不平衡数据下船舶主机在线故障诊断研究.pdf
《不平衡数据下船舶主机在线故障诊断研究.pdf》由会员分享,可在线阅读,更多相关《不平衡数据下船舶主机在线故障诊断研究.pdf(7页珍藏版)》请在文库网上搜索。
1、网络首发地址:https:/ J.中国舰船研究,2023,18(5):269275.WANG L D,CAO H,WEI L.Study on fault diagnosis of marine main engines online imbalanced dataJ.Chinese Journ-al of Ship Research,2023,18(5):269275.不平衡数据下船舶主机在线故障诊断研究扫码阅读全文王泷德,曹辉*,魏来大连海事大学 轮机工程学院,辽宁 大连 116026摘 要:目的目的针对传统船舶主机的故障诊断模型难以采用实时数据及时更新,且船舶主机还存在监测点多但故障样本
2、少的问题,提出一种能够处理不平衡数据并可以在线更新模型的故障诊断方法。方法方法首先,采用主成分分析法(PCA)对监测样本进行降维和特征提取,降低训练模型的复杂度;然后,通过 SMOTETomek构造故障样本以平衡训练集;接着,针对诊断模型难以实时更新的问题,引入结合正则化方法且具备在线更新功能的在线贯序极限学习机(OSELM)模型;最后,以主机燃油系统为例验证 OSRELM 模型的可行性,并采用不平衡船舶主机数据进行消融实验以验证整体模型的有效性。结果结果结果显示,所提方法在原始模型的基础上可使诊断精度提升 29.73%。结论结论研究表明所提方法较其他同类方法具有更高的诊断精度,波动幅度较小,
3、具有较好的稳定性;且在样本不平衡的情况下,对于故障类样本仍具备较强的识别能力,适用于船舶主机故障诊断方面的研究。关键词:故障诊断;样本不平衡;在线学习;在线贯序极限学习机中图分类号:U664.13文献标志码:ADOI:10.19693/j.issn.1673-3185.02977 Study on fault diagnosis of marine main engines online imbalanced dataWANG Longde,CAO Hui*,WEI LaiMarine Engineer College,Dalian Maritime University,Dalian 116
4、026,ChinaAbstract:Objectives Aiming at the problems that the traditional marine main engine fault diagnosismodel is difficult to update with real-time data,and the marine main engine has many monitoring points butfew fault samples,a fault diagnosis method which can handle unbalanced data and update
5、the model online isproposed.MethodsFirst,principal component analysis(PCA)is used to reduce and extract the features ofthe monitoring samples to reduce the complexity of the training model,and the SMOTETomek technique isused to construct fault samples to balance the training set.Next,to solve the pr
6、oblem that the diagnosis modelis difficult to update in real time,the online sequential extreme learning machine with regularization(OSRELM)model which combines regularization method and can update online is introduced.Finally,the feasibility ofthe OSRELM model is verified by taking the main engine
7、fuel system as an example,and the effectiveness ofthe overall model is verified by ablation experiments with unbalanced marine main engine data.ResultsThe results show that the proposed method can improve the diagnostic accuracy by 29.73%on thebasis of the original model.ConclusionsThe proposed meth
8、od has higher diagnostic accuracy,a smallerfluctuation range and better stability than other similar algorithms.In the case of unbalanced data,it still has astrong ability to identify fault samples,providing valuable references for research on marine main engine faultdiagnosis.Key words:fault diagno
9、sis;sample imbalance;online learning;online sequential extreme learning ma-chine(OSELM)收稿日期:20220623 修回日期:20221031 网络首发时间:20230312 18:26基金项目:智能船舶综合测试与验证研究资助项目(工信部装函 2018473 号)作者简介:王泷德,男,1998 年生,硕士生。研究方向:故障诊断,机器学习。E-mail:曹辉,男,1979 年生,博士,教授。研究方向:轮机自动化与智能化。E-mail:*通信作者:曹辉 第 18 卷 第 5 期中 国 舰 船 研 究Vol.18
10、No.52023 年 10 月Chinese Journal of Ship ResearchOct.20230 引言随着智能船舶的不断发展,船舶故障诊断研究作为其一个分支,受到越来越多研究人员的关注。主机作为船舶的主要动力来源,若发生故障,不仅会带来经济损失,还有可能会造成环境污染甚至是出现人员伤害。所以,快速、准确地检测和诊断船舶主机故障具有重要的研究价值。近年来,在船舶主机故障诊断研究方面,决策树1、支持向量机(SVM)2-6、神经网络7-10等都取得了很好的效果。严海鸣1采用决策树对主机燃油系统进行了故障诊断,虽然诊断精度较高,但是没有考虑实际样本中噪音和冗余特征所带来的影响。但家梭等
11、11利用主成分分析法(PCA)对船舶主机燃烧系统的各类参数进行了降维和特征提取,随后,又采用 BP 神经网络对其状态进行了评价,结果显示所提方法能够有效提高模型的工作效率。戈鑫12采用遗传算法优化极限学习机(ELM)模型,实现了对燃气轮机的故障诊断,结果显示在诊断识别率上较 BP 神经网络更好。Wang 等13将流形学习与隔离森林相结合并应用到了船用二冲程柴油机的故障诊断中,经仿真实验对比,发现该方法具有较高的故障检测率,且虚警率也较低。Xu 等14针对船用柴油机的故障诊断,将人工神经网络、信念规则库模型和 ER 模型相融合,在融合系统中以准确率和稳定性为指标,通过结合遗传算法确定各模型的权重
12、后再进行共同决策,实验证明该融合方法较单个数据驱动模型具有更高的鲁棒性和更好的故障识别能力。虽然上述方法在主机故障诊断方面已取得较好的研究成果,但上述模型均是采用离线批处理的方式来训练模型,即需要一次性训练所有样本,而这种训练方式显然难以满足在线实时更新的需求,对船舶主机故障诊断研究来说具有一定的局限性。王潇15结合 t-SNE 和在线贯序极限学习 机(online sequential extreme learning machine,OSELM)模型,有效实现了仅采用船舶柴油机实时数据即可在线更新模型的功能,但对于 OS-ELM 模型而言,其初始化阶段的推导是基于经验风险最小化原理,这使得
13、模型在学习更新后可能会出现过拟合的情况,导致诊断模型出现不稳定、精度下降的问题。此外,在主机实际运行过程中还存在故障类样本远少于正常类样本这种样本不均衡的问题,而采用这类样本集对诊断模型进行训练或是在线更新,都会使得模型分类更倾向于正常状态,导致系统故障出现漏报现象,对于故障诊断而言这无疑是需要极为重视的问题。鉴于此,本文拟提出一种针对不平衡样本并能够在线更新的船舶主机故障诊断模型。首先,采用 PCA 对主机数据进行特征提取并降维;然后,引 入 SMOTE 算 法 生 成 故 障 样 本,并 结 合Tomek Links 算法剔除边界样本,为后续诊断模型的训练提供相对平衡的样本集,用以缓解由训
14、练样本不平衡所带来的问题;接着,引入正则化方法改进 OSELM 模型,构建 OSRELM(online sequentialextreme learning machine with regularization)模型以提高诊断模型的鲁棒性;最后,以船舶主机燃油系统为例对所提模型进行案例分析,验证诊断模型的有效性。1 基本理论 1.1 PCA 算法PCA16是指将 n 维原数据采用线性组合的方式来获取新的 k 维正交变量(n k),并通过这k 维变量尽可能多地体现出原数据的特征信息,同时,由于这 k 维变量互不相关,故能够很好地消除原数据变量中重复的信息。PCA 步骤如下:1)对原数据矩阵进行
15、标准化处理并计算其协方差矩阵 ;2)计算协方差矩阵 的特征值 i和特征向量 i;3)利用式(1)和式(2)分别计算方差贡献率i与累积贡献率 i,并根据需要提取主成分。具体公式如下:i=imk=1k,i=1,2,.,m(1)i=ik=1kmk=1k,i=1,2,.,m(2)1.2 SMOTETomek 方法SMOTETomek17是一种将 SMOTE 和 TomekLinks 相结合用以解决不平衡数据的方法。首先,采用 SMOTE 算法通过式(3)插值生成样本,不过由该算法产生的新的少数类样本可能会因入侵到多数类样本的空间而出现样本胶着的问题,因此需结合 Tomek Links 算法找出新生成样
16、本中的噪音样本以及边界样本,这里选择去掉 Tomek Links270中 国 舰 船 研 究第 18 卷对中新生成的少数类样本来缓解样本入侵问题。但在去除 Tomek Links 对时,新产生的少数类样本在被剔除后仍会使样本集存在不平衡的问题。为此,设置阈值 IR,如果新样本集的少数类样本数量与多数类样本数量的比例小于设置的阈值,则再次进行采样操作,直至满足设定的阈值,使样本集达到相对平衡的状态。SMOTETomek 方法示意图如图 1 所示。xnew=x+rand(0,1)?xxj?,1 j l。OSELM算法的目的是得到使最小的输出权值向量 0,其中,。此时,模型初始隐含层的输出矩阵 H0
17、为H0=hT1hT2hTN0T=g(w1,b1,x1)g(wl,bl,x1).g(w1,b1,xN0)g(wl,bl,xN0)(4)0随后,根据 Moore-Penrose 广义逆并采用最小二乘法获取 0的无偏估计值,有0=H+0T0=(HT0H0)1HT0T0(5)H0+=(H0TH0)1H0其 中,为的 Moore-Penrose 广义逆。这里,设置工作矩阵 P0,有P0=(H0TH0)1(6)则(5)可以转化为0=P0H0TT0(7)Sk+1=(xi,ti)|Nk+1i=1k+1在在线学习阶段,当新一批包含有 Nk+1个训练样本的到达时,可以类推得到输出权值。k+1=k+PTk+1HTk
18、+1(Tk+1Hk+1k)(8)其中:Hk+1=g(w1,b1,x1)g(wl,bl,x1).g(w1,b1,xNk+1)g(wl,bl,xNk+1)(9)Tk+1=tT1tT2 tTNk+1T同样根据递推公式可得到工作矩阵 Pk+1为Pk+1=(Pk+HTk+1Hk+1)1=PkPkHTk+1Hk+1PkI+Hk+1PkHTk+1(10)式中,I 为单位矩阵。由上述推导可以发现,模型只需利用新样本以及在上一步获取的输出权值递推更新即可,这不仅满足了在线更新的需求,同时学习后的样本也可以立即丢弃,从而减少内存的开销。2 基 于 PCA-SMOTETomek-OSRE-LM 的故障诊断模型 2.
19、1 OSRELM 模型对于 1.3 节介绍的 OSELM 模型,其在初始化阶段的推导是基于经验风险最小化原理,这就使得模型在学习更新后可能会出现过拟合的情况,同时,在训练时如果训练样本中存在异常值,隐含层输出的自相关矩阵 HTH 也有可能会出现奇异、病态的状况,导致学习模型出现不稳定、精度下降的问题。为此,引入正则化方法进行处理。该方法是将经验风险最小化与结构风险最小化相结合,通过引入能够体现模型复杂度的正则项来缓解模型过拟合的情况,从而使模型具有更好的稳定性和泛化能力。则目标函数转变为min,C22+122(11)=TH式中:C 为正则化因子;,为所有样本对应的训练误差。因为在模型选择过程中
20、对拟合精度的关注度相比模型自由度更大,所以将正则化参数设定为误差项的系数。这里,将构造拉格朗日函数转为求解无约束优化问题:L=122+C22Ni=1i(h(xi)Tti+i)(12)i=tih(xi)式中:为拉格朗日乘子;,为样本对应的误差。根据 Karush-Kuhn-Tucker 优化条件,令第 5 期王泷德等:不平衡数据下船舶主机在线故障诊断研究271L/=0L/i=0L/i=0,可得到如下关系:=Ni=1ih(xi)T=HT(13)i=Ci(14)h(xi)Tjti+i=0(15)S0=(xi,ti)|N0i=1由此,对于初始训练集,可以得到引入正则项的工作矩阵 P0和输出权值矩阵 0
21、:P0=(HT0H0+IC)1(16)0=P0HT0T0=(HT0H0+IC)1HT0T0(17)S1=(xi,ti)|N1i=1当向模型中添加新的训练样本时,此时网络模型的输出权值为1=(HT0H1TH0H1)1H0TH1TT0T1=(HT0H0+hT1h1+IC)1(H0TT0+H1TT1)(18)Sk+1=(xi,ti)|Nk+1i=1以 此 类 推,当 得 到 第 k+1 组 新 数 据后,工作矩阵 Pk+1和输出权值 k+1的表达式分别为:Pk+1=(HTk+1Hk+1+IC)1=(HTkHk+hTk+1hk+1+IC)1=(P1k+hTk+1hk+1)=PkPkHTk+1Hk+1P
22、k1+Hk+1PkHTk+1(19)k+1=k+Pk+1HTk+1(Tk+1Hk+1k)(20)由上式可以看出,当正则化因子 C=0 时,OSRELM 就可以转化为原始的 OSELM。由上述公式可以发现,在最终推导的 k+1中并没有体现正则化因子 C,但它却实际存在,这说明引入正则化因子不仅能够防止因奇异矩阵而带来的不稳定性,而且不会增加模型误差,形式十分简洁,是一个很有效的处理方法。下面,简述该算法步骤。初始化阶段:1)随机设定隐含层的权重 w 和阈值 b;2)根据式(4)计算初始隐含层的输出矩阵 H0;3)根据式(16)和式(17)计算 P0和 0;在在线学习阶段,当第 k+1 批包含 N
23、k+1个样本的 Sk+1获取后,4)根据式(9)计算隐含层的输出矩阵 Hk+1;5)根据式(19)更新工作矩阵 Pk+1;6)根据式(20)计算模型的输出权值向量 k+1,此时,获得在线更新后的 OSRELM 模型;7)当新一批样本加入模型时,转到第 4)步。2.2 故障诊断流程本文结合上述理论,搭建了PCA-SMOTETomek-OSRELM 故障诊断模型,具体流程如图 2 所示。模型故障诊断及在线更新步骤如下。训练集测试集OSRELM 模型随机选取验证改进的模型机舱监测系统数据库实时监测数据训练好的故障诊断模型故障诊断输出诊断结果是否继续结束否是历史监测数据采用 SMOTETomek平衡数
24、据集对新训练样本采用PCA 进行特征提取采用 SMOTETomek平衡数据集采用 PCA 对数据进行特征提取更新模型?图 2故障诊断与在线更新流程Fig.2 Fault diagnosis and online update process 离线阶段:1)提取机舱监测数据库中的历史监测数据;2)采用 PCA 对机舱历史监测数据进行特征提取并在降维后划分训练集和测试集;3)针对训练集样本,为防止模型因使用不平衡样本集训练而出现“故障漏报”的现象,采用SMOTETomek 平衡训练集样本,并使用平衡后的新样本集训练 OSRELM 故障诊断模型;4)训练好诊断模型后,采用测试集检验模型精度;5)在精
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 不平衡 数据 船舶 主机 在线 故障诊断 研究