基于多元時(shí)間序列分析的控制系統(tǒng)執(zhí)行器故障診斷方法研究

張文廣，賀東旭，吳凱利，藺 媛

（1.華北電力大學(xué) 控制與計(jì)算機(jī)工程學(xué)院，北京102206；2.上海新華控制技術(shù)集團(tuán)科技有限公司，上海270062；3.華北電力大學(xué) 新能源學(xué)院，北京102206）

隨著工業(yè)生產(chǎn)自動(dòng)化與智能化不斷發(fā)展，系統(tǒng)復(fù)雜程度和精密程度日益增加，發(fā)生故障的可能性也隨之增大[1]。執(zhí)行器作為工業(yè)生產(chǎn)指令的執(zhí)行終端和控制系統(tǒng)中唯一的運(yùn)動(dòng)元件，若出現(xiàn)故障未被及時(shí)處理，將會(huì)嚴(yán)重影響控制系統(tǒng)的工作性能[2-3]。

國(guó)內(nèi)外學(xué)者圍繞基于數(shù)據(jù)驅(qū)動(dòng)的故障診斷方法進(jìn)行了大量研究[4-6]。執(zhí)行器前后通常分布有壓力、流量、溫度等傳感器，從中選取關(guān)鍵信號(hào)用于診斷，能夠降低診斷難度，提高診斷方法的實(shí)用性。通過(guò)構(gòu)造某種指標(biāo)的濾波器并與系統(tǒng)真實(shí)輸出比較得到殘差，對(duì)殘差進(jìn)行評(píng)價(jià)以得到故障檢測(cè)結(jié)果，是故障診斷常用的手段[7-9]。然而，體現(xiàn)執(zhí)行器故障的多種信號(hào)具有時(shí)序性和關(guān)聯(lián)性，單一信號(hào)通常不足以體現(xiàn)全部故障信息，尤其是在線診斷過(guò)程，需要綜合考慮多種時(shí)序信號(hào)的相關(guān)性、故障診斷準(zhǔn)確率以及算法復(fù)雜度，現(xiàn)有研究存在不足。

本文提出一種基于多元時(shí)間序列分析的控制系統(tǒng)執(zhí)行器在線故障診斷方法。分析執(zhí)行器故障機(jī)理，確定了表征執(zhí)行器故障的關(guān)鍵信號(hào)；采用執(zhí)行器歷史數(shù)據(jù)，建立了時(shí)間卷積網(wǎng)絡(luò)（TCN）在線預(yù)測(cè)模型，對(duì)多通道信號(hào)進(jìn)行在線預(yù)測(cè)；通過(guò)LSTM 網(wǎng)絡(luò)對(duì)殘差信號(hào)建立了故障分類模型；最后以半物理試驗(yàn)平臺(tái)中的電液執(zhí)行器為例進(jìn)行了試驗(yàn)驗(yàn)證。

1 執(zhí)行器多通道信號(hào)在線預(yù)測(cè)模型

執(zhí)行器故障通常在多種信號(hào)中有所體現(xiàn)，從中選取關(guān)鍵信號(hào)并提取有效故障信息，是保障故障診斷準(zhǔn)確率的前提。為對(duì)控制系統(tǒng)執(zhí)行器進(jìn)行故障診斷研究，本節(jié)進(jìn)行了故障機(jī)理分析，選取3 種關(guān)鍵信號(hào)作為故障診斷的依據(jù)；基于時(shí)間卷積網(wǎng)絡(luò)對(duì)執(zhí)行器多通道信號(hào)進(jìn)行在線預(yù)測(cè)。

1.1 TCN 網(wǎng)絡(luò)基本理論

文獻(xiàn)[10]提出的時(shí)間卷積網(wǎng)絡(luò)是一種用來(lái)解決時(shí)間序列問(wèn)題的新型算法。TCN 具有卷積神經(jīng)網(wǎng)絡(luò)大規(guī)模并行處理的優(yōu)勢(shì)，還融合了時(shí)序任務(wù)上的建模能力，彌補(bǔ)了循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）的長(zhǎng)期依賴問(wèn)題[11]，其核心架構(gòu)包括因果卷積、擴(kuò)張卷積和殘差連接三部分。

在時(shí)序數(shù)據(jù)的處理過(guò)程中，理論上任意時(shí)刻t的輸出yt僅與當(dāng)前時(shí)刻t及之前時(shí)刻的輸入有關(guān)，即其具有因果性。圖1 為一維因果卷積和普通卷積過(guò)程示意圖。與傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)的不同之處在于，因果卷積不能看到未來(lái)的數(shù)據(jù)，是一種嚴(yán)格的時(shí)間約束模型。

圖1 一維普通卷積和因果卷積過(guò)程示意圖Fig.1 Schematic diagram of one-dimensional causal convolution and ordinary convolution process

擴(kuò)張卷積通過(guò)在卷積核中自適應(yīng)填充0 元素，使其可以作用于更長(zhǎng)的區(qū)域。卷積核兩個(gè)相鄰元素間的距離稱為擴(kuò)張因子。

殘差連接是解決深層網(wǎng)絡(luò)梯度消失問(wèn)題的有效手段，可以增強(qiáng)網(wǎng)絡(luò)的泛化能力[12]。殘差模塊以X作為輸入，經(jīng)過(guò)一系列變換F的分支，其結(jié)果添加到輸入X，作為整個(gè)殘差模塊的輸出，公式如下：

殘差模塊使得網(wǎng)絡(luò)層能夠?qū)W習(xí)到恒等映射，有利于深層網(wǎng)絡(luò)的學(xué)習(xí)，因此TCN 使用殘差模塊代替卷積層。一個(gè)殘差連接結(jié)構(gòu)包含兩層擴(kuò)張因果卷積和非線性激活函數(shù)。在每一個(gè)擴(kuò)張因果卷積層使用權(quán)重歸一化和Dropout 來(lái)正則化網(wǎng)絡(luò)。此外，TCN 在恒等映射中添加1×1 卷積，保證輸入輸出之間尺度相同。

1.2 執(zhí)行器多通道信號(hào)在線預(yù)測(cè)

本文基于TCN 網(wǎng)絡(luò)在時(shí)序數(shù)據(jù)建模的優(yōu)點(diǎn)，建立了控制系統(tǒng)執(zhí)行器TCN 在線預(yù)測(cè)模型。

首先，確定體現(xiàn)執(zhí)行器故障的關(guān)鍵信號(hào)，并采集各信號(hào)正常狀態(tài)下的歷史運(yùn)行數(shù)據(jù)。按照驅(qū)動(dòng)執(zhí)行器的能源形式，控制系統(tǒng)執(zhí)行器可分為氣動(dòng)、電動(dòng)與電液執(zhí)行器3 種。3 種執(zhí)行器由于其自身特性不同，在控制系統(tǒng)中使用領(lǐng)域也有所區(qū)別，但基本工作原理都是接受控制指令并對(duì)被控對(duì)象施加控制作用。執(zhí)行器內(nèi)部結(jié)構(gòu)復(fù)雜，信號(hào)種類較多[13-14]。其中閥位設(shè)定信號(hào)、閥位反饋信號(hào)和流量信號(hào)在實(shí)際控制回路中易于獲取，當(dāng)執(zhí)行器發(fā)生故障時(shí)這3種信號(hào)會(huì)發(fā)生變化。通過(guò)故障機(jī)理分析，這3 種信號(hào)可作為執(zhí)行器故障的關(guān)鍵信號(hào)。

其次，對(duì)3 種信號(hào)歷史數(shù)據(jù)進(jìn)行歸一化處理，并按照7∶3 的比例劃分為訓(xùn)練集和測(cè)試集。使用訓(xùn)練集數(shù)據(jù)建立TCN 在線預(yù)測(cè)模型，并通過(guò)測(cè)試集數(shù)據(jù)對(duì)模型精度進(jìn)行評(píng)估。

2 執(zhí)行器LSTM 故障分類模型

本節(jié)使用執(zhí)行器歷史故障數(shù)據(jù)和基于TCN 預(yù)測(cè)模型得到的正常數(shù)據(jù)得到了多通道殘差信號(hào)，建立了基于LSTM 網(wǎng)絡(luò)的故障分類模型，對(duì)控制系統(tǒng)執(zhí)行器進(jìn)行在線故障診斷。

2.1 LSTM 網(wǎng)絡(luò)基本理論

長(zhǎng)短期記憶網(wǎng)絡(luò)（long short-term memory，LSTM）可以很好地解決長(zhǎng)時(shí)依賴問(wèn)題，被廣泛應(yīng)用于負(fù)荷預(yù)測(cè)、語(yǔ)言建模、機(jī)器翻譯等時(shí)間序列任務(wù)中[15]。LSTM 網(wǎng)絡(luò)的基本結(jié)構(gòu)如圖2所示。

圖2 LSTM 網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.2 LSTM network structure diagram

LSTM 通過(guò)遺忘門和輸入門來(lái)控制記憶單元的內(nèi)容。遺忘門決定了上一時(shí)刻的單元狀態(tài)ct－1有多少保留到當(dāng)前時(shí)刻ct：

式中：ft為遺忘門的輸出；σ（·）為Sigmoid 函數(shù)；Wf為遺忘門的權(quán)重矩陣；ht－1為上一時(shí)刻單元輸出；xt為當(dāng)前時(shí)刻單元輸入；［ht－1，xt］表示將兩向量進(jìn)行拼接；bf為遺忘門的偏置項(xiàng)。

輸入門決定了當(dāng)前時(shí)刻網(wǎng)絡(luò)的輸出xt有多少保存到單元狀態(tài)ct，包括兩部分：

式中：it表示當(dāng)前時(shí)刻的輸入有多少保存到單元狀態(tài)；表示由當(dāng)前時(shí)刻單元輸入產(chǎn)生的新信息；Wi和Wc為權(quán)重矩陣；bi和bc為偏置項(xiàng)；tanh（·）為激活函數(shù)。

遺忘門與輸入門相結(jié)合計(jì)算當(dāng)前時(shí)刻的單元狀態(tài)ct：

通過(guò)輸出門計(jì)算當(dāng)前時(shí)刻信息被輸出的程度：

式中：ot為輸出門的輸出；Wo為輸出門的權(quán)重矩陣；bo為輸出門的偏置項(xiàng)。

最后由當(dāng)前時(shí)刻單元狀態(tài)和輸出門計(jì)算當(dāng)前時(shí)刻單元輸出ht：

2.2 執(zhí)行器故障分類

通過(guò)執(zhí)行器歷史故障數(shù)據(jù)和基于TCN 預(yù)測(cè)模型得到的正常數(shù)據(jù)生成兩通道殘差信號(hào)：

式中：PVi′和Qi′為第i種故障下閥位反饋信號(hào)和流量信號(hào)的殘差；PVprediction和Qprediction為基于TCN 預(yù)測(cè)模型得到的正常數(shù)據(jù)；PVi和Qi為第i種故障下的歷史故障數(shù)據(jù)。

通過(guò)兩通道殘差信號(hào)和LSTM 網(wǎng)絡(luò)，可建立執(zhí)行器故障分類模型，對(duì)執(zhí)行器故障進(jìn)行在線診斷。首先進(jìn)行數(shù)據(jù)集劃分，包括以下步驟：

步驟1選擇合適的時(shí)間窗口寬度T和滑動(dòng)步長(zhǎng)h，在原始數(shù)據(jù)集｛t0，t1，，…，tn｝上滑動(dòng)采樣，采樣后的數(shù)據(jù)集為

式中：n為原始數(shù)據(jù)總時(shí)長(zhǎng)，單位為s。

步驟2針對(duì)經(jīng)過(guò)步驟1 滑動(dòng)采樣后的每組數(shù)據(jù)，以間隔h′再次采樣，且h′＞h，以降低每組數(shù)據(jù)的維度。

3 應(yīng)用案例

為驗(yàn)證本文提出的故障診斷方法，使用實(shí)驗(yàn)室搭建的燃?xì)廨啓C(jī)控制系統(tǒng)執(zhí)行器半物理試驗(yàn)平臺(tái)進(jìn)行試驗(yàn)。如圖3所示，該平臺(tái)以燃?xì)廨啓C(jī)電廠控制回路為原型建立，包括多種執(zhí)行器及在其前后的壓力傳感器和流量傳感器，可模擬實(shí)際控制系統(tǒng)中的多種執(zhí)行器故障。電液執(zhí)行器具有輸出力矩大、調(diào)節(jié)精度高、動(dòng)作快速平穩(wěn)等優(yōu)點(diǎn)，在燃?xì)廨啓C(jī)控制系統(tǒng)氣路中應(yīng)用較多。本節(jié)選取試驗(yàn)平臺(tái)中的電液執(zhí)行器進(jìn)行故障診斷研究。

圖3 半物理試驗(yàn)平臺(tái)實(shí)物圖Fig.3 Physical drawing of semi physical test platform

3.1 電液執(zhí)行器TCN 在線預(yù)測(cè)模型

基于試驗(yàn)平臺(tái)進(jìn)行了閉環(huán)動(dòng)態(tài)響應(yīng)仿真試驗(yàn)，采集了電液執(zhí)行器正常和故障狀態(tài)下的閥位設(shè)定信號(hào)、閥位反饋信號(hào)和流量信號(hào)，原始數(shù)據(jù)共100 s，采樣間隔時(shí)間為0.001 s，均為4～20 mA 之間的電流信號(hào)。首先將原始數(shù)據(jù)進(jìn)行歸一化處理，將電流信號(hào)映射為［0，1］之間的開度信號(hào)：

式中：X為原始數(shù)據(jù)；Xnorm為歸一化后的數(shù)據(jù)。處理后的3 種正常信號(hào)如圖4所示。

圖4 電液執(zhí)行器正常信號(hào)Fig.4 Electrohydraulic actuator normal signal

將信號(hào)按照7∶3 比例劃分為訓(xùn)練集和測(cè)試集，使用正常狀態(tài)下的數(shù)據(jù)集建立TCN 在線預(yù)測(cè)模型，損失函數(shù)采用均方根誤差（RMSE）。通過(guò)閥位設(shè)定信號(hào)對(duì)閥位反饋信號(hào)和流量信號(hào)進(jìn)行預(yù)測(cè)，同時(shí)與傳統(tǒng)循環(huán)神經(jīng)網(wǎng)絡(luò)進(jìn)行了對(duì)比，兩種網(wǎng)絡(luò)預(yù)測(cè)結(jié)果如圖5所示，誤差如表1所示。

表1 兩種網(wǎng)絡(luò)預(yù)測(cè)值與實(shí)際值均方根誤差Tab.1 RMSE between predicted value and actual value of two networks

圖5 電液執(zhí)行器正常狀態(tài)預(yù)測(cè)值與實(shí)際值Fig.5 Predicted value and actual value of normal state of electro-hydraulic actuator

結(jié)果表明，TCN 網(wǎng)絡(luò)在執(zhí)行器時(shí)序信號(hào)預(yù)測(cè)上的精度高于傳統(tǒng)RNN 網(wǎng)絡(luò)，特別是當(dāng)信號(hào)波動(dòng)程度較大時(shí)，TCN 網(wǎng)絡(luò)的預(yù)測(cè)誤差更小。

3.2 電液執(zhí)行器LSTM 故障分類模型

選取電液執(zhí)行器6 種典型故障用于診斷研究，表2 為各故障的編號(hào)及名稱。圖6 為各故障狀態(tài)下的信號(hào)，各故障均在3 種信號(hào)中有所體現(xiàn)，例如：吸油管路故障表現(xiàn)為閥位反饋信號(hào)無(wú)法跟隨閥位設(shè)定信號(hào)動(dòng)作；外部泄露故障表現(xiàn)為流量減小等。

表2 電液執(zhí)行器典型故障Tab.2 Typical faults of electro-hydraulic actuator

圖6 電液執(zhí)行器故障狀態(tài)信號(hào)Fig.6 Fault status signals of electro-hydraulic actuator

通過(guò)式（8）生成兩通道殘差信號(hào)，并使用2.2 節(jié)中提出的數(shù)據(jù)集劃分方法對(duì)殘差信號(hào)進(jìn)行處理，滑動(dòng)時(shí)間窗口寬度T為5 s，滑動(dòng)步長(zhǎng)為0.01 s，采樣間隔為0.1 s。劃分后的數(shù)據(jù)集中每種故障包含4501組數(shù)據(jù)，其中前3150 組作為訓(xùn)練集用于建立故障分類模型，后1351 組作為測(cè)試集用于在線故障診斷以評(píng)估故障分類模型的準(zhǔn)確性。每組數(shù)據(jù)的維度為2×51。

為驗(yàn)證所提故障分類模型的有效性，采用相同結(jié)構(gòu)的LSTM 網(wǎng)絡(luò)分別對(duì)原始故障數(shù)據(jù)和多通道殘差信號(hào)進(jìn)行了故障分類建模，LSTM 網(wǎng)絡(luò)輸入層神經(jīng)元為102 個(gè)，輸出層為包含7 個(gè)分類的全連接層，記憶單元為100 個(gè)，學(xué)習(xí)率為0.001，激活函數(shù)為Softmax 函數(shù)，損失函數(shù)為交叉熵?fù)p失，并設(shè)置Dropout 防止過(guò)擬合。

使用混淆矩陣對(duì)模型精度進(jìn)行評(píng)估。LSTM 網(wǎng)絡(luò)對(duì)兩種故障數(shù)據(jù)進(jìn)行分類形成的混淆矩陣如圖7所示，其中第i行第j列表示測(cè)試集中的故障HFi被分類為故障HFj的比例。圖7（a）和7（b）分別為對(duì)原始故障數(shù)據(jù)和多通道殘差信號(hào)分類得到的混淆矩陣，兩種模型的平均診斷準(zhǔn)確率分別為80.54%和93.15%。由此可見，LSTM 網(wǎng)絡(luò)在故障分類建模中可以得到較高準(zhǔn)確率；與原始故障數(shù)據(jù)相比，多通道殘差信號(hào)的故障分類準(zhǔn)確率更高。

圖7 對(duì)兩種故障數(shù)據(jù)分類的LSTM 混淆矩陣Fig.7 LSTM confusion matrix used to classify two kinds of fault data

4 結(jié)語(yǔ)

為提高控制系統(tǒng)執(zhí)行器故障實(shí)時(shí)診斷的準(zhǔn)確率，本文提出一種基于多元時(shí)間序列分析的控制系統(tǒng)執(zhí)行器在線故障診斷方法。首先分析了控制系統(tǒng)執(zhí)行器故障機(jī)理，確定了表征執(zhí)行器故障的關(guān)鍵信號(hào)；其次采用控制系統(tǒng)執(zhí)行器歷史數(shù)據(jù)，建立了執(zhí)行器TCN 在線預(yù)測(cè)模型，對(duì)執(zhí)行器多通道信號(hào)進(jìn)行在線預(yù)測(cè)；隨后通過(guò)LSTM 網(wǎng)絡(luò)對(duì)多通道殘差信號(hào)建立了執(zhí)行器故障分類模型；最后以燃?xì)廨啓C(jī)控制系統(tǒng)執(zhí)行器半物理試驗(yàn)平臺(tái)中的電液執(zhí)行器為例進(jìn)行了試驗(yàn)驗(yàn)證。結(jié)果表明：TCN 網(wǎng)絡(luò)在執(zhí)行器時(shí)序信號(hào)預(yù)測(cè)上的精度高于傳統(tǒng)RNN 網(wǎng)絡(luò)，特別是當(dāng)信號(hào)波動(dòng)程度較大時(shí)，TCN 網(wǎng)絡(luò)的預(yù)測(cè)誤差更小；LSTM 網(wǎng)絡(luò)在執(zhí)行器故障分類建模中可以得到較高準(zhǔn)確率，且與原始故障數(shù)據(jù)相比，對(duì)多通道殘差信號(hào)進(jìn)行故障分類準(zhǔn)確率更高。