基于兩階段數據驅動模型的雙饋發電機異常運行狀態檢測方法

黃鶴鳴

(中國直升機設計研究所,江西 景德鎮 333001)

0 引言

直升機機電系統結構復雜,因而其產品可靠性差、使用壽命短。其中發電機是機電系統中故障率較高的關鍵設備,發電機的運行狀態直接影響直升機的飛行安全。機電系統可靠性提升方法研究面臨的一大挑戰是如何檢測雙饋發電機的運行狀態并進一步診斷雙饋發電機的故障。通常,早發的部件松動等不健康狀態會逐漸造成雙饋發電機的故障,從而導致機電系統的運行和維護成本增加[1-3]。檢測和診斷雙饋發電機的健康狀態有助于運行維護人員及時做出決策,以保持直升機發電的可靠性和可用性。

在20年的雙饋發電機設計壽命中不可避免地會出現組件故障或運行不正常的情況[4-5]。為了保證雙饋發電機的安全運行,需要對雙饋發電機進行兩種類型的維護,即基于時間的維護(Time-Based Maintenance, TBM)和基于狀態的維護(Condition-Based Maintenance, CBM)[6]。與TBM相比,CBM在某些情況下成本更低。狀態檢測在CBM中扮演著最重要的角色,例如故障診斷和不健康狀態檢測,因此本文旨在研究異常狀態檢測系統的開發。傳統的狀態檢測方法主要分為兩類:基于模型的方法和基于數據的方法。基于模型的方法依托實際的物理模型,主要是對從各個雙饋發電機子系統收集的振動信號進行頻譜分析[7]。這類方法在診斷不同子系統[8-9]中的機械故障方面具有優勢,例如變速箱和軸承,發電機,電力電子設備,轉子等。為了檢測特定故障,通常使用信號變換,例如傅里葉變換,希爾伯特-黃(Hilbert-Huang)變換,小波變換等[10-16]。這些方法在實時故障診斷中也很有效,但是在分析具有復雜動態響應的組件或系統時會受到一定限制。而基于各種非線性算法的數據驅動方法可以克服這一不足。另一方面,由于雙饋發電機的健康狀況涉及多個因素,例如環境,電力系統,負載,雙饋發電機組件,因此在狀態監測(Condition Monitoring, CM)和健康監測(Health Monitoring, HM)中數據驅動方法比信號處理分析方法更有效[17]。例如,在文獻[18]中使用了分層神經網絡結構來診斷軸承狀態;在文獻[19],[20]中討論了幾種數據驅動模型用以檢測旋翼和齒輪箱中的故障狀態;在文獻[21]- [23]中,許多其他先進的方法也用于故障診斷和狀態檢測。但是,在CM中應注意一個限制數據驅動模型準確性的問題,即不均衡數據問題。眾所周知,不均衡數據始終是分類中的重點話題,而雙饋發電機狀態的檢測則由數據驅動模型中的分類器來實現。尤其是在健康和不健康狀態檢測中,有大量健康數據和一些處于不健康狀態的數據。為了有效地區分不健康數據中的不同故障,不均衡數據問題始終是數據驅動建模過程中需要解決的主要障礙。

基于以上概述的問題,本文提出了一種數據驅動方法和組合方案,以檢測雙饋發電機的異常運行狀態。該方法設計了一個兩階段的數據驅動模型。在第一階段,提出利用支持向量數據描述(SVDD)來區分健康數據和不健康數據。由于SVDD是單分類方法[24],在將異常數據與正常數據分開方面具備優勢,因此可用于從大量健康數據中提取雙饋發電機的不健康數據。在第二階段,提出使用極限學習機(ELM)對不同的不健康狀態進行分類,區分出那些通常會導致雙饋發電機停止工作的非運行狀態。由于這些非運行狀態會導致雙饋發電機降低或停止輸出功率,所以提前進行檢測可以幫助制定最佳的電能分配計劃并確保供電的穩定性。因此,檢測雙饋發電機的非運行狀態是本文的主要目標。ELM是一種簡單的免調諧算法,具有良好的泛化性能和極高的學習速度[25],因此廣泛用于故障診斷和分類問題,例如在機械組件、液壓管測試儀、串聯補償、傳輸線中的應用等[26-27]。在案例分析時,采用了工業數據來檢測雙饋發電機的不健康狀態。對六個模型的檢測結果進行對比,驗證了所提出的模型是可行的,并且在檢測雙饋發電機異常運行狀態方面優于其他模型。

1 所提方法框架和數據處理

預先檢測不健康狀態,尤其是非運行狀態,有助于防止雙饋發電機異常運行。因此,本文提出了一種數據驅動的方法來檢測不同類型的非運行狀態,并指導制定合適的檢修和能量調控決策。

1.1 所提方法框架

通常,機械設備的CM和HM的實現需要基于對從雙饋發電機收集的時間序列數據進行模式識別。檢測雙饋發電機的非運行狀態涉及五個因素(環境因素,電力系統因素,制造商因素,異常停機和設備因素),所以其復雜度很高。為此,本文提出了一種針對HM的數據驅動方法,并分兩個階段應用兩種數據挖掘算法來實現有效的雙饋發電機異常運行狀態檢測。該方法的框架如圖1所示。

圖1 兩階段雙饋發電機異常運行狀態檢測方法框架

如圖1所示,該方法首先從傳感器(包含環境傳感器和雙饋發電機內部傳感器)中獲得雙饋發電機運行數據。這些數據包含大量參數,因此必須選取包含必要模式的特征以構建有效的模型。其次,不健康數據與健康數據不均衡,這給不健康狀態的分類帶來了巨大挑戰。SVDD是一種旨在處理單分類問題的分類算法[28],用以分離不健康數據。由于不健康數據通常涉及多種非運行狀態,因此提取特定非運行狀態的數據以構成均衡數據集。然后,基于此均衡數據集,通過ELM[29]構建有效的分類器以檢測雙饋發電機異常運行狀態。通過這種兩階段數據驅動模型,可以檢測出不健康數據和特定的非運行狀態。它們可以作為雙饋發電機控制策略和維護計劃的重要決策指南。

根據前文對所提方法的描述,可以將本文創新性歸納為以下三個方面:

1)針對不健康狀態進行預先檢測,而不是進行故障診斷,有利于事前預警,降低維護成本。由于這種應用環境涉及分類和預測,因此構建了數據驅動模型來檢測雙饋發電機異常運行狀態,而不是通過對振動信號進行頻譜分析來檢測雙饋發電機故障。數據驅動模型的優點是可以從數據中找出異常運行狀態信息,尤其是在雙饋發電機仍處于非運行狀態的預警期且振動信號頻率變化不明顯的情況下。

2)提出了一個兩階段模型來解決雙饋發電機異常運行狀態檢測問題。該模型分步實現了不健康數據檢測和非運行狀態檢測。以此方式,如果在第一階段下以健康狀態測試數據,則不需要對非運行狀態進行分類計算。同樣,只有在檢測到不健康數據時,才會激活第二階段。

3)提出利用SVDD處理不均衡數據問題,并通過ELM建立有效的分類器。SVDD是一種單分類算法,因此適合分離不均衡數據,即不健康數據和健康數據。ELM具有較快的學習速度和良好的泛化能力,可以構建一個有效的分類器來檢測由不同因素引起的雙饋發電機非運行狀態。

1.2 特征選擇

為了構建有效的數據驅動模型,數據預處理是必要的。雙饋發電機的CM和HM數據非常龐大,有必要在建模中選擇最重要的參數并降低特征空間的維度。本文提出了三個用于特征選擇的指標,即基尼系數、信息值和Cramer’sV[30]。

1)基尼系數(Gini Index,GI)

在特征選擇中,GI通常用于在決策樹中拆分變量[31]。 基于GI的分類樹避免了在標準不純度測量時的特征選擇偏差,因此可以實現較高的分類精度。對測量特征的不純度進行分類,重要特征將具有較小的不純度。如果使用具體數值來衡量各參數的分類能力,則基礎二分類問題的最大值為0.5。因此可以看出,具有較小GI值的參數更相關。

假設S是具有k個類別 {Li,i=1, 2,…,k} 的測試數據集,則根據分類,將屬于類別Li的樣本分組為子集Si。假設si是子集Si中的樣本,則集合S的基尼系數定義為公式(1)。

(1)

式中,pi是子集Si的概率,由si/s估計;GI的最小值為0,這意味著集合S中的所有樣本都屬于同一類,并且獲得了最大的有用信息。當所有樣本均等地分配給各個類別時,GI的值最大,這意味著獲得的有用信息最少。

2)信息值(Information Value,IV)

信息值(IV)統計量是一種流行的度量標準,用于在特征選擇中篩選重要參數。假設參數x及其二進制目標y,IV的計算如公式(2)所示。

(2)

式中,k是x中的分區級別數,應在[2,20]內適當設置。在計算過程中,必須先對連續參數進行初步分箱,首個分箱不包含零單元格,第k個分箱表示為Xk。gi和bi分別代表對應x∈X的“好”和“壞”的百分比。通常,log(gi/bi) 表示g和b的分布之間的偏差,而(gi-bi) 表示偏差的重要度。

3)Cramer’sV

Cramer’sV是基于卡方檢驗的特征選擇指標,是在維度大于2×2的表中關聯度的度量。相關性的強度由Cramer’sV計算得出,其返回值在 0和1。較強的關聯被認為Cramer’sV值更接近1。因此,它在預測相關性和統計獨立性之間具有很好的區分能力。Cramer’sV的計算公式如公式(3)所示。

(3)

τ=min(r-1,c-1)

(4)

當Cramer’sV的值為0時,參數之間不存在相關性。僅當兩個參數的邊距相等時,其值才達到1。考慮到直接比較具有不同維度的表很困難,Cramer’sV通過使用維度信息進行關聯度量來糾正此問題。然后可以比較任意兩個交叉分類表之間的關聯強度。Cramer’sV值較大的表格被認為具有很強的相關參數。反之,較小的值表示弱相關的參數。

從上面的描述可以看出,所有這些指標都考慮了數據的模式,因此它們的值可以合理地反映變量對模式識別的影響。

2 利用數據驅動模型檢測雙饋發電機異常運行狀態

從圖1中可以看出,所提方法主要包含兩個階段,以實現對雙饋發電機狀態的檢測。第一階段是分離健康數據和不健康數據;第二階段是對不同的不健康狀態進行分類,即雙饋發電機的各種非運行狀態。

2.1 利用SVDD檢測不健康數據

在第一階段,利用SVDD將不健康數據與大量健康數據分開。SVDD是從支持向量機(SVM)理論[24]發展而來的單分類算法。首先將原始數據映射到一個高維超球體中,該球體用于描述數據點的空間分布。預期大多數數據點或整個數據集位于超球體內部,而少數奇異點則位于超球體外部(如圖2所示)。由于此屬性,它可以有效地用于離群值檢測。在雙饋發電機的CM中,不健康的數據很少,因為大多數數據點都是在正常運行狀態下測量的。同時包含健康和不健康數據的雙饋發電機數據是典型的不均衡數據集,這會給有效分類帶來困難。SVDD適用于提取不健康數據以構成均衡數據集,從而避免非運行狀態分類時的數據淹沒問題。

圖2 SVDD原理圖

1)SVDD算法

假設數據序列為{x1,x2,… ,xN},xi∈Rn,N是訓練樣本的數量,n是特征選擇后特征空間的維數。SVDD的目標是最大程度地減少包含一個類別的所有數據點的超球的體積,因此目標函數定義如下:

minr2

(5)

式中,r和c分別代表超球體的半徑和中心。 通常,引入松弛變量ξ和懲罰因子C以增加對奇異點的容忍度,然后將目標函數重新定義如下:

i=1,2,…,N;ξi≥0;

(6)

式中,ξi允許對一些訓練樣本進行錯誤分類,例如不健康數據;C表示數據量和誤差之間的權衡。考慮到原始數據點的分布不是超球面,使用非線性變換將原始數據映射到更高維的特征空間,如下所示:

Φ:Rn→H

(7)

式中,Rn代表原始空間;H代表高維空間;Φ是通常被選作核函數的非線性變換。引入核函數和拉格朗日乘數后,上述目標函數的對偶公式如下:

(8)

式中,α是拉格朗日乘數,K(x,y) 表示核函數。根據Karush-Kuhn-Tucker(KKT)條件[32],從上述對偶公式獲得了公式(9)中的三種情況:

(9)

由于僅需要具有非零αi的樣本,因此將它們稱為支持向量。使用選定的支持向量,超球體的半徑r0計算如下:

(10)

式中,x0是選定的支持向量。類似地,任何測試數據點xt與超球面中心c之間的距離rt也可以根據公式(10)計算。如果rt>r0,則意味著xt在超球面之外,xt被檢測為不健康數據。

2)SVDD參數優化

根據以上SVDD算法的描述,需要核函數來描述超球體。然而,對于具有核函數的非線性變換,存在一些不確定的參數(例如,所選核函數的參數和懲罰因子C)影響其性能。在建模中選擇最佳參數有助于實現不健康數據檢測的高精度。在許多參考資料中,基于粒子群優化(Particle Swarm Optimization,PSO)算法的框架都用于支持向量機(Support Vector Machine,SVM)的參數選擇。考慮到SVDD和SVM都基于結構風險最小(Structural Risk Minimum,SRM)準則,本文采用PSO優化SVDD參數。

PSO是一種進化計算方法,通過信息的社會共享來開發該模型,以構建基于種群的搜索技術,該技術最初是基于鳥群模擬[33]。PSO中的個體稱為粒子,它們在超維空間中飛行,并且所有粒子組成了一個群。粒子的位置變化基于每個個體模仿其他個體的社會心理趨勢。變化后每個粒子的位置取決于對經驗、知識及其鄰居的考慮。因此可以看出,對這種社會搜索行為進行建模需要考慮群體中的其他粒子,并且搜索過程的最終結果是粒子隨機返回搜索空間中以前成功的區域。

在PSO算法中,有大量的粒子,每個粒子代表一個可能的解決方案。每個粒子都在位置變化時保持其坐標的軌跡,并且還跟蹤了群中的最佳坐標。這些坐標的解分別稱為每個粒子的最佳適應度和全局適應度。在優化的迭代中,每個粒子都會改變其速度,并朝其最佳適應度和全局適應度位置移動。生成獨立的隨機項并對其加權,以朝著這兩個位置加速。更新第i個粒子的速度和位置的公式如下:

vi(t+1)=λ[vi(t)+c1rand1(pbesti-pi(t))+

c2rand2(gbest-xi(t))]

(11)

pi(t+1)=pi(t)+vi(t+1)

(12)

φ=c1+c2,φ>4

(13)

式中,pi= [pi1,pi2,… ,pin]T和vi= [vi1,vi2,… ,vin]T分別是第i個粒子在n維搜索空間中的位置和速度;pbesti是第i個粒子的最佳位置;gbest是所有粒子中的最佳位置;λ是收縮因子;t是迭代步驟;c1和c2是兩個正的常數;r1和r2是在[0,1]內通過均勻概率分布生成的兩個隨機數。

2.2 利用ELM對異常運行狀態進行分類

不健康的數據通常包含由不同不確定因素引起的各種雙饋發電機非運行狀態。為了根據特定狀態有針對性地制定雙饋發電機的能量調控策略和運維計劃,在異常狀態檢測中需要對非運行狀態進行分類。在本文中,提出用ELM來對雙饋發電機的異常運行狀態進行分類和檢測。

1)基礎ELM算法

ELM是一種高級的單隱層前饋神經網絡(Single-hidden-Layer Feedforward Neural Networks,SLFN)[25]。ELM由于不需要調整隱層神經元,因此學習速度很快,可廣泛用于分類和回歸。ELM旨在獲得最小的訓練誤差和最小的輸出權重范數,其基本結構如圖3所示。

圖3 ELM的結構圖

根據圖3的描述,ELM算法由三層組成:輸入層、隱層和輸出層。假設訓練集為(xi,yi),則輸入xi∈Rn,輸出yi∈Rm。單個輸出節點的輸出可以如下計算:

(14)

式中,L是隱層節點的數量;g(ai,bi,x)是激勵函數;βi是第i個隱層節點連接到輸出節點的權重;對于L個隱層節點,隱層輸出h(x) = [g(a1,b1,x),…,g(aL,bL,x)],β= [β1,β2,… ,βL]T。g(*) 中的兩個參數分別是隱層與輸入層之間的權重向量a和隱層神經元偏差b。

假設N個樣本的模型輸出與期望目標之間的誤差為零,則ELM可以表示為矩陣格式:

Hβ=T

(15)

(16)

式中,H是由g(a,b,x) 組成的激勵函數矩陣;T是表示為[y1,y2,… ,yn]T的目標矩陣。

在獲得上述模型后,我們可以通過以下步驟獲得最終的ELM模型:

步驟1:隨機分配隱層節點參數a和b;

步驟2:通過式(16)計算隱層輸出矩陣H;

步驟3:基于式(15),可以計算輸出權重β為β=H+T,其中H+是H的Moore-Penrose廣義逆。

2)用于分類的ELM算法

假設對二分類問題進行建模,則m=1且y∈[0,1]。然后將式(14)中的ELM輸出函數重寫如下:

f(x)=sign(h(x)·β)

(17)

為了獲得良好的ELM泛化性能,需要小的訓練誤差和權重范數。因此,可以將使訓練誤差最小化的目標函數描述如下:

(18)

(19)

其中,K0=HTH,L0=HTT。如果H是一個奇異矩陣,則添加一個常數對角線矩陣以使其非奇異,因為K0=HTH+λI,其中λ是一個很小的常數。

對于多分類問題(m≥2),輸出yi表示為yi=[yi,1,yi,2,…,yi,m]。因此,目標矩陣T的維數為N×m,表示為TN×m=[T1,T2,…,Tm]。類似地,權重矩陣β被擴展為βL×m=[β1,β2,……,βm]。式(18)中的目標函數可以如下詳細表示:

(20)

根據以上描述可以看出,多分類ELM模型與多分類中的“一對全”(One-vs-All,OVA)方法[34]相似,它們都由多個ELM二分類器組成。同時,ELM在式(20)目標函數的構建中考慮了聚合策略。

2.3 評估指標

根據以上描述,不健康數據檢測和非運行狀態檢測都涉及分類。因此,為了評估所提方法的性能,提出了混淆矩陣(表1)進行量化35]。

表1 混淆矩陣

表1給出了混淆矩陣中相關事件的定義。TP(True Positive)代表真陽性事件;FN(False Negative)代表假陰性事件;FP(False Positive)代表假陽性事件;TN(True Negative)代表真陰性事件;NN代表所有事件。基于這些事件,定義了一系列指標,例如,查全率Recall(R),查準率Precision(P),準確率Accuracy(Acc),誤差率Error(Err),F度量等。通常將前四個指標作為分類的評價指標,其定義如下:

(21)

式中,card(*)是計數函數;R描述了在所有觀察到的陽性事件中真陽性事件的百分比;P描述了所有預測的陽性事件中真陽性事件的百分比;Acc描述了所有事件中真事件的百分比。因此,在具有良好性能的系統中,要求這三個指標的值較大,而代表預測誤差的Err值則應較小。

從以上定義可以看出,這四個指標是根據通用二分類定義的。為了評估檢測多個雙饋發電機非運行狀態的性能,仍然采用OVA方法的思想作為標準,即在每個評估中將一個測試類別設置為陽性類別,將其他類別設置為陰性類別。通過這種方式,可以計算出每個雙饋發電機狀態的四個指標。

3 算例分析

為了檢測雙饋發電機的異常運行狀態,本文以雙饋發電機工業數據為研究案例。數據集中總共有52,560個樣本,采樣間隔為10 min。我們將數據集的70%作為訓練集,其余作為測試集。

3.1 特征選取

原始的數據集巨大,總共有235個參數。這些參數主要分為五類:計數器數據,電力系統數據(例如電壓、電流、頻率等),環境數據,雙饋發電機狀態數據(例如部件壓力、警報代碼、位置數據)和溫度數據。可以看出,某些參數與CM和HM無關,如計數器數據。因此,特征選擇在數據預處理中對于降低維度是必要的,并且對于確定最重要的建模參數也很有用。本文將公式(1)、公式(3)中的三個指標用于特征選擇,并以區分健康數據和不健康數據的模式作為HM所需的參考標準。表2列出了不同變量上的三個指標值。

表2 特征選取中的三個指標值

表2展示了10個最重要參數的三個特征指標值。可以看出,不同類型的參數對檢測不健康數據和檢測非運行狀態有影響。例如,發電機轉速和轉子轉速代表與雙饋發電機制造商有關的因素;風速是環境因素;A、B、C三相的有功功率和電流是影響不健康狀態的電網因素;齒輪箱軸承和齒輪箱油的溫度是與雙饋發電機的運行狀態有關的因素。

為了在建模中進一步選擇必要的參數,我們需要對這些參數的重要性進行排序。根據本文第1節,如果參數相關且重要,則其GI值將在[0,0.5]之間,而IV和CramerV的值將在[0,1]之間。但不難理解的是,參數不能始終獲得三個指標的最佳值。因此,我們給出了考慮這三個指標的公式,以綜合評估參數的重要性,如下所示:

RImportance=(exp(-α·GI)+IV/Nb+

Cramer’sV)/3

(22)

式中,RImportance是綜合指標;α是不確定的參數,此處可以設置為5;Nb是計算IV時的分箱數,設置為5。

參數重要性等級Rank可以通過RImportance的值與RImportance的最大值之比來計算,計算結果如表2所示。基于這些度量的前十個最重要的參數被計算出來如圖4所示。

圖4 特征選取

圖4展示了三個指標的值,并按重要性對給定的10個參數進行了排名。可以看出,這10個參數的重要性等級大于0.5。如果在特征選擇中將等級閾值設置為0.5,則可以從235個雙饋發電機參數中選擇表2中的前8個參數,這對于檢測雙饋發電機的不健康狀態非常有用。

3.2 不健康數據檢測

以8個最重要的參數為輸入,SVDD算法首先用于從雙饋發電機的所有運行數據中檢測不健康數據。如本文第1節中的描述,輸入數據被映射到更高維度的空間中以描述其非線性特征。映射函數考慮使用高斯核函數,其定義如式(23)所示:

(23)

式中,x和y代表兩個變量;σ是核函數參數。

包括公式(8)中的懲罰因子C在內,共有兩個不確定的參數會影響SVDD模型的性能。假設這兩個參數組成矢量V=[C,σ],則應用PSO算法優化這些參數。根據對PSO的描述,選擇粒子群中每個粒子的位置作為對這兩個參數值進行編碼的向量V。由于第一階段的目標是將健康和不健康的數據分開,因此可以基于區分健康和不健康的數據的模式將適應度函數[36]設置為SVDD的分類精度。具有高分類精度的顆粒將產生高適應度值。將粒子總數設置為20,將最大迭代次數選擇為200,并將迭代終止條件設置為誤差達到10-3。使用PSO算法優化SVDD參數的步驟如下:

步驟1:(初始化)隨機生成Np=20個初始粒子及其位置pi,i=1,2,…,Np。

步驟2:(適應度)計算粒子群中每個粒子的適應度。

步驟3:(更新)基于公式(11)、公式(13),計算每個粒子的速度vi。

步驟4:(構建)對于每個粒子,移動到新位置并計算新適應度。

步驟5:(終止)如果滿足給定的終止條件,則停止;如果不是,則返回步驟2。當迭代達到給定的最大迭代次數時,也會停止迭代。

圖5展示了PSO的迭代過程以及優化SVDD參數的適應度結果。根據圖5的結果,將最佳參數設定為V=[C,σ]=[0.7726,0.01]。然后,構建具有選定最佳參數的SVDD模型以檢測不健康的數據。不健康數據檢測的結果如圖6所示。

圖5 SVDD參數優化結果

圖6 訓練集中的不健康數據檢測

圖6展示了訓練集2,000個數據點的檢測結果。圖中的紅實線表示SVDD模型中超球體的半徑;y軸表示每個數據點到超球體中心的距離。位于紅線下方和上方的數據點分別是健康數據和不健康數據。可以看出,健康數據和不健康數據被SVDD分開,并且數據明顯是不均衡的(含有大量的健康數據和少數不健康數據),驗證了在對雙饋發電機的非運行狀態進行分類之前檢測不健康數據的必要性。

3.3 非運行狀態檢測

本文中的不健康數據幾乎都是從雙饋發電機非運行狀態收集的數據。這些非運行狀態背后的原因主要可以從警報代碼中反映出來。因此,為了保持電力系統功率平衡,應診斷出不同的非運行狀態從而進行控制和調節。根據SVDD的結果,在圖6中可以區分出不健康數據和健康數據,但是由不同因素引起的非運行狀態并沒有明顯分開,如圖7所示。

圖7 不健康數據中的各種非運行狀態

在圖7中,我們選擇了100個數據點,并通過警報代碼標記了一些典型的非運行狀態。可以看出,圖中的數據沒有區分出三種警報代碼所表示的非運行狀態。其中,代碼228反映了由于過速而將雙饋發電機切斷以進行保護;代碼393反映了雙饋發電機由于策略性空氣控制(Tactical Air Control,TAC84)振動保護模塊檢測到異常振動而停止工作;代碼612反映出由于發電能力過剩或發電削減,雙饋發電機被遠程控制而降額運行或停機。因此,為了檢測特定的非運行狀態從而有針對性地做出決策,需要建立一個分類模型。

本文利用ELM算法建立分類器模型。考慮到整個數據集中存在多種報警代碼,為方便起見,在建模中僅選擇兩個通用代碼(代碼393和612)以及部分健康數據組成一個均衡數據集。因此,本文中訓練好的模型僅用于檢測給定的兩個非運行狀態。基于構造的ELM分類器,表3給出了算法對不同的非運行狀態進行分類的性能。

表3 ELM在訓練數據上的分類性能

表3列出了SVDD檢測完不健康數據之后,在均衡數據集上ELM對不健康狀態進行分類的性能。性能由公式(20)中的四個指標的值反映。從超過0.97的R,P,Acc值可以看出,ELM在檢測不同的非運行狀態方面表現出了出色的性能。三種狀態(健康狀態、代碼393和代碼612)的分類結果如圖8所示。考慮到輸入空間是高維的,因此圖8選擇兩個參數以方便展示,展示了三種狀態的分布。

圖8 健康數據、代碼612和代碼393三種狀態的分類結果

3.4 仿真結果分析

為了分析所提出的方法在檢測雙饋發電機非運行狀態時的性能,將該方法與眾多參考文獻中提出的模型進行了比較。例如,在故障診斷中使用主成分分析(PCA)方法來減小特征維度[37]。支持向量機(SVM)則是一種有用的分類算法,已廣泛應用于狀態檢測和故障診斷[38]。因此,本文選用PCA和SVM分別與SVDD和ELM進行比較。在測試過程中,測試數據也由提出的兩階段模型進行處理,并且僅討論與三個給定狀態關聯的數據以進行性能評估。

首先,我們比較狀態檢測中SVM和ELM的性能。當直接使用不均衡數據作為輸入時,無需SVDD檢測,因此可以構造兩個分類器來檢測不同的非運行狀態。表4和表5中展示了三種狀態(健康數據、代碼393和代碼612)的四個性能指標。

表4 SVM在異常狀態檢測上的性能

表5 ELM在異常狀態檢測上的性能

從表4和表5可以看出,當SVDD未檢測到不健康數據時,除了代碼393上的R值,ELM的分類性能要優于SVM。

其次,為了比較所提出的方法中的SVDD的性能,構建了四個模型(PCA-SVM,PCA-ELM,SVDD-SVM,SVDD-ELM)。表6顯示了各種模型檢測非運行狀態的性能。表中黑體加粗的數據表示最佳的檢測性能。

表6 異常狀態檢測性能

為了進一步分析所提方法檢測雙饋發電機中非運行狀態的性能,研究了具有更多狀態的新情況。該數據集來自另一臺雙饋發電機。考慮了兩個額外的非運行狀態,例如反映未扭轉警報的代碼205和代表高轉速警報的代碼228。然后,根據所提方法實施相同的檢測過程。四個評價指標的結果如表7所示。表中黑體加粗的數據表示最佳的檢測性能。

表7 新算例的異常狀態檢測性能

對比表6和表7的結果,可以得出以下幾點結論:

1)通過檢測不健康的數據來處理不均衡數據問題,提高了對健康數據和非運行狀態進行分類的準確性,指標P上的少數情況除外。

2)通過在建模中比較ELM和SVM的性能,可以看出ELM作為分類器在非運行狀態分類中的性能優于SVM。

3)通過對這兩張表的綜合分析,可以看出使用SVDD檢測不健康數據有利于狀態檢測,并且ELM算法可以在檢測不同的非運行狀態時取得良好的性能。

4)這些算例成功驗證了基于兩階段數據驅動模型(SVDD-ELM)的雙饋發電機異常運行狀態檢測方法的有效性,并且可以同時檢測不健康數據和雙饋發電機的非運行狀態。

4 結論

為了降低雙饋發電機的維護成本,保證雙饋發電機的運行,本文提出了基于數據驅動的SVDD和ELM方法來檢測雙饋發電機的異常運行狀態。首先,從235個雙饋發電機參數中選擇十個最重要的參數,以減小建模的維度。其次,構建由PSO優化參數的SVDD模型。該模型可在檢測特定的非運行狀態之前實現對不健康數據的檢測。第三,通過將健康狀態數據和四個特定的非運行狀態數據組成均衡數據集,可以構建有效的ELM分類器。最后與結合了SVM,ELM,PCA和SVDD的六個模型進行比較,工業數據的案例研究驗證了該方法的優越性。因此,使用該方法來檢測雙饋發電機的不正常狀態是可行的,同時該方法的結果將為預先制定合理的故障控制策略和維護計劃提供指導。雖然這里僅討論了四種特定的非運行狀態,本文的結果在實際的工業應用中受到一定限制,但可以肯定的是,未來可以針對實際應用環境,將所提方法擴展到檢測雙饋發電機的更多非運行狀態中。