⁿ为属性变量，取值为x，则后验概率为：

p(y|x)＝[p(y)p(x|y)]/p(x)

其中，p(y|x)表示类A₁与A₂的后验概率；p(y)表示先验概率，p(y＝±1)＝N_±/(N₊+N_-)， N₊和N_-分别表示类A₁与A₂对应的样本数量。

选用RBF核函数作为模型核函数。针对多分类问题，选用“一对一”分类算法，对于Q分类问题，建立S＝Q(Q-1)/2个分类器，输出分类的后验概率，进行概率组合，判断故障发生。对多分类器的后验概率，利用投票法计算组合概率。

计算样本x属于第i类的后验概率为：

其中，p_ij(i，j|x)表示第i类和第j类构成的二分类器所计算得到的x属于第i类的后验概率。组合概率框架如图3所示。根据上述方法计算得到的组合概率如表2所示：

表2：基于LS-SVM的概率组合结果

步骤D中，证据理论的计算方法如下：

给定识别框架Ω，设函数m:2^Ω→[0,1]，满足m(Φ)＝0以及

其中m(·) 称为基本概率分配函数。

令m₁，m₂，…，m_n是同一识别框架Ω上的基本可信度分配，则

其中，

根据证据理论得到的融合结果如表3所示：

表3：证据融合结果

步骤E中，根据融合结果并对比基于信号趋势分析和基于LS-SVM概率输出的各自的诊断结果，可以看出，单一方法总会存在误判，而当两种方法结合判断时，会得到更准确的诊断结果。

实施例2：在实施例1的基础上：本发明的实施环节采用双容水箱液位控制系统实验装置，设计并实施了流量-液位串级控制实验，实验装置如图1所示。实验中，通过OPC协议外接计算机，搭建了执行器故障仿真模块，将控制信号转变为故障信号。本实施例的实验故障为卡死、粘滞-滑动、恒偏差、死区、恒增益。参考图2的诊断流程。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (7)

1.一种基于证据融合的执行器故障诊断方法，其特征在于，包含以下步骤：

步骤A、采集执行器的数据信号，并进行预处理；

步骤B、采用基于信号趋势分析的方法计算性能指标，并对指标结果加以改进，计算性能指标，针对执行器常出现的5种故障状态：卡死、粘滞-滑动、恒偏差、死区、恒增益，分别制定了5个指标对应这5种情况，卡死故障指标的计算方法如下：对给定的一组数据Y，设定合适的滑动窗长度，并计算每个滑动窗的平均值Y_j；找出Y_j的最大值Y_max和最小值Y_min，并计算Y的均值Y_m；计算稳定度指标；

粘滞-滑动故障指标的计算方法如下：令滤波后的控制器输出信号为U_i，阀位反馈信号为X_i，i为第i个采样周期，设定数据滑动窗长度为N，指标r_x和r_u定义如下：

其中，

v_xi＝(X_i-X_i-1)/T_s，T_s为采样时间,RMS_u和

采用同样的计算方法，根据专家经验设定指标阀值ε，当r_x＞ε且r_u＜ε时，判断发生粘滞-滑动故障；

步骤C、使用基于LS-SVM的概率输出判断数据的模式；

步骤D、利用证据理论将前两步的诊断结果融合；

步骤E、根据融合结果判断当前的执行器故障状态。

2.根据权利要求1所述的一种基于证据融合的执行器故障诊断方法，其特征在于，所述步骤A中，采集的数据信号组成以及预处理方法包括执行器的故障数据采集信号使用控制指令、阀位反馈以及工质流量。

3.根据权利要求2所述的一种基于证据融合的执行器故障诊断方法，其特征在于，恒偏差故障指标计算方法如下:一段时间内，指令信号和反馈信号间差值的均值明显超过正常的死区范围，且差值变化平稳，判断发生恒偏差故障，

4.根据权利要求3所述的一种基于证据融合的执行器故障诊断方法，其特征在于，死区指标的计算方法如下:采集一段时间内，指令信号从上升到下降的过程中各点的阀位反馈，然后计算对应同一阀位反馈下的指令的上下行程过程中指令的偏差绝对值的均值作为死区的估计值，若该估计值大于实际死区值加上误差限，判断发生死区故障，r_d＝mean(|U_i-U_j|),(当X_i＝X_j时)。

5.根据权利要求4所述的一种基于证据融合的执行器故障诊断方法，其特征在于，恒增益指标的计算方法如下:统计一段时间内的阀位和指令信号，利用两者的变化速度的比值的均值作为执行器增益的估计值，考虑诊断裕度，若估计值大于1.1，判断发生恒增益故障，

6.根据权利要求1所述的一种基于证据融合的执行器故障诊断方法，其特征在于，步骤C中，基于LS-SVM的概率输出方法如下：假设不同的两类A₁与A₂对应标签为y＝±1，X∈Rⁿ为属性变量，取值为x，则后验概率为：p(y|x)＝[p(y)p(x|y)]/p(x)，其中，p(y|x)表示类A₁与A₂的后验概率；p(y)表示先验概率，p(y＝±1)＝N_±/(N₊+N_-)，N₊和N_-分别表示类A₁与A₂对应的样本数量，选用RBF核函数作为模型核函数，针对多分类问题，选用“一对一”分类算法，对于Q分类问题，建立S＝Q(Q-1)/2个分类器，输出分类的后验概率，进行概率组合，判断故障发生，对多分类器的后验概率，利用投票法计算组合概率，计算样本x属于第i类的后验概率为：

其中，p_ij(i,j|x)表示第i类和第j类构成的二分类器所计算得到的x属于第i类的后验概率。

7.根据权利要求1所述的一种基于证据融合的执行器故障诊断方法，其特征在于，步骤D中，证据理论的计算方法如下：给定识别框架Ω，设函数m:2^Ω→[0,1]，满足m(Φ)＝0以及

其中m(·)称为基本概率分配函数，令m₁,m₂,…,m_n是同一识别框架Ω上的基本可信度分配，则

其中，

Images