張波　董鴻鵬　朱倪瑤

摘 要：針對傳統(tǒng)的故障預(yù)測方法不能直接對電子設(shè)備進(jìn)行狀態(tài)預(yù)測的問題，提出了基于視情維修（CBM）的最小二乘支持向量機(jī)（LSSVM）和隱馬爾可夫（HMM）組合故障預(yù)測模型，本模型充分利用了LSSVM解決小樣本數(shù)據(jù)時計算速度快，可對信號進(jìn)行非線性預(yù)測和HMM數(shù)據(jù)結(jié)構(gòu)嚴(yán)謹(jǐn)，計算性能可靠，狀態(tài)識別精度高的優(yōu)點(diǎn)，將二者相結(jié)合實(shí)現(xiàn)故障狀態(tài)預(yù)測。實(shí)驗結(jié)果證明，文章所提出的組合故障預(yù)測模型能直接得到該設(shè)備的預(yù)測狀態(tài)，而且相對精度較高。

關(guān)鍵詞：最小二乘支持向量機(jī)；隱馬爾可夫；狀態(tài)預(yù)測

中圖分類號：TP206 文獻(xiàn)標(biāo)志碼：A 文章編號：2095-2945（2018）15-0022-04

Abstract： In view of the problem that the traditional fault prediction method can not directly predict the state of electronic equipment， a combined fault prediction model of Least Squares Support Vector Machine （LSSVM） and Hidden Markov Model （HMM） based on Condition Based Maintenance （CBM） is proposed. This model makes full use of the advantages of LSSVM to solve the small sample data， such as fast calculation speed， rigorous nonlinear prediction of signal and HMM data structure， reliable calculation performance and high accuracy of state recognition. The two methods are combined to realize fault state prediction. The experimental results show that the combined fault prediction model proposed in this paper can directly obtain the prediction state of the equipment， and the relative accuracy is high.

Keywords： Least Squares Support Vector Machine （LSSVM）； Hidden Markov Model （HMM）； state prediction

引言

伴隨著科技的不斷發(fā)展，電子產(chǎn)品占據(jù)了越來越廣闊的市場，甚至在一定程度上電子設(shè)備的規(guī)模和總體水平能夠代表一個國家的綜合實(shí)力[1]，可見電子設(shè)備的重要性。

電子設(shè)備內(nèi)部結(jié)構(gòu)非常復(fù)雜，一旦發(fā)生故障，不能及時排除故障對整個系統(tǒng)影響很大。故障預(yù)測通過在電子設(shè)備的不同位置安放傳感器來監(jiān)測設(shè)備的運(yùn)行信號，當(dāng)電子設(shè)備發(fā)生故障或者性能退化時，傳感器就會監(jiān)測到發(fā)生變化的信號，通過采集到的監(jiān)測信號進(jìn)行故障預(yù)測，在其完全故障或性能發(fā)生明顯退化前對其進(jìn)行維修，降低損失[2]。

1 電子設(shè)備結(jié)構(gòu)分類

電子設(shè)備的主要結(jié)構(gòu)可簡單地分為串聯(lián)、并聯(lián)、串并聯(lián)結(jié)構(gòu)，復(fù)雜的則由多種串聯(lián)、并聯(lián)、串并聯(lián)結(jié)構(gòu)混合組成，下面介紹電子設(shè)備的結(jié)構(gòu)：

1.1 串聯(lián)結(jié)構(gòu)

1.2 并聯(lián)結(jié)構(gòu)

1.3 混合結(jié)構(gòu)

其中各圖中的S1、S2…Sn分別代表n個模塊，N1、N2…Nn代表n個獲取故障信號的監(jiān)測點(diǎn)。

2 組合故障預(yù)測模型的建立

為了彌補(bǔ)單一算法的不足，通過對不同預(yù)測算法的組合來實(shí)現(xiàn)對設(shè)備或系統(tǒng)的未來趨勢預(yù)測，不但能夠充分利用各算法的優(yōu)點(diǎn)，還降低了計算的復(fù)雜程度，提高了運(yùn)算效率[3，4]。

最小二乘支持向量機(jī)（LSSVM）是以統(tǒng)計學(xué)習(xí)理論為基礎(chǔ)的一種新的機(jī)器學(xué)習(xí)算法，采用結(jié)構(gòu)風(fēng)險最小化原則，較好地解決了小樣本的學(xué)習(xí)問題，實(shí)現(xiàn)模型復(fù)雜性和學(xué)習(xí)能力之間的最佳結(jié)合[5]。隱馬爾可夫模型（HMM）是一種動態(tài)時間序列概率統(tǒng)計模型，具有完善的數(shù)學(xué)理論基礎(chǔ)和良好的模式分類能力，已經(jīng)成功使用在語音識別領(lǐng)域[6]和過程故障診斷[7，8]，也逐漸開始應(yīng)用于狀態(tài)監(jiān)測[9]。

采用LSSVM對電子設(shè)備狀態(tài)進(jìn)行故障預(yù)測，得到的是未來狀態(tài)的預(yù)測值，對于電子設(shè)備來說僅僅得到未來時刻的預(yù)測值是不夠的，根據(jù)這些預(yù)測值無法準(zhǔn)確判斷出設(shè)備是否將處于故障狀態(tài)或性能退化狀態(tài)，因此需要利用HMM的解碼功能來求解預(yù)測的未來狀態(tài)，即將LSSVM的預(yù)測值輸入HMM中估計設(shè)備所處的狀態(tài)或狀態(tài)退化路徑，最終得到的將是設(shè)備的未來狀態(tài)。

2.1 組合故障預(yù)測模型的預(yù)測流程

主要分為三個步驟：

步驟1：數(shù)據(jù)采集。選擇適合的監(jiān)測信號，通過設(shè)置監(jiān)測點(diǎn)、傳感器布局獲得設(shè)備的狀態(tài)信號，對獲取的狀態(tài)信號進(jìn)行預(yù)處理和LDA特征提取，獲得組合模型需要的有效數(shù)據(jù)，并將其分為訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)。

步驟2：故障預(yù)測。將訓(xùn)練數(shù)據(jù)輸入到LSSVM模型進(jìn)行回歸訓(xùn)練，確定模型參數(shù)，訓(xùn)練結(jié)束后，通過前幾個狀態(tài)的觀測數(shù)據(jù)對設(shè)備未來狀態(tài)進(jìn)行預(yù)測，得到未來狀態(tài)的預(yù)測值。

步驟3：狀態(tài)識別。首先將獲得的設(shè)備各狀態(tài)訓(xùn)練數(shù)據(jù)輸入到HMM模型，得到設(shè)備各狀態(tài)的HMM模型，再將LSSVM的預(yù)測值組成觀測序列輸入到訓(xùn)練好的HMM模型中進(jìn)行狀態(tài)識別，分別計算各模型產(chǎn)生該預(yù)測序列的概率，根據(jù)最大似然概率值即可判斷當(dāng)前預(yù)測序列代表的設(shè)備退化狀態(tài)。

2.2 組合故障預(yù)測模型在電子設(shè)備中的應(yīng)用

假設(shè)一個具有混合結(jié)構(gòu)的電子設(shè)備的一部分結(jié)構(gòu)如圖4所示，該電子設(shè)備是由模塊A1，A2，…A17根據(jù)不同的串聯(lián)、并聯(lián)結(jié)構(gòu)按照一定的形式組合而成的，每個模塊都具有一定的功能，其中Q1，Q2，…Q11，out是獲取狀態(tài)信號的監(jiān)測點(diǎn)，對應(yīng)的實(shí)際電路圖如圖5所示。

（1）狀態(tài)劃分與數(shù)據(jù)采集

圖5電路圖中所有電阻、電容容差均為±5%，通過對該電路進(jìn)行靈敏度分析，發(fā)現(xiàn)C3的變化對輸出電壓V（out）的波形影響較大，本文只考慮C3的變化對整個電子設(shè)備的影響，其他元件參數(shù)均在±5%內(nèi)變化。通過對該電子設(shè)備進(jìn)行信號監(jiān)測，當(dāng)發(fā)現(xiàn)監(jiān)測點(diǎn)out的信號有偏差時并不能確定是模塊A17出現(xiàn)退化或故障，要進(jìn)一步獲取監(jiān)測點(diǎn)Q11的信號，如果Q11的信號正常，則可以判斷是模塊A17出現(xiàn)問題，否則將繼續(xù)監(jiān)測Q10的信號，以此類推，可以初步判斷出發(fā)生故障的模塊。

設(shè)C3的容差變化范圍分別為[5，7.5]%，[7.5，10]%，[10，12.5]%，[12.5，15]%，[15，17.5]%，[17.5，20]%，[20，22.5]%，[22.5，25]%來模擬該電子設(shè)備的狀態(tài)退化過程（如圖6所示，橫坐標(biāo)表示電子設(shè)備的工作時間，縱坐標(biāo)表示電子設(shè)備的健康指數(shù)），加上正常狀態(tài)共設(shè)置了9種狀態(tài)。每種狀態(tài)進(jìn)行50次蒙特卡羅（MC）分析，發(fā)現(xiàn)在25kHz～110kHz之間C3的變化對電路的影響最大，因此每個狀態(tài)取25kHz、50kHz、60kHz、70kHz、80kHz、90kHz、100kHz、110kHz對應(yīng)的電壓值構(gòu)成一組8維的特征向量，則每種狀態(tài)有50組特征向量，30組作為訓(xùn)練樣本，20組作為測試樣本。

（2）故障預(yù)測

如表1所示，對9種狀態(tài)的8維特征向量取平均值，得到9種狀態(tài)的LSSVM訓(xùn)練樣本，模型參數(shù)設(shè)置和訓(xùn)練過程參考第三章，獲得每個頻率下狀態(tài)5-9的預(yù)測值如圖7所示。

圖7中橫坐標(biāo)表示狀態(tài)5-9，縱坐標(biāo)表示V（out）的電壓值。如圖7所示通過LSSVM預(yù)測得到的不同頻率下的預(yù)測值與實(shí)際值都比較接近，得到了較好的預(yù)測效果。通過對不同訓(xùn)練樣本的預(yù)測，最終可得到狀態(tài)5-9的8維預(yù)測向量各20組。

（3）狀態(tài)識別

每組訓(xùn)練樣本的8維特征向量經(jīng)LDA降維構(gòu)成4維特征向量，將LSSVM預(yù)測得到的狀態(tài)5-9的8維預(yù)測向量通過LDA同一映射空間降為4維特征向量，同時對每種狀態(tài)隨機(jī)取5組預(yù)測向量構(gòu)成一個觀測序列，共15組預(yù)測的觀測序列用于HMM狀態(tài)識別，識別結(jié)果如表2所示：

其中，橫向表示電子設(shè)備應(yīng)該所處的當(dāng)前狀態(tài)，縱坐標(biāo)表示其未來狀態(tài)。如表2所示，每個狀態(tài)的識別率分別為93.3%，86.7%，100%，93.3%，100%，平均狀態(tài)識別率為94.7%，狀態(tài)識別精度較高。

3 結(jié)束語

本文介紹了電子設(shè)備的基本結(jié)構(gòu)，并對不同的串并聯(lián)結(jié)構(gòu)發(fā)生故障的情況進(jìn)行了分析，針對電子設(shè)備的復(fù)雜結(jié)構(gòu)以及現(xiàn)有的單一故障預(yù)測方法不能對電子設(shè)備直接進(jìn)行狀態(tài)預(yù)測，提出了LSSVM與HMM組合故障預(yù)測模型，分析該組合模型的優(yōu)勢并將其應(yīng)用于一個具有混合結(jié)構(gòu)的電子設(shè)備中。通過LSSVM預(yù)測得到的預(yù)測值再經(jīng)過HMM狀態(tài)識別直接得到該設(shè)備的預(yù)測狀態(tài)，并且二者的組合能夠得到很高的狀態(tài)預(yù)測精度，狀態(tài)預(yù)測精度為94.7%。

參考文獻(xiàn)：

[1]高慶，楊葉舟，魏震生.復(fù)雜裝備的層次診斷技術(shù)[J].火力與指揮控制，2007，32（4）：133-135.

[2]曾現(xiàn)萍.含有奇異信號的電子系統(tǒng)性能退化趨勢預(yù)測方法研究[D].電子科技大學(xué)，2016.

[3]王高升，劉振娟，李宏光.基于組合模型的主元分析預(yù)測監(jiān)控方法[J].北京化工大學(xué)學(xué)報，2014，41（2）：104-108.

[4]王亮，呂衛(wèi)民，滕克難，等.基于數(shù)據(jù)驅(qū)動的裝備故障預(yù)測技術(shù)研究[J].計算機(jī)測量與控制，2013，21（8）：2087-2089.

[5]江田漢，束炯.基于LSSVM的混沌時間序列的多步預(yù)測[J].控制與決策，2006，21（1）：77-80.

[6]Rabiner L R. A tutorial on hidden Markov models and selected applications in speech recognition[J]. Readings in Speech Recognition， 1989，77（2）：267-296.

[7]周韶園，謝磊，王樹青.On-line Fault Diagnosis in Industrial Processes Using Variable Moving Window and Hidden Markov Model[J]. 中國化學(xué)工程學(xué)報：英文版，2005，13（3）：388-395.

[8]Wei S， Ahmet Palazo&#