基于PCA-SVM 的PSA 制氧系統(tǒng)關(guān)鍵部件故障診斷

劉健民

華氧醫(yī)療科技（大連）有限公司 （遼寧沈陽 110000）

隨著我國人口老齡化程度的不斷加深，居家養(yǎng)老人數(shù)不斷增加，國內(nèi)家用醫(yī)療設(shè)備市場規(guī)模不斷上升，制氧系統(tǒng)行業(yè)的發(fā)展進(jìn)入快速擴(kuò)容階段[1]。氣控閥、分子篩、穩(wěn)壓閥等為制氧系統(tǒng)的關(guān)鍵部件，對于制氧系統(tǒng)的運(yùn)行起著至關(guān)重要的作用[2]。制氧系統(tǒng)運(yùn)行中常出現(xiàn)許多故障。朱芬梅等[3]提出運(yùn)用支持向量機(jī)建立推理機(jī)自動(dòng)判斷實(shí)時(shí)的技術(shù)狀態(tài)是否正常。劉璇斐等[4]以專家機(jī)為方法開發(fā)了用于制氧系統(tǒng)的故障分類診斷機(jī)，以提高制氧元件故障診斷的準(zhǔn)確率。但分類算法診斷的關(guān)鍵是通過訓(xùn)練樣本數(shù)據(jù)滿足高準(zhǔn)確率要求，然后對實(shí)際狀況下收集的數(shù)據(jù)進(jìn)行故障診斷分類，所以樣本的選擇至關(guān)重要，特征突出的樣本數(shù)據(jù)可以較好地提高分類的準(zhǔn)確率，但僅通過對模型進(jìn)行更新無法達(dá)到分類準(zhǔn)確性的要求，所以以上方法應(yīng)用于制氧系統(tǒng)故障診斷無法保證其診斷的準(zhǔn)確性。

基于此，提出一種基于主成分分析（principal component analysis，PCA）、支持向量機(jī)（support vector machine，SVM）的PSA 制氧系統(tǒng)故障診斷方法，利用PCA 降維消除特征值冗余，生成故障敏感特征，再對SVM 進(jìn)行訓(xùn)練和測試，生成故障診斷模型實(shí)現(xiàn)制氧系統(tǒng)故障的精準(zhǔn)、高效、全面分類。

1 PCA 主成分分析原理

PCA 采用降維思想將高維度的、相關(guān)性較大的多個(gè)指標(biāo)，通過數(shù)學(xué)變換轉(zhuǎn)換為數(shù)個(gè)不聯(lián)系的綜合指標(biāo)，且轉(zhuǎn)換后的綜合指標(biāo)一般可以表征為轉(zhuǎn)換前90%以上的多個(gè)指標(biāo)，即主成分[5]。

需要對矩陣X XT進(jìn)行特征分解，特征值排序?yàn)椋害?≥λ2≥…≥λd，再取前d′個(gè)特征向量構(gòu)成W=（w1，w2，…，Wd′），其中d′通常可以自由設(shè)定[11]。

2 支持向量機(jī)SVM 原理

SVM 是建立在 VC 維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理之上[12]，特別針對于解決數(shù)據(jù)樣本非線型、維度高、數(shù)據(jù)樣本不充分等問題[13]。

SVM 的原理核心為尋找最優(yōu)超平面ωTx+b=0，當(dāng)數(shù)據(jù)集呈現(xiàn)線型狀態(tài)時(shí)，尋優(yōu)問題為：

其中，ω為超平面方向，b為超平面距原點(diǎn)距離[14]。

當(dāng)數(shù)據(jù)集呈現(xiàn)非線型狀態(tài)時(shí)，加入松弛變量ζi>0 和懲罰因子C，可以控制最優(yōu)超平面對本身的路徑規(guī)劃，所以式（5）成為凸二次規(guī)劃問題[15]：

SVM 為解決數(shù)據(jù)特征不明顯問題，通過尋找最優(yōu)的核函數(shù)將1 個(gè)低維度的數(shù)據(jù)集通過升維的方式向高維空間映射，最終獲得1 個(gè)函數(shù)，使數(shù)據(jù)集在低維與高維的內(nèi)積結(jié)果一致，此種函數(shù)即SVM 核函數(shù)。常用的核函數(shù)有高斯核函數(shù)、多項(xiàng)式核函數(shù)等[16]。

引入核函數(shù)k（xi，xj） 和拉格朗日乘子αi，則式（6）變形為[17]：

SVM 模型在給定的樣本集 D1 中，通過尋找最優(yōu)化的ω和d確定1 個(gè)劃分超平面[18]，將不同類別的樣本分開，遇到復(fù)雜的樣本集 D2 時(shí)，通過尋找合適的核函數(shù)g使樣本集中數(shù)據(jù)升維再尋找可劃分的超平面[19]，或采用懲罰因子C與松弛變量ξ來約束劃分超平面[20]，達(dá)到 SVM 模型準(zhǔn)確分類的效果。

3 PSA 制氧系統(tǒng)故障診斷分析

3.1 PSA 制氧系統(tǒng)關(guān)鍵部件的作用

PSA 制氧系統(tǒng)內(nèi)最關(guān)鍵的3 個(gè)部件，分別為氣控閥、分子篩以及穩(wěn)壓閥。氣控閥實(shí)現(xiàn)分子篩的周期性進(jìn)氣，以及PSA 制氧系統(tǒng)的整體排氣。分子篩可以實(shí)現(xiàn)對空氣中氮?dú)獾奈剑惯M(jìn)入分子篩的空氣中的氧氣剝離出來。穩(wěn)壓閥的作用是減小儲氣罐流出的氧氣氣體壓力，讓最終PSA 制氧系統(tǒng)產(chǎn)生的氧氣壓力適合人體吸入，因此，此3 個(gè)關(guān)鍵部件是PSA 制氧系統(tǒng)平穩(wěn)運(yùn)行的基礎(chǔ)，也是PSA 制氧系統(tǒng)內(nèi)部故障率最高的3 個(gè)部件。

3.2 PSA 制氧系統(tǒng)故障特征值選定

單獨(dú)的SVM 分類模型所采用的制氧系統(tǒng)特征值，通過人為選定，存在較大的干擾，故障分類準(zhǔn)確性受到限制。而采用PCA 降維的方式，可有效解決故障診斷準(zhǔn)確率不高以及診斷時(shí)間長的問題。對于PCA 降維方式，選定的時(shí)域特征值為最大值、最小值、均值、峰值、方差、波形因子、峰值因子、脈沖因子、裕度因子、峭度、偏度均方根，頻域特征值為重心頻率、均方頻率、均方根頻率、頻率標(biāo)準(zhǔn)差、頻率方差。

經(jīng)過PCA 后，重新生成4 個(gè)主成分分量PC1～PC4，根據(jù)圖1 主成分分量累計(jì)貢獻(xiàn)率可知，前 4 個(gè)分量已達(dá) 95%以上，符合PCA 要求，即此4 個(gè)主成分代表16 項(xiàng)性能指標(biāo)，4 個(gè)主成分性能指標(biāo)的方差貢獻(xiàn)率見表1。

表1 PCA 指標(biāo)方差貢獻(xiàn)（%）

圖1 主成分分量累計(jì)貢獻(xiàn)率

PCA 為主成分分析經(jīng)過 PCA 對16 項(xiàng)特征值的降維處理，得到4 種新的故障特征值 PCA1～PCA4，4 種新型特征值可以表征該P(yáng)SA 制氧系統(tǒng)關(guān)鍵部件97.71%的故障特征，解決了所選取特征值不穩(wěn)定性、未正交化、重復(fù)性的問題。

如圖2 所示，通過PCA 降維，綜合指標(biāo)保留了原始變量的重要信息，彼此間不存在相關(guān)性。4 種類型分散輪廓明顯，各類型區(qū)域內(nèi)的數(shù)據(jù)散落點(diǎn)在區(qū)域內(nèi)存在相互靠攏的情況，且各類型間有較好的差異性，便于模型分類。

圖2 4 種類型分散輪廓圖

4 模型建立

4.1 SVM 模型的建立

SVM 模型的最終表現(xiàn)形式，通過對待診斷特征值數(shù)據(jù)進(jìn)行隔離分類，使其聚集在各自的標(biāo)簽下，以此表示該類故障的發(fā)生概率。

每種運(yùn)行類型選取 80 個(gè)維修返廠的PSA 制氧系統(tǒng)，總計(jì)320 個(gè)PSA 制氧系統(tǒng)。收集各自的壓力信號，并將上述選取到的特征值歸于各自的標(biāo)簽下，同時(shí)數(shù)據(jù)分為2 個(gè)部分，240 組數(shù)據(jù)作為訓(xùn)練集，80 組數(shù)據(jù)作為預(yù)測集，見圖3、圖4。

圖3 SVM 訓(xùn)練數(shù)據(jù)結(jié)果

圖4 SVM 預(yù)測數(shù)據(jù)結(jié)果

由圖3、圖4 可知，SVM 訓(xùn)練集的預(yù)測準(zhǔn)確率為92.1%，測試集的預(yù)測準(zhǔn)確率為 81.25%，不符合模型預(yù)期的準(zhǔn)確率要求，無法在實(shí)際故障診斷中應(yīng)用。

4.2 PCA-SVM 模型的建立

由SVM 模型預(yù)測結(jié)果可知，該SVM 分類模型診斷準(zhǔn)確率過低，不適用于PSA 制氧系統(tǒng)關(guān)鍵部件的故障診斷，由此需設(shè)計(jì)一種針對PSA 制氧系統(tǒng)關(guān)鍵部件的故障診斷方法，即PCA-SVM 故障分類模型。試驗(yàn)數(shù)據(jù)選擇320 個(gè)維修返廠的PSA 制氧系統(tǒng)各自的壓力信號，每種運(yùn)行狀態(tài)下有80 組數(shù)據(jù)。數(shù)據(jù)分為2 個(gè)部分，60 組數(shù)據(jù)作為訓(xùn)練集，20 組數(shù)據(jù)作為預(yù)測集，結(jié)果如圖5、圖6 所示。

圖6 PCA-SVM 預(yù)測數(shù)據(jù)結(jié)果

由圖5、圖6 可知，PCA-SVM 訓(xùn)練集的預(yù)測準(zhǔn)確率為 100%，測試集的預(yù)測準(zhǔn)確率為 95%，符合模型預(yù)期的準(zhǔn)確率要求，可以在實(shí)際故障診斷中應(yīng)用。

5 驗(yàn)證

為驗(yàn)證2 種模型的PSA 制氧系統(tǒng)故障診斷的實(shí)際適用性，選取30 個(gè)穩(wěn)壓閥。因市場反饋穩(wěn)壓閥最常見的故障為穩(wěn)壓閥膜片磨損，所以對穩(wěn)壓閥的典型故障處理為對穩(wěn)壓閥膜片進(jìn)行手工磨損，并安裝在PSA 制氧系統(tǒng)上進(jìn)行檢測，穩(wěn)壓閥處理結(jié)果如圖7 所示。

圖7 穩(wěn)壓閥膜片破損

采用2 種分類模型（SVM 分類模型與PCASVM 分類模型）對其進(jìn)行故障診斷，故障診斷結(jié)果如圖8、圖9 所示。

圖8 SVM 測試信號分類結(jié)果

圖9 PCA-SVM 測試信號分類結(jié)果

SVM 分類模型與PCA-SVM 分類模型最終對特征數(shù)據(jù)進(jìn)行歸類劃分，若多數(shù)特征數(shù)據(jù)歸類于同一標(biāo)簽下，則證明此情況發(fā)生的可能性最大，應(yīng)予以重視。如圖8 所示，SVM 分類模型結(jié)果顯示，30 組特征數(shù)據(jù)在標(biāo)簽“3”處的散落點(diǎn)數(shù)最多為80%，該模型認(rèn)為標(biāo)簽“3”所代表的穩(wěn)壓閥膜片受損可能性最大，但由圖8 可知，SVM 分類模型還有20%的可能性指向了分子篩故障。圖9 所示的PCA-SVM 分類模型，所有特征數(shù)據(jù)點(diǎn)均散落在“3”號故障代表的穩(wěn)壓閥膜片受損故障，此種結(jié)果不會誤導(dǎo)檢測人員對PSA 制氧系統(tǒng)的故障判斷，所以可以判定PCA-SVM 故障診斷模型更適用于PSA 制氧系統(tǒng)的故障診斷。

為充分驗(yàn)證2 種分類模型針對PSA 制氧系統(tǒng)的故障診斷適用性，再次選擇氣控閥、分子篩、穩(wěn)壓閥各30 個(gè)，針對3 種關(guān)鍵部件的典型故障進(jìn)行人為破壞模擬，2 種分類模型最終準(zhǔn)確率結(jié)果統(tǒng)計(jì)如圖10 所示。

圖10 分類模型準(zhǔn)確率

如圖10 所示，橫軸代表故障類型，縱軸代表準(zhǔn)確率，可知PCA-SVM 分類模型無論針對哪種關(guān)鍵部件的故障診斷準(zhǔn)確率始終穩(wěn)定在93%以上，而SVM 分類模型除正常工作情況下可以達(dá)到良好的分類結(jié)果，其他故障分類準(zhǔn)確率僅維持在83%左右。

6 結(jié)論

本研究針對PSA 制氧系統(tǒng)關(guān)鍵部件的故障診斷難題，提出了一種準(zhǔn)確、高效的故障診斷方法，即PCA-SVM 分類模型方法。PSA 制氧系統(tǒng)的壓力特征值不易于提取，原因在于該系統(tǒng)的壓力受系統(tǒng)內(nèi)各個(gè)元器件的影響，且該系統(tǒng)元器件精細(xì)且復(fù)雜，所以僅通過人為分析故障特征值，并采用這些特征值對SVM 分類模型進(jìn)行訓(xùn)練，達(dá)不到PSA 制氧系統(tǒng)的故障診斷準(zhǔn)確率要求。而PCA-SVM分類診斷模型，先采取PCA 降維方式減少特征值的冗余，生成可以精確表征故障類型的特征值，再放入SVM 故障分類模型中，可提高SVM 分類模型的診斷效率與準(zhǔn)確率。

后期的實(shí)驗(yàn)結(jié)果說明，PCA-SVM 分類模型相對于SVM 分類模型更適用于復(fù)雜、多變的PSA 制氧系統(tǒng)故障診斷，且具有全面、高效、準(zhǔn)確率高的特點(diǎn)。