基于MVRVM回归和RVM二叉树分类的自确认气动执行器故障诊断算法.pdf

第 2 8卷 第 6期 2 0 1 5年 6月 传 感 技 术 学 报 C HI NE S E J O URN AL O F S EN S O RS A ND AC T U AT O RS V0 1 ． 2 8 No ． 6 J u n e 2 0 1 5 S e l f - Va l i d a t i n g Pn e u m a t i c Ac t u a t o r Fa u l t Di a g no s i s Ba s e d o n M VRVM Re g r e s s i o n a nd RVM Bi n a r y Tr e e Cl a s s i fic a t i o n FENG Zh i ga n g ， WANG Ru， T I AN Fe n g D e p a r t me n t o fA u t o m a t i o n ， S h e n y a n g A e r o s p a c e U n iv e r s i t y ， S h e n y a n g 1 1 0 1 3 6 ， C h i n a Ab s t r ac t I n o r d e r t o s o l v e t h e f a u l t d i a g n o s i s p r o b l e m o f s e l f v a l i d a t i n g p n e u ma t i c a c t ua t o r s， a f a u l t d i a g no s i s a p p r o a c h b a s e d o n m u l t i - v a r i a b l e r e l e v a n c e v e c t o r ma c h i n e MV R V M a n d r e l e v a n c e v e c t o r m a c h i n e R V M b i n a r y t r e e c l a s s i fi c a t i o n i s p r o p o s e d． The MVRVM r e g r e s s i o n i s us e d t o e s t a b l i s h t h e n o r ma l mo d e l o f t h e p ne u ma t i c a c t u a t o r ．Th e r e s i d u a l s g e n e r a t e d by c o mpa ring t h e o u t p u t o f t h e mo de l a n d t h e a c t u a l a c t ua t o r a r e u s e d a s t h e n o n l i n e a r f e a t u r e s o f t he p n e uma t i c a c t u a t o r ．Th e n t h e RVM mu l t i c l a s s i fi e r b a s e d o n b i n a r y t r e e i s e s t a b l i s h e d a n d t r a i n e d b y t h e r e s i du a l s， wh i c h i s u s e d t o i d e n t i f y t h e c o nd i t i o n a n d f a u l t p a t t e r n o f t h e a c t u a t o r ．Th e p r o p o s e d a p p r o a c h i s v e r i fie d u s i ng f a u l t d a t a g e n e r a t e d b y DABLi b mo de l a n d c o mpa r e d wi t h RVM o n e a g a i n s t - - o n e mu l t i -- c l a s s i fic a t i o n me t h o d．Th e r e s ul t s i n di c a t e t h a t t h e p r o po s e d a p p r o a c h i s a v a l i d me t ho d t o r e s o l v e t he s ma l l s a mp l e a n d n o n l i n e a r p r o b l e m i n p n e u ma t i c a c t u a t o r f a u l t d i a g n o s i s ． Ke y wo r d s s e l f - v a l i d a t i n g S E V A p n e u m a t i c a c t u a t o r ； r e l e v a n c e v e c t o r m a c h i n e R V M ； m u l t i v a ri a b l e r e l e v a n c e v e c t o r m a c h i n e MV R V M ； r e l e v a n c e v e c t o r m a c h i n e R V M b i n a r y t r e e c l a s s i fi e r ； r e l e v a n c e v e c t o r ma c h i n e R V M o ne a g a i ns t o n e c l a s s i fie r ； f a ul t d i a g n o s i s E E ACC 7 2 3 0 0 1 7 0 L d o i 1 0 ． 3 9 6 9 ／ j ． i s s n ． 1 0 0 4 - 1 6 9 9 ． 2 0 1 5 ． 0 6 ． 0 1 2 基 于 MV R V M 回归和 R V M二叉树分类 的 自确认 气动执行器故 障诊断算法 术 冯志刚 ， 王 茹 ， 田 丰 沈 阳航空航天大学 自动化 学院 ， 沈 阳 l 1 0 1 3 6 摘 要 为了解决自确认气动执行器的故障诊断问题 ， 提出了一种基于多变量关联向量机 MV R V M 回归和关联向量机二又 树分类的气动执行器故障诊断方法， 该方法利用多变量关联向量机回归建立气动执行器的正常模型， 然后将实际输出与模型 输出比较 ， 产生残差作为气动执行器的非线性故障特征向量。以残差作为输入建立关联 向量机二叉树多分类机， 诊断气动执 行器故障类型。利用 D A B L i b生成的故障数据对所研究方法进行了验证 ， 并与基于 R V M一对一分类的故障诊断方法进行了 比较 ， 结果表明该方法是解决气动执行器故障诊断的小样本和非线性问题的一种有效方法。 关键词 白确认气动执行器； 关联向量机 ； 多变量关联向量机回归； R V M二又树分类； R V M一对一分类； 故障诊断 中图分类号 T P 2 1 4 ； T P 1 8 文献标识码 A 文章编号 1 0 0 4 1 6 9 9 2 0 1 5 0 6 0 8 4 2 一 O 8 由于工业的飞速发展和工业 自动化程度的 日益 提高 ， 执行器作为工业过程中重要的技术设备， 被人 们广泛应用 。而执行器根据其动力能源形式可分为 气动、 液 动、 电动 3类 。气 动执行 器 由于 价格低 廉 、 驱动能 源易得 、 易于清 洁、 易于维护 、 响应速度 快 、 防爆等优点被 广泛应用 ， 通 常用 于控制液体 、 气 项 目来源 国家 自然科学 基金青 年基金项 目 6 1 1 0 4 0 2 3 收稿 日期 2 0 1 5 - 0 1 2 2 修改 日期 2 0 1 5 0 3 0 l 体和泥浆 的流量 。由于大多数 执行器都工 作在 高 温 、 高压 、 强干扰、 强腐蚀等恶劣的环境下 ， 其能否正 常工作直接关 系到生产 的安全性 和可靠性 。但 对于诊断其故障还存在一些 问题 ， 例如 故障与系统 有关 ， 不同的系统要不同的方法诊断 ； 很难分清故障 是系统故障还是执行器的故障等。基 于这些问题 ， 第 6期 冯志刚， 王茹等 基于 M VR V M 回归和 R V M二叉树分类的 自确认气动拙行 器故障诊断算法8 4 3 1 9 9 9年牛津大学控制工程研究室 的学者 在 自确认 传感器技术研究的基础上， 将自确认 S E V A s e lf - v a 1 ． i d a t i n g 技术应 用于执 行器 ， 提 出了 自确认 执行 器 s e l f - v a l i d a t i n g a c t u a t o r 的概念 ， 开创 了一 种新 型的执行器研究方 向 自确认 执行器技术 ， 这对 执行器的发展必将成为一个非常重要 的方 向。本项 目组通过对传统三组件式气动执行器进行 改进 ， 提 出了一种 自确认气动执行器 ， 该种执行器不仅能够 给出正确的控制输 出， 同时能够实现故障的自检测、 自诊断 ， 给出输 出控制量的准确度信息 ， 自身的工作 状态信息等参数。其中对 自身故障的检测和诊断是 至关重要 ， 为了解决气动执行器的故障诊断问题 ， 目 前主要采用的方法是神经网络方法 和支持 向量 机 方法 ， 均取得 了一定 的效 果 ， 但是 神经 网络方 法存在结构确定难 、 容易陷入局部最优、 过学习问题 且需要大量训练样本的缺点。支持向量机方法在很 大程度上克服 了神经 网络 的缺点 ， 能够在一定程度 上解决故障诊断的小样本、 非线性问题 ， 但是其在实 际应 用 中也 存 在 一 些 缺 点 ① 核 函 数 必 须 满 足 Me r c e r 条件 ； ②支持 向量机具有一定的稀疏性 ， 但是 支持 向量 数会 随着训 练样本 数 的增加 线 性增 加 ； ③需要对一些模型参数进行优化， 如果这些模型参 数取值不当， 将大大影响其性能 ， 从而增加额外的计 算量。 为 了克服以上缺点 ， 本文将基 于贝叶斯 概率框 架理论的关联 向量机用于气动执行器 的故障诊断 ， 提 出了一种基于多变量关联 向量 MV R V M 回归和 关联向量机二叉树分类 的气 动执行器故 障诊断方 法。首先用 MV R V M 回归对无故障气动执行器的输 入 、 输出进行建模 ， 然后将实际输出和模型输 出进行 比较产生残差 ， 如果残差发生异常则检测到故障 ， 将 残差作为特征向量输入到训练好 的 R V M 二叉树多 分 类 器 ， 判 断 气 动 执 行 器 的 故 障 类 型。 基 于 M V R V M 回归和关联向量机二叉树多分类 的气动执 行器故障诊断方法的原理如图 1所示 。 图 1 基 于 M V R V M 回归建模 和 R V M二 又树 多分类器的 气动执行 器故 障诊 断方法原理 1 自确认气动执行器结构及 常见故 障 本文研究三组件式 自确认气 动执行器 ， 由气动 执行机构 P n e u m a t i c s e r v o m o t o r 、 阀门定位器 P 0 一 s i t i o n e r 、 调节阀 V a l v e 3部分组成， 如 图 2和图 3 所 示 。 图2传统三组件式气动执行器结构 图 图 3 自确认 气动执 行器基本结构 图 由图可知 ， 自确认气动执行器是一个 四输人 ， 二 输 出系统 ， 具体如图 4所示 ， 其中 C V为阀位指令信 号 ， P 1为执行器阀体前流体压力 ， P 2为执行器 阀体 后流体压力 ， T 1为执行器 阀体流体温度 ， 是 四个输 入 ； X为位置反馈信号 ， F为流量信号， 是两个输 出。 自确认气 动执行器 图 4 自确认 气动执行 器模 型原理 图 当执行器 给定 的参 数无 法稳定在规定 的范 围 内 ， 同时不 能完成 规定 的功 能， 我们视 它为发生故 障。文献 [ 7 ] 中总结 了气 动执 行器的 1 9种典 型故 障 ， 具体见表 1 。 8 4 4 传感技术学报 V F W W． c h i n a t r a n s d u c e r s ． c o n 第 2 8卷 表 1 气 动执行器的 1 9种典型故 障 供气压力下降 阀体差压不正常的变化 s 旁路阀打开 流量传感器故障 较快速渐进性故障 较 快速渐进性故障 跳变性故 障 跳变性故 障 2 基于 MVRVM 的建模方法 2 ． 1 MVR VM 回归原理 T h a y a n a n t h a等人在 贝叶斯概率框 架理论 的 基础上于 2 0 0 8年提 出了模 型较为稀疏 的 MV R V M 理论 ⋯， 目的为实现多变量 的同时回归。由图 4 可知 ， 自确认气动执行器是四输入二输 出系统 ， 此方 法对于 自确认气动执行器的建模 问题非常恰当。因 为 MV R V M 回归在小样本 下仍具 有较好 的泛化 能 力 ， 可保证 建模 精度 ， 同时模型稀疏 ， 复杂度不高 。 作为一种核学习方法 ， 它将 自确认 气动执行器建模 中复杂的输人输 出关系映射到线性 的高维空 间中， 可解决其非线性问题 。 在给定训练样本集[ ， t ] 下 ， 其中 E 尺 和 t ∈R 分别第 n组训练样本 的输入和 目标 向量 ， q是 自确认气动执行器输入量个数 ， 为 自确 认气动执行器输 出量个 数 ， Ⅳ为训练样本 的个 数 ， MV R V M回归模型的数学表达式如下 Y ‘ [ ‘ ’ ] 1 式 中 Y ∈R 驭 是 MV R V M 模型 的多变量输 出， 即 第 n组样本数据集 的预钡 4 值输 出向量 ， Y ” ” [ Y 。 Y ⋯Y ⋯y M ] ， 1 ≤m≤M， M 是 自确认气动 执行器输出量个数 ； ∈R 是 MV R V M模 型优化 后 的权值矩阵 ， [ 。 ⋯ ⋯ Ⅳ ] ， 其中， [ ⋯ ⋯ 嘉 ] ， 1 ≤ ≤尺 ． R V是 MV R V M模 型从 Ⅳ个 训练样本 中 选取 的相关 向量个数 且 R V 【 l 5 ’ 0 5 ’ u’ f 7 _ 一 s 图 9基 于 RV M 的 二 叉 树 多分 类 器拓 扑 结 构 ∞ ∞ ∞ 如 ∞ o o o o m 第 6期 冯志刚， 王茹等 基于 M V R V M回归和 R V M二叉树分类的 自确认气动执行器故障诊断算法8 4 7 组合起来 ， 就形成能够将 1 O种状态区分开来的多分 类机 。每个节点是一个 R V M二分类器。 4 应用实例与分析 本文的数据来源为波兰华沙工业大学开发的基 于 M A T L A B - S I MU L I N K的 D A B L i b执 行器模 型 库 ， 利用此模型库 ， 仿真生成气动执行器故障数据 ， 对所 研究方法进行验证。本文首次将关联向量基 回归和 多分类关联向量基结合起来进行气动执行器故障诊 断。具体的诊断步骤如下 ， 首先用 多变量关联 向量 机 回归建模 ， 利用无故障情况下的气动执行器 的数 据作为输入 ， 将模 型产生 的输出与实际的输 出作 比 较 ， 得到残差 ， 若有发现残差产生异常则说明有故障 生成 ， 把提取的这些残差当做特征向量 ， 同时作为多 分类关联向量机输入进行训 练， 便可识别气 动执行 器的故障。 ①使用无故障的数据进行训练建立执行器多向 量 R V M回归模型 g 。 ②训练过程。首先将训练样本输入基于多变量 R V M 回归执行机构模型 ， 得到模 型预测值 ， 然后通 过对 比模型预测输 出与实际执行器输 出生成残差 ， 训练设计 R V M多分类器 。 ③故障识别过程。对于 自确认气动执行器的测 试数据 ， 首先 ， 利用执行器模型 g 生成残差 ， 然后 ， 通 过将 残 差 带 人 R V M 多 分 类 器 进 行 故 障 类 型 的 辨识。 训练过程 薅 巫 训 练 过 程 一 l 特 征 提 取 广 1 兰 竺 r 1 类 训 练 l T一 一二厂一 堂 圃l 测 程 样 至 南 - 一 l 附 征 提 取 I 1 类 钡 4 试 故障诊断结果 图 1 0 基 于 R V M的 自确认 气动执行 器 故障诊 断算 法原理 图 利用 D A B L i b生成 了自确认气动执行器每种故 障及正常状态各 1 9 0组数据 ， 利用 1 9 0组正 常数据 建立基于 MV R V M 回归 的气动执行器模型 ， 任意选 取每种故障及正常状态各 2 0组数据作为训练样本 ， 输入到建立好 的气动执行器模型 ， 产生残差 ， 用于训 练 R V M多分类机 ， 其余 的每种故 障及 正常状态各 1 7 0组数据用于对算法 的测试。表 2给出了详细的 测试样本 的故障识别结果 。具体每一个关联向量机 并它用作 R V M二叉树分类器的输入特征向量， 最后 的详细结果如表 3所示 。 表 2 测试样本的故障诊断结果 二叉树分类 由表 2我们可看出 、 、 、 、 和 的 所有测试样本均被正确识别。3 个 的测试数据被 错误识别为 ， 这是 由于 R V M 5分类错误导致 的 ； 1 个 被错误识别为 ， 这是 由于 R V M2分类错误 导致的； 1个 ， 3 被错误识别 为 ， 这 是 由于 R V M3 分类错误导致的； 1个 被错误认识别为 ， 这是由 8 4 8 传感技术学报 W W W ． c h i n a t r a n s d u c e r s ． c o n 第 2 8卷 于 R V M4分类错 误导致 的 ； 1个 被 错误 识别 为 ，这是 由于 R V M5分类错误导致 的。且 由表 3可 见 ， 每个相关 向量机 的相关向量数量远远低于训练 样本数据 ， 即相关 向量机具有很强的稀疏性 ， 可 以大 大提高在线识别的实时性。 R V M二叉树分类 方式 和 R V M 一对 一分类 方式 的 R V M多分类器进行 比较。为保证 比较的公平性 ， 同 样选择经过 MV R V M 模型得到 的残差特征 ， 选取相 同的每种故 障及 正 常状态 各 2 0组样 本 用于 训练 R V M一对一多分类器 ， 剩余 的 1 7 0组模拟数据进行 为了验证 R V M 二叉树多分类 的优势 ， 我们把 测试 。i 贝 0 试结果如表 4所示 。 表 4 测试样本 的故障 识别 结果 一对一分 类 由表 4我们可看出 、 、 、 和 所有测试 样本均被正确识别。2个．厂 的测试数据被错误识别 为 ， 1 个 的测试数据被错误识别为 ， 1个 被 错误认识别为 ， 2个 被错误识别为 ， 1 个 被 错误识别为 ， 2个 被错误识别为 ， 1 个 的测 试数据被错误识别为． 。可见对于 R V M一对一多分 类方法 ， 虽有几处误识别 ， 但所有故障模式的识别率 也很高 。但是由于采用 R V M一对一实现多分类 ， 对 于本文的 l 0种状态识别， 需要 1 0 1 0 1 ／ 2 4 5个 R V M二分类器， 而 R V M二叉树方法仅需要 9个 R V M 二分类器 ， 因此其训练时间将远远大于 R V M 二又树 分类器 ， 同时对于在线识别过程来说 ， 一对一分类方 法的平均运算量也是二叉树分类方法的 5倍 ， 因此在 实时性方面 ， 二叉树方法也是远远优 于一对一分类 方法。 5 结 论 本文首次将 基于 MV R V M 回归建模和 R V M 二 又树分类的故障诊断方法用于 自确认气动执行器的 故障诊断 ， 利用波兰华 沙工业大学 开发 的 D A B L i b 执行器模型库产生气动执行器数据 ， 对所研究方法 进行了验证 ， 并对 R VM二叉树分类和 R V M一对一 分类方法进行了比较 ， 结果表明 ①所研究方法能够 正确建立气动执行器的模型 ， R V M二叉树分类法能 够 以较高的正确率识别气动执行器故障状态 ， 且相 关 向量数远远小于训练样本数 ， 大大提高了解的稀 疏性。②二叉树分类和一对一分类方法的故障诊断 的识别率和正确数都很 高， 但 R V M一对 一分类方 法所建立的关联 向量机较 多， 所 以对于在线训练和 识别 ， R V M二叉树分类 比 R V M一对一分类器 占用 更少 的内存和消耗更少 的 C P U时间。总之 ， 本文所 研究方法是解决气动执行器故障诊断的小样本和非 线性问题 的一种有效方法。 参考 文 献 [ 1 ] 师黎 ， 费敏锐 ． 气动 执行器 故障诊 断与 容错控 制的研 究进 展 [ J ] ．自动化仪表 ， 2 0 0 4 ， 2 5 8 4 - 9 ． [ 2 ] 冯志刚 ， 张学娟． 基于 L S S VM和 S VM的气 动执行 器故障诊 断 方法[ J ] ． 传感技术学报 ， 2 0 1 3 ， 2 6 1 1 1 6 1 0 1 6 1 6 ． [ 3 ] He n r y M P， C l a r k e D W． T h e S e l f V a l i d a t i n g S e n s o r R a t i o n a l e ， D e fi n i t i o n s a n d E x a m p l e s [ J ] ． C o n t r o l E n g i n e e r i n g P r a c t i c e ， 1 9 9 3 ， 1 4 5 8 5 61 0 ． [ 4 ] F e n g Z h i g a n g ， Q i u Me n g ． D e s i g n a n d I mp l e me n t a t i o n o f S e l f V a l i d a t i n g Pn e u ma t i c Ac t u a t o r Ha r d wa r e S y s t e m Ba s e d o n DS P a n d MC U[ J ] ． I n t e r n a t i o n a l J o u r n a l o f Hy b r i d I n f o r m a t i o n T e c h n o l o g y ． 2 0 1 4 ， 7 6 1 O 1 1 1 4 ． [ 5 ] K a r p e n k o M， S e p e h r i N， S e u s e D． D i a g n o s i s o f P r o c e s s Va l v e Ac t u - a t o r F a u l t s Us i n g a Mu h il a y e r N e u r a l N e t w o r k[ J ] ． C o n t r o l E n g i n e e r i n g P r a c t i c e ， 2 0 0 3 ， 1 1 1 1 1 2 8 9 1 2 9 9 ． [ 6 ] F a i s e l J ， R u n J ， Wi t c z a k M． A N e u r o F u z z y Mu l t i p l e Me d e l O b s e r v e r Ap p r o a c h t o Ro b u s t F a u l t Dia g n o s i s Ba s e d e n t h e DAMADI CS B e n c h ma r k P r o b l e m[ J ] ．C o n t r o l E n g i n e e ri n g P r a c t i c e ， 2 0 0 6 ， 1 4 6 6 9 9 7 1 7 ． 6期 冯志刚， 王茹等 基于 M VR V M 回归和 R V M二叉树分类的 自确认 气动执行器故障诊断算法8 4 9 I i c h a l B， Ran P， Mi c h a l S ． I n t r o d u c t i o n t o t h e D AMADI CS Ac t u a t o r D I B e n c h m a r k P r o b l e m[ J ] ． C o n t rol E n g i n e e ri n g P r a c t i c e ， 2 0 0 6 ， 1 4 6 5 7 7 5 9 6 ． 完 强 ， 刘洁瑜 ， 王琪 ， 等． 基于相关向量机的 ME MS陀螺仪 随机 票 移补偿[ J ] ． 传感技术学报 ， 2 0 1 4 ， 2 7 5 5 9 6 - 5 9 9 ． h a y a n a n t h a n A， Na v ara t n a m R ， S t e n g e r B， e t a 1 ．Mu l t i v a r i a t e Re 1 一 ,v a n c e V e c t o r Ma c h i n e s f o r T r a c k i n g[ C] ／ ／ P r o c e e d i n g s o f t h e 10 0 6 E u r o p e a n C o n f e r e n c e o n C o mp u t e r Vi s i o n， 2 0 0 6， 3 9 5 3 1 2 4一 【 3 8 ． a y a n a n t h a n A， Na v a r a t n a m R， S t e n g e r B， e t a 1 ．Po s e Es t i ma t i o n m d T r a c k i n g U s i n g M u l t i v a r i a t e R e g r e s s i o n [ J] ．P a t t e r n e c 。 g n i t i0 n L e t t e r s ， 2 0 0 8 ， 2 9 9 1 3 0 2 1 3 1 0 ． 冯志刚 1 9 8 0 - 男， 副 教授 ， 2 0 0 9年 获 哈尔滨工业大学测试计量技术及仪器 专业博士学位， 现为沈阳航空航天大学 自动化学 院副教授 ， 硕 士生导 师 ， 主要 从事 自确认执行器、 自确认传感器、 系 统故障诊断等方面的研究， g 1 0 2 3 y e a h． n e t 。 D o n g C h a o ， Z h a o Hu i j i e ， ， e t a 1 ． Hy p e r s p e c t r a l I ma g e C l a s - s i fi c a t i o n a n d A p p l i c a t i o n B a s e d o n R e l e v a n c e V e c t o r Ma c h i n e [ J ] ． J o u ma l o f Re m o t e S e n s i n g ， 2 0 1 0 ， 1 4 6 1 2 7 3 -1 2 7 8 ． T i p p i n g M E．s r la r s e Ba y e s i a n L e a r n i n g a n d t h e Re l e v a n c e Ve c t o r Ma c h i n e [ J ] ． J o u rna l o f Ma c h i n e L e a r n i n g R e s e a r c h ， 2 0 0 1 2 1 l 一 24 4 ． 董超 ， 田联房 ， 赵慧洁． 遗 传关联 向量机 高光谱影像 分类 [ J ] ． 上海交通大学学报 ， 2 0 1 1 ， 4 5 1 O 1 5 1 6 1 5 2 0 ． Yu J i n t a o ， Di n g Mi n g l i ， Me n g F a n g a n g ， e t a 1 ．Ac o u s t i c E mi s s i o n S o u r c e I d e n t i fi c a t i o n Ba s e d o n Ha r mo n i c W a v e l e t Pa c k e t a n d S u p p o r t V e c t o r M a c h i n e [ J ] ． J o u r n a l o f S o u t h e a s t U n i v e r s i t y E n g l i s h E d i t i o n ， 2 0 1 1 ， 2 7 3 3 0 0 3 0 4 ． ⋯ 例 川