采用改進(jìn)閃電搜索算法的冷水機(jī)組故障特征選擇研究

王華秋,蘭 群,趙利軍

(1.重慶理工大學(xué) 兩江人工智能學(xué)院， 重慶 401135； 2.河南中煙工業(yè)有限責(zé)任公司安陽(yáng)卷煙廠， 河南 安陽(yáng) 455000)

0 引言

冷水機(jī)組在工業(yè)生產(chǎn)中應(yīng)用廣泛，通過(guò)制冷劑在壓縮機(jī)、冷凝器等關(guān)鍵部件中流動(dòng)變化實(shí)現(xiàn)制冷循環(huán)[1]，嚴(yán)格控制著生產(chǎn)環(huán)境的溫度、濕度。但是隨著機(jī)組工作時(shí)長(zhǎng)逐漸增加，一些故障不可避免地出現(xiàn)。通常來(lái)說(shuō)，發(fā)生之后導(dǎo)致機(jī)組立馬停止工作的故障，被稱為急性故障；而發(fā)生之后機(jī)組仍能運(yùn)行但性能變差的故障則被稱為漸變故障[2]。漸變故障短時(shí)間內(nèi)不易被察覺(jué)到，如果不能及時(shí)發(fā)現(xiàn)，可能導(dǎo)致更大的生產(chǎn)事故，造成不必要的資源消耗。及時(shí)地從機(jī)組運(yùn)行過(guò)程中的參數(shù)變化發(fā)現(xiàn)漸變故障，對(duì)于避免產(chǎn)生更大的生產(chǎn)問(wèn)題有著非常重要的現(xiàn)實(shí)意義。本文即對(duì)這類(lèi)故障進(jìn)行研究，通過(guò)傳感器獲得冷水機(jī)組運(yùn)行數(shù)據(jù)，判斷出哪種故障發(fā)生并及時(shí)預(yù)警是故障檢測(cè)與診斷的一種主要手段[3]。然而，冷水機(jī)組內(nèi)部結(jié)構(gòu)復(fù)雜、運(yùn)行參數(shù)眾多，使用全部的運(yùn)行參數(shù)進(jìn)行故障診斷易導(dǎo)致高額的診斷成本，而參數(shù)過(guò)少又會(huì)無(wú)法獲得足夠的故障信息，故障診斷精度不高，從中選擇出能夠指示故障的較優(yōu)子集是故障診斷的前提，更為維護(hù)人員檢修排障提供了參考。許多學(xué)者做了這方面的研究，Wang等[4]提出了DR-BN的特征選擇方法，選出了5～8個(gè)特征以及3個(gè)補(bǔ)充特征，且僅用5個(gè)特征就使5種故障的診斷準(zhǔn)確率超過(guò)90%；GAO等[5]通過(guò)隨機(jī)森林的全局靈敏度分析探索冷水機(jī)組7種典型故障的敏感參數(shù)，并基于相關(guān)性分析和經(jīng)驗(yàn)提出了級(jí)聯(lián)特征清理補(bǔ)充混合特征篩選策略，從原始特征中分別篩選14個(gè)參數(shù)和9個(gè)參數(shù)，診斷準(zhǔn)確率高達(dá)99.67%、99.79%；Yan等[6]考慮到不同的錯(cuò)分代價(jià)、保留已有的傳感器，提出了回溯的序列前向選擇算法(BT-SFS)，將代價(jià)敏感學(xué)習(xí)嵌入到多分類(lèi)的支持向量機(jī)(support vector machine,SVM)中作為BT-SFS的基分類(lèi)器，選出了16個(gè)不同重要程度的特征，并且驗(yàn)證了所選特征能夠提供更高的代價(jià)敏感分類(lèi)精度。目前許多針對(duì)冷水機(jī)組故障特征選擇的研究都是依據(jù)經(jīng)驗(yàn)，事先去掉部分特征參數(shù)，然后在剩余特征中進(jìn)行選擇[4]；或者其選擇特征的方法中融合了經(jīng)驗(yàn)[5]。這樣得到的特征子集往往不夠理想，存在經(jīng)驗(yàn)誤差，本文中提出了一種將Fisher Score和元啟發(fā)式算法結(jié)合用于冷水機(jī)組故障特征選擇的方法，該方法使用傳感器測(cè)得的全部特征進(jìn)行實(shí)驗(yàn)，并通過(guò)計(jì)算篩選出有效特征。Fisher Score根據(jù)類(lèi)間距離和類(lèi)內(nèi)距離來(lái)衡量特征是否被選擇，一個(gè)好的特征應(yīng)該使不同類(lèi)樣本的距離盡可能大、同類(lèi)樣本的距離盡可能小。從二分類(lèi)到多分類(lèi)，許多學(xué)者也不斷提出了改進(jìn)的Fisher Score方法，趙玲等[7]還將一種Fisher Score方法應(yīng)用于齒輪箱故障特征選擇，大大降低了特征的維數(shù)，因此，將Fisher Score用于冷水機(jī)組故障特征選擇是可行的。元啟發(fā)式算法通過(guò)隨機(jī)搜索發(fā)現(xiàn)近似最優(yōu)解，廣泛用于控制系統(tǒng)、資源調(diào)度等問(wèn)題[8]，閃電搜索算法(lightning search algorithm，LSA)是Shareef等[9]在2015年提出的一種元啟發(fā)式優(yōu)化方法，任云等[10]將LSA算法與天牛須搜索算法(bettle antennate search algorithm,BAS)相結(jié)合以改善LSA算法的局部搜索能力，并將此方法用于裝配序列規(guī)劃問(wèn)題，表現(xiàn)出了良好的性能。Fisher Score與閃電搜索算法共同進(jìn)行特征選擇的思路如下：求出每個(gè)特征的Fisher Score值，設(shè)置閾值對(duì)特征進(jìn)行初選；再為留下的每一維特征分配權(quán)重，以診斷準(zhǔn)確率為適應(yīng)度值，使用閃電搜索算法對(duì)權(quán)重、需保留特征個(gè)數(shù)不斷更新，最終得到冷水機(jī)組每個(gè)特征的權(quán)重值及故障特征較優(yōu)子集，用于構(gòu)建冷水機(jī)組故障診斷模型。

1 閃電搜索算法

閃電搜索算法受到閃電梯級(jí)先導(dǎo)傳播機(jī)制的啟發(fā)：放電體參與形成二叉樹(shù)結(jié)構(gòu)并且在分叉點(diǎn)同時(shí)形成2個(gè)先導(dǎo)尖端。考慮了閃電的概率性質(zhì)和曲折特征，通過(guò)相對(duì)能量來(lái)控制算法的探索和開(kāi)發(fā)能力。算法的3種放電體建模和2種分叉方式形成新通道的原理如下。

1.1 放電體建模

過(guò)渡放電體產(chǎn)生了梯級(jí)先導(dǎo)的初始種群，空間放電體試圖到達(dá)最好的先導(dǎo)位置，先導(dǎo)放電體代表當(dāng)前的最優(yōu)位置，考慮到閃電的概率性質(zhì)完成了3種放電體的建模。

先導(dǎo)尖端在早期形成，經(jīng)過(guò)渡向隨機(jī)方向噴出放電體，因此過(guò)渡放電體pt可被認(rèn)為是從解空間[m,n]上取得的隨機(jī)數(shù)并服從均勻分布，根據(jù)以下公式來(lái)生成過(guò)渡放電體。

(1)

(2)

(3)

1.2 2種分叉方式形成新通道

(4)

2) 設(shè)置一個(gè)最大通道時(shí)間max_time，在達(dá)到max_time時(shí)，用最優(yōu)的通道代替最差的通道進(jìn)行通道更新。

2 FSLSA算法

2.1 SLSA

針對(duì)LSA做出了以下幾點(diǎn)改進(jìn)，提出了SLSA算法改善LSA算法跳出局部最優(yōu)的能力。

1) 利用1-D Sine Powered混沌映射初始化種群

1-D Sine Powered(1DSP)混沌映射[11]定義如下：

di+1=(di(α+1))sin(βπ+di)

(5)

式中：α>0,β∈[0,1]，初始值d0∈[0,1]，di存在于方程的2個(gè)部分，這使得1DSP更加復(fù)雜，當(dāng)α>2時(shí)，1DSP的輸出表現(xiàn)出較高的混沌行為。

2) 放電體多變換更新

具體地，當(dāng)前放電體先經(jīng)過(guò)旋轉(zhuǎn)變換鄰域搜索得到一個(gè)中間放電體，如果中間放電體的能量值優(yōu)于當(dāng)前放電體，再進(jìn)行平移變換和鄰域搜索得到調(diào)整后的放電體，否則中間放電體將成為調(diào)整后的放電體，旋轉(zhuǎn)、平移的表達(dá)式[14]如式(6)和式(7)所示。

(6)

式中：p為放電體；γ>0為旋轉(zhuǎn)因子；n為放電體維數(shù)；R為n*n維，元素取值在[-1,1]之間均勻分布的隨機(jī)矩陣；‖·‖2為向量2-范數(shù)或歐式范數(shù)。

(7)

式中：δ>0為平移因子；R是一個(gè)元素取值在[0,1]之間均勻分布的隨機(jī)數(shù)。

3) 隨機(jī)交叉

LSA算法的一種交叉方式是生成一個(gè)通道與原通道對(duì)稱，兩通道梯級(jí)先導(dǎo)能量值求和永遠(yuǎn)為上下限之和，式(8)中加入隨機(jī)數(shù)增加了生成通道中放電體的不確定性，有利于擴(kuò)大搜索區(qū)域。

(8)

2.2 FSLSA

Song等[15]考慮到了類(lèi)別分布不均勻的情況，提出了改進(jìn)的Fisher Score方法，將類(lèi)間散度定義為特征的平均類(lèi)間距離，如式(9)所示。

(9)

通過(guò)樣本方差求和得到類(lèi)內(nèi)散度，如式(10)所示。

(10)

特征的Fisher Score值通過(guò)式(11)求出。

(11)

根據(jù)F值先剔除少數(shù)不敏感特征，再在保留特征上使用SLSA方法，求得最終的特征子集,記為FSLSA方法。

3 實(shí)驗(yàn)流程

3.1 冷水機(jī)組故障數(shù)據(jù)

實(shí)驗(yàn)數(shù)據(jù)來(lái)源于ASHRAE 1043研究項(xiàng)目，項(xiàng)目在一臺(tái)90 t(316 kW)的冷水機(jī)上模擬引入7種故障，分別是冷卻水流量不足(F1)、冷凍水流量不足(F2)、制冷劑泄漏(F3)、制冷劑過(guò)量(F4)、潤(rùn)滑油充注量過(guò)多(F5)、冷凝器污垢(F6)和不可冷凝(F7)。項(xiàng)目模擬了4種故障嚴(yán)重程度，其中故障等級(jí)1的模擬引入方法如表1所示。

表1 7種典型故障的模擬方法

數(shù)據(jù)采集的時(shí)間間隔為10 s，每種故障采集了5 191組數(shù)據(jù)，從中選取800條。因此7種故障總共有5 600條數(shù)據(jù)，按照7∶3的比例劃分為訓(xùn)練集和測(cè)試集。指示故障的特征共有65個(gè)，其中包含溫度特征30個(gè)、壓力特征5個(gè)和流量特征5個(gè)等。65維特征參數(shù)中有 49個(gè)直接來(lái)源于傳感器，其他通過(guò)計(jì)算得到，針對(duì)不同的參數(shù)傳感器又可以分為溫度傳感器、壓力傳感器等，例如冷凝環(huán)路中傳感器的安裝位置如圖1所示，S1、S2…S11分別代表一個(gè)傳感器。

圖1 冷凝環(huán)路傳感器位置示意圖

3.2 FSLSA基本實(shí)現(xiàn)

本文中提出的FSLSA是一種數(shù)據(jù)集特征選擇方法，將SLSA與Fisher Score結(jié)合起來(lái)，在訓(xùn)練集上計(jì)算出所有特征的Fisher Score值，設(shè)置一個(gè)較小的閾值，如果某特征的Fisher Score值<閾值則剔除，反之則保留。在SLSA中，將放電體維數(shù)設(shè)置為Fisher Score保留的特征數(shù)+1，為每一維特征初始化一個(gè)權(quán)值，權(quán)值越高則表示其對(duì)應(yīng)的特征對(duì)故障類(lèi)別越敏感，多出來(lái)的一維則是特征數(shù)k，權(quán)值都介于放電體的上下限之間。實(shí)驗(yàn)將使用頻率較高的分類(lèi)錯(cuò)誤率[16]作為SLSA的目標(biāo)函數(shù)值，利用libsvm庫(kù)[17]計(jì)算在測(cè)試集上的錯(cuò)誤率，分類(lèi)錯(cuò)誤率越低，表示能量值越優(yōu)。SLSA每次迭代過(guò)程中需要對(duì)k按比例放大、四舍五入，如式(12)所示，得到應(yīng)選特征個(gè)數(shù)，A(n)是權(quán)重向量最后一維的值，num_features是Fisher Score保留的特征個(gè)數(shù)，round()表示四舍五入。

k=round(A(n)*(num_features-1)+1)

(12)

SLSA將特征個(gè)數(shù)k與特征權(quán)重一起優(yōu)化,每次迭代按權(quán)值由高到低的順序選擇出k個(gè)特征，用這些特征去求得目標(biāo)函數(shù)值，SLSA不斷優(yōu)化求解，直至收斂。根據(jù)此時(shí)的特征權(quán)值和特征個(gè)數(shù)得到最終的特征子集。FSLSA實(shí)現(xiàn)的總體流程如圖2所示，其中SLSA在使用1DSP生成過(guò)渡放電體時(shí)，需要將初步生成后的放電體每維取值歸一化到上下限之間。

圖2 FSLSA進(jìn)行特征選擇流程框圖

4 實(shí)驗(yàn)及結(jié)果分析

4.1 使用FSLSA算法選擇UCI數(shù)據(jù)集特征

為了驗(yàn)證FSLSA算法的性能，隨機(jī)選取了7個(gè)常用的UCI數(shù)據(jù)集，數(shù)據(jù)集的特征數(shù)目、樣本個(gè)數(shù)等信息如表2所示。將其同樣按照7∶3的比例劃分為訓(xùn)練集和測(cè)試集，并與所使用的Fisher Score方法、LSA、鯨魚(yú)優(yōu)化算法(whale optimization algorithm，WOA)[18]以及MRMI[19]方法進(jìn)行比較。

表2 UCI數(shù)據(jù)集基本信息

圖3、圖4和圖5是為了對(duì)SLSA的收斂特性進(jìn)行分析，使SLSA、LSA、WOA在Heart、Ionosphere、Sonar數(shù)據(jù)集上的迭代次數(shù)、種群數(shù)目、每維取值上下限等條件完全一致，運(yùn)行了20次，取結(jié)果的均值繪制的收斂曲線，橫坐標(biāo)為迭代次數(shù)，縱坐標(biāo)為分類(lèi)錯(cuò)誤率。

圖3 SLSA、LSA和WOA在Heart上的迭代過(guò)程曲線

圖4 SLSA、LSA和WOA在Ionosphere上的迭代過(guò)程曲線

圖5 SLSA、LSA和WOA在Sonar上的迭代過(guò)程曲線

SLSA方法對(duì)比基本的LSA、WOA求得的錯(cuò)誤率更低。另外，在Vehicle和WDBC 2個(gè)數(shù)據(jù)集上也是如此，在Vote和Wine數(shù)據(jù)集上錯(cuò)誤率優(yōu)勢(shì)不明顯。

FSLSA與這幾種方法在UCI數(shù)據(jù)集上選出來(lái)的特征子集維數(shù)(num)、在特征子集上得到的分類(lèi)準(zhǔn)確率(acc)如表3所示。從表中可以看出，這幾種方法都從不同程度上減少了原始數(shù)據(jù)的維度并保證了分類(lèi)準(zhǔn)確率，所提的FSLSA算法相較于其他算法有明顯優(yōu)勢(shì)，在所有的數(shù)據(jù)集中都達(dá)到了最高的準(zhǔn)確率。

表3 不同方法在UCI數(shù)據(jù)集上特征選擇的結(jié)果

相較于基本的LSA算法，在保證數(shù)據(jù)集準(zhǔn)確率不變的情況下，F(xiàn)SLSA減小了大部分?jǐn)?shù)據(jù)集所需的特征維數(shù)(即Heart、Ionosphere、Vehicle和WDBC)，尤其是在Heart數(shù)據(jù)集上，將其特征維數(shù)減到6，是所有方法中維數(shù)最低但是準(zhǔn)確率最高的，可以看出FSLSA有效縮減了計(jì)算開(kāi)銷(xiāo)、降低了特征的冗余性。相較于MRMI和Fisher Score，F(xiàn)SLSA增加特征數(shù)所帶來(lái)的準(zhǔn)確率提升是值得的。在Ionosphere數(shù)據(jù)集中，F(xiàn)SLSA選擇8個(gè)特征，完成了96.19%的準(zhǔn)確率，遠(yuǎn)高于MRMI(6特征數(shù))的91.43%和Fisher Score(7特征數(shù))的93.33%。在Vote數(shù)據(jù)集中，F(xiàn)SLSA選擇11個(gè)特征，完成了92.31%的準(zhǔn)確率，而選擇3個(gè)特征的MRMI為90.77%，同樣遠(yuǎn)高于選擇1個(gè)特征數(shù)的Fisher Score(90.77%)。

4.2 FSLSA算法選擇冷水機(jī)組故障特征

在已經(jīng)劃分好的訓(xùn)練集上使用Fisher Score對(duì)特征進(jìn)行初選，求出冷水機(jī)組65維特征的Fisher Score值，其中有50多維特征的Fisher Score值介于0～0.1，因此將閾值設(shè)置為0～0.1的某個(gè)數(shù)，經(jīng)過(guò)多次實(shí)驗(yàn)驗(yàn)證，發(fā)現(xiàn)閾值為0.03時(shí)選出的特征數(shù)較少且診斷準(zhǔn)確率較高。此時(shí)65維特征保留了31維，包括TWE_set(蒸發(fā)器設(shè)置)、TEI(蒸發(fā)器側(cè)進(jìn)水溫度)和TEO(蒸發(fā)器側(cè)出水溫度)等。SLSA算法的一些參數(shù)設(shè)置及含義如表4所示。

表4 SLSA算法參數(shù)設(shè)置

SLSA迭代過(guò)程的收斂曲線如圖6所示，橫坐標(biāo)是SLSA的迭代次數(shù)，縱坐標(biāo)為故障診斷錯(cuò)誤率，僅經(jīng)過(guò)大概6次迭代，曲線降到最低、逐漸平穩(wěn)，這說(shuō)明SLSA的收斂速度較快；收斂后的最小值等于0，這意味著，在測(cè)試集上libsvm的診斷準(zhǔn)確率達(dá)到了100%。

圖6 SLSA迭代過(guò)程曲線

由FSLSA求得的特征權(quán)重介于0.11～0.78，得到的特征子集最終包含13個(gè)特征參數(shù)，按照權(quán)值對(duì)其進(jìn)行排序，特征參數(shù)及其含義如表5所示，13個(gè)參數(shù)中，有9個(gè)溫度參數(shù)、2個(gè)壓力參數(shù)和1個(gè)閥位參數(shù)。

表5 冷水機(jī)組最終特征子集

4.3 驗(yàn)證冷水機(jī)組特征子集的有效性

從5 600條故障數(shù)據(jù)中依次選擇表4中的特征參數(shù)，組成維度為5 600*14的特征子集，其中第一列為故障的類(lèi)別標(biāo)簽。使用KNN、RF、BP和GRU[20]4種方法，方法的一部分參數(shù)設(shè)置見(jiàn)表6，將特征子集按照7∶3的比例劃分為訓(xùn)練集和測(cè)試集，得到7種故障的診斷準(zhǔn)確率，與原始的冷水機(jī)組故障數(shù)據(jù)進(jìn)行對(duì)比，結(jié)果如圖7和圖8所示，圖中橫坐標(biāo)為7種故障，縱坐標(biāo)為單類(lèi)故障診斷準(zhǔn)確率。圖7中KNNfull表示在原始特征上使用KNN方法得到的單類(lèi)故障診斷準(zhǔn)確率曲線，KNNsub則是KNN在所選特征子集上的單類(lèi)故障診斷準(zhǔn)確率曲線，其余方法類(lèi)似。從圖中可以看出，采用特征子集后，KNN和BP對(duì)某些故障的識(shí)別精度有明顯提升，尤其是采用KNN方法時(shí)，F(xiàn)3(制冷劑泄漏)和F4(制冷劑過(guò)量)的故障診斷精度提高了10%以上；RF和GRU方法的診斷精度雖然沒(méi)有明顯改善，但相對(duì)更為穩(wěn)定，平均準(zhǔn)確率有所提高。

圖7 KNN和BP故障診斷曲線

圖8 RF和GRU故障診斷曲線

表6 KNN、RF等方法的超參數(shù)

F3代表制冷劑泄漏，是冷水機(jī)組應(yīng)用中發(fā)生頻次最高的故障，而選用特征子集的4種方法對(duì)該故障的識(shí)別精度均有明顯提高，極具現(xiàn)實(shí)意義，在實(shí)際生產(chǎn)中能夠有效預(yù)防意外的發(fā)生。另外，從圖中可以觀察出，在特征子集上這7種故障的識(shí)別精度變化范圍更穩(wěn)定。可以看出，使用FSLSA方法對(duì)冷水機(jī)組進(jìn)行故障特征選擇，去除了一些弱相關(guān)特征數(shù)目，避免弱相關(guān)特征數(shù)目過(guò)多，誤導(dǎo)診斷模型。也去掉了故障特征中很大一部分的冗余信息，例如壓縮機(jī)功率、性能系數(shù)和建筑進(jìn)水溫度等，從而提高模型的診斷精度。

5 結(jié)論

1) 通過(guò)在UCI數(shù)據(jù)集上進(jìn)行對(duì)比實(shí)驗(yàn)，改進(jìn)的閃電搜索算法(SLSA)選擇的特征子集維數(shù)較少，準(zhǔn)確率較高。

2) 使用Fisher Score對(duì)冷水機(jī)數(shù)據(jù)集進(jìn)行特征選擇，不僅使SLSA選出來(lái)的特征數(shù)目更少，而且大大縮短了SLSA算法的運(yùn)行時(shí)間。要注意的一點(diǎn)是，F(xiàn)isher Score的閾值設(shè)置不應(yīng)過(guò)大，否則會(huì)導(dǎo)致SLSA選擇的特征信息不充分，降低故障診斷的準(zhǔn)確率。

3) FSLSA選出的13個(gè)特征參數(shù)中大部分是溫度參數(shù)，因此，工作人員可以多多留意冷水機(jī)組工作過(guò)程中的溫度變化，及時(shí)發(fā)現(xiàn)故障。

4)在使用KNN、RF、BP和GRU對(duì)所選的特征子集進(jìn)行驗(yàn)證時(shí)，發(fā)現(xiàn)在RF和GRU上測(cè)得的故障診斷精度較高，在設(shè)計(jì)冷水機(jī)組故障診斷模型時(shí)，可以考慮優(yōu)先使用RF或者GRU。