基于CAE和SVDD的噴水推進裝置閉環控制系統故障檢測方法

基于cae和svdd的噴水推進裝置閉環控制系統故障檢測方法
技術領域
1.本發明涉及故障診斷技術領域，具體為基于cae和svdd的噴水推進裝置閉環控制系統故障檢測方法。


背景技術：

2.大型船舶的轉向和正倒航行駛都有賴于噴水推進裝置閉環控制系統，它控制著操舵、倒航機構的旋轉角度，實際工作中一般采用電動液壓式進行控制。噴水推進裝置閉環控制系統的構成如圖1所示，主要包括了液壓控制單元、控制對象單元及輸出反饋單元?？刂破魇盏接刹倏嘏_發出的控制信號后，經控制電路處理后送入比例換向閥，比例換向閥依據接收的電壓信號開啟閥門，液壓油自液壓泵流入液壓缸，以此推動活塞桿運動，從而帶動關聯的方向舵或倒航斗轉動。同時，輸出反饋機構將方向舵或倒航斗旋轉角度實時饋送到控制器，以此完成對于噴水推進裝置的閉環控制。隨著裝備使用頻率的逐漸增加，通常要求噴水推進裝置高負荷、長時間運行，且工作環境惡劣、工況復雜多變，這使得噴水推進裝置閉環控制系統暴露出一系列可靠性問題，而現有技術中針對噴水推進裝置閉環控制系統的故障檢測方法誤檢率很高，嚴重影響了裝備作戰效能的發揮。


技術實現要素：

3.本發明的目的是：針對現有技術中針對噴水推進裝置閉環控制系統的故障檢測方法誤檢率高的問題，提出基于cae和svdd的噴水推進裝置閉環控制系統故障檢測方法。
4.本發明為了解決上述技術問題采取的技術方案是：
5.基于cae和svdd的噴水推進裝置閉環控制系統故障檢測方法，包括以下步驟：
6.步驟一：獲取噴水推進裝置閉環控制系統數據，并將噴水推進裝置閉環控制系統數據中正常數據作為訓練樣本；
7.步驟二：將訓練樣本進行歸一化處理，并利用歸一化后的訓練樣本訓練cae模型，得到訓練好的cae模型以及訓練好的cae模型輸出的隱含特征；
8.步驟三：利用訓練好的cae模型輸出的隱含特征構建并訓練svdd模型，得到訓練好的svdd模型以及訓練好的svdd模型輸出的超球體半徑；
9.步驟四：獲取待檢測數據，并將待檢測數據進行歸一化處理；
10.步驟五：將歸一化后的待檢測數據輸入訓練好的cae模型，得到待檢測隱含特征；
11.步驟六：將待檢測隱含特征輸入訓練好的svdd模型，得到距超球體球心的距離；
12.步驟七：判斷超球體半徑是否大于距超球體球心的距離，若大于，則判定為正常，若不大于，則判定為故障。
13.進一步的，所述步驟二中訓練cae模型的具體步驟為：
14.步驟二一：初始化cae模型參數；
15.步驟二二：利用參數初始化后的cae模型與訓練樣本得到損失函數；
16.步驟二三：采用反向傳播算法計算損失函數相對于cae模型參數的梯度，然后利用
隨機梯度下降算法更新cae模型的權值參數；
17.步驟二四：利用更新后的cae模型與訓練樣本計算損失函數，重復步驟二二至步驟二四進行迭代，當達到迭代次數時停止，得到訓練好的cae模型以及訓練好的cae模型輸出的隱含特征。
18.進一步的，所述cae模型包括隱含層和重構層，所述隱含層用于編碼，所述重構層用于解碼；
19.所述隱含層包括卷積層、激活層和下采樣層；
20.所述重構層包括上采樣層、反卷積層和激活層。
21.進一步的，所述編碼后的特征表示為：
22.hk＝σ(x*wk+bk)
23.其中，x表示輸入數據，σ表示激活函數，w表示權值參數，b表示偏置參數，hk表示第k個隱含特征。
24.進一步的，所述解碼后的重構數據表示為：
[0025][0026]
其中，表示解碼操作的權值參數，c表示偏置參數，h表示隱含層。
[0027]
進一步的，所述cae模型的損失函數為輸入數據與重構數據的均方誤差，表示為：
[0028][0029]
其中，n表示樣本數量，m表示輸入數據與重構數據的維度，xi表示測試樣本，i表示樣本序號，yi表示測試樣本的重構數據。
[0030]
進一步的，所述步驟二三中損失函數相對于cae模型參數的梯度表示為：
[0031][0032]
其中，δh和δy分別表示隱含特征和重構表示的變化量，表示重構系數，表示偏導數。
[0033]
進一步的，所述步驟三中構建并訓練svdd模型的步驟具體為：
[0034]
步驟三一：利用訓練好的cae模型輸出的隱含特征構建svdd故障檢測模型，具體步驟為：
[0035]
步驟三一一：將訓練好的cae模型輸出的隱含特征作為訓練樣本，通過非線性映射將訓練樣本投影到高維特征空間f中，并在高維特征空間f中找到最小超球體，最小超球體的球心為a，半徑為r；
[0036]
步驟三一二：基于球心a和半徑r建立二次規劃問題，二次規劃問題表示為：
[0037][0038]
s.t.||x
i-a||2≤r2+ξi,i＝1,...n,ξi≥0
[0039]
利用拉格朗日算子法求解上述優化問題，得到球心a和半徑r的值，即超球體半徑；
[0040]
其中，ξi表示松弛變量，c表示懲罰參數；
[0041]
步驟三一三：選擇高斯徑向基核函數作為svdd模型的核函數，構建svdd模型，
[0042]
步驟三二：選擇訓練樣本的誤檢率作為適應度，采用粒子群優化算法尋找svdd模型的最優懲罰參數和核參數，具體步驟為：
[0043]
步驟三二一：初始化粒子的算法參數，算法參數包括粒子的群體規模、粒子的位置和速度、最大迭代次數；
[0044]
步驟三二二：計算每個粒子位置對應的適應度值；
[0045]
步驟三二三：利用粒子的搜索最佳位置和全局最佳位置優化粒子的當前位置和當前速度，優化公式為：
[0046][0047][0048]
其中，i＝1,2,
…
,n，c1和c2表示加速因子，c1＝c2＝2，r1和r2表示分布在[0,1]的隨機數，s表示當前迭代次數，分別表示下一次迭代粒子的速度和位置，表示當前粒子速度，表示當前粒子位置，表示粒子全局最佳位置；
[0049]
步驟三二四：在中引入慣性因子ω，表示為：
[0050][0051]
對于ω，采用線性遞減慣性加權策略平衡全局搜索和局部搜索的性能，表示為：
[0052]
ωs＝(ω
start-ω
end
)(s
max-s)/s
max
+ω
end
[0053]
其中，ω
start
表示初始慣性權重，ω
end
表示最大迭代次數時的慣性權重，s
max
表示最大迭代次數；
[0054]
步驟三二五：重復步驟三二二至步驟三二四，直至達到迭代次數停止；
[0055]
步驟三二六：選擇適應度值最大的粒子位置對應的懲罰參數和核參數；
[0056]
步驟三三：將懲罰參數和核參數應用于svdd模型，基于訓練樣本計算svdd的超球體半徑。
[0057]
進一步的，所述判斷超球體半徑是否大于距超球體球心的距離的判別函數為：
[0058]
f(x)＝sgn(r
2-||x-a||2)＝sgn(r
2-d2(x))
[0059]
如果f(x)＞0，則表示超球體半徑大于距超球體球心的距離，反之，則表示超球體半徑不大于距超球體球心的距離，d表示特征維度。
[0060]
本發明的有益效果是：
[0061]
(1)本技術采用cae模型對閉環控制系統樣本數據進行特征提取，在最大限度保留系統本質信息的基礎上壓縮數據維度，并消除冗余信息的干擾；
[0062]
(2)本技術引入pso優化svdd的懲罰參數和核參數，避免在參數尋優過程中陷入局部最優和反復震蕩等問題，將尋找到的最優超參數應用于svdd故障檢測模型，從而提升了故障檢測效率并降低誤檢率。
附圖說明
[0063]
圖1為噴水推進裝置閉環控制系統的整體結構圖；
[0064]
圖2為本技術故障檢測流程圖；
[0065]
圖3為amesim噴水推進裝置閉環回路仿真模型示意圖；
[0066]
圖4為cae的網絡結構圖。
具體實施方式
[0067]
需要特別說明的是，在不沖突的情況下，本技術公開的各個實施方式之間可以相互組合。
[0068]
具體實施方式一：參照圖1具體說明本實施方式，本實施方式所述的基于cae和svdd的噴水推進裝置閉環控制系統故障檢測方法，包括離線建模和檢測兩部分構成，主要包括如下步驟：
[0069]
(1)離線建模
[0070]
a.使用歸一化訓練樣本對cae進行訓練，通過編碼結構將訓練樣本映射到特征空間得到訓練特征。
[0071]
b.采用pso來尋找svdd模型的最優超參數。
[0072]
c.利用高斯核函數將訓練特征映射到希爾伯特空間，計算svdd模型的超球體半徑，設定為故障檢測閾值。
[0073]
(2)在線檢測
[0074]
a.使用離線建模中訓練完成的cae模型將歸一化測試樣本映射到特征空間得到測試特征。
[0075]
b.使用pso-svdd模型在特征空間求出測試特征到超球體球心的距離,若超過故障檢測閾值則判斷為故障，反之則為正常。
[0076]
本技術選擇噴水推進裝置閉環控制系統作為研究對象，它控制著操舵、倒航機構的旋轉角度，實際工作中一般采用電動液壓式進行控制。
[0077]
自編碼器(cae)是一種無監督學習的三層神經網絡，利用神經網絡搭建自編碼器能夠實現對輸入數據的降維壓縮，作為深度學習中一種新穎的降維方法，自編碼器可以找到最佳低維數據子空間，捕獲特征之間的非線性相關性，得到了廣泛的關注與研究。
[0078]
支持向量數據域描述(support vector domain description,svdd)是一種基于邊界數據的描述方法，主要思想是將非線性映射的訓練樣本點映射到高維內積空間，形成包含所有訓練數據的超球體，這種特性使得svdd在故障檢測領域得到了廣泛得應用。然而，在使用svdd進行邊界計算時，超參數的優化選擇問題尤為關鍵。合理的參數可以大大提高檢測能力，簡化計算復雜度，從而提升檢測速度。
[0079]
本技術使用cae模型對數據進行特征提取，在最大限度保留原始信息的基礎上壓縮數據維度。通過pso尋找svdd模型的最優超參數，并利用優化后的svdd模型結合測試數據完成對閉環控制系統的故障檢測。本技術在故障提升檢測準確率和降低誤檢率上都有著良好的效果，為噴水推進裝置閉環控制系統故障檢測提供了較好的解決方案。
[0080]
具體的，本技術可以通過以下方案實施：
[0081]
針對噴水推進裝置閉環控制系統的檢測實例，本技術的具體步驟如下：
[0082]
(1-1)采用amesim軟件對噴水推進裝置閉環控制系統的故障進行仿真，選取了每類故障中的輕度故障模式進行試驗驗證，具體為液壓泵泄露、管路泄露、泵故障、溢流閥故障、管路堵塞、液壓缸內泄露、液壓缸外泄露、液油中混入空氣和正常。
[0083]
(1-2)整個噴水推進裝置閉環控制系統仿真模型如圖3所示。
[0084]
在“子模型模式”下為系統各模塊選擇合適的子模型以及相應的數學模型，其中比例換向閥選用系統模型hsv34_01，溢流閥選用系統模型rv010，其余通過“premier mode”選擇系統默認模型。并在“參數模式”下根據實際情況設置主要元件參數，如表1所示。
[0085]
表1噴水推進裝置閉環控制系統主要元件參數
[0086][0087]
(1-3)根據構建的閉環控制系統仿真模型，每種故障仿真了81個數據樣本，共計729個數據樣本。隨機選取正常狀態下54個數據樣本組成訓練集，剩余675個數據樣本組成測試集進行后續特征提取及故障檢測；
[0088]
(1-4)使用誤檢率(false acceptance rate,far)和檢測率(false detection rate,fdr)作為性能評價指標，具體公式為：
[0089][0090][0091]
其中，fp為誤報成故障的正常樣本數，tn為被正確檢測的正常樣本數，tp為被正確檢測的故障樣本數，fn為被誤判的故障樣本數。
[0092]
(2)利用訓練集中正常狀態下的數據樣本訓練cae模型，其網絡結構如圖4所示。
[0093]
(2-1)執行隱含層的編碼操作，其由交替的卷積層、激活操作和下采樣組成。假設訓練集的輸入數據為x，cae模型的第k個隱含特征表示為：
[0094]hk
＝σ(x*wk+bk)
???????????
(3)
[0095]
其中，σ是激活函數，w表示編碼操作的權值參數，b表示偏置參數。為了使得cae模型的每層能夠針對不同的輸入特征進行映射，每個隱含特征的映射構造一個單獨的偏置。
[0096]
(2-2)執行重構層的解碼操作，其由交替的上采樣、反卷積和激活操作。重構數據表示為：
[0097][0098]
其中，表示解碼操作的權值參數，c表示偏置參數。
[0099]
(2-3)更新cae模型的權值參數。cae的損失函數表示為輸入數據與重構數據的均方誤差(mean squared error,mse)：
[0100][0101]
其中，m表示輸入數據與重構數據的維度。
[0102]
采用反向傳播算法來計算損失函數相對于cae模型參數的梯度，其計算過程如下：
[0103][0104]
其中，δh和δy分別是隱含特征和重構表示的變化量。然后，使用隨機梯度下降算法來更新cae模型的權值參數。
[0105]
(3)利用cae模型所提取的訓練集隱含特征來計算svdd模型的故障檢測閾值，即所構建超球體的半徑。
[0106]
(3-1)利用訓練集隱含特征構建svdd故障檢測模型。
[0107]
(3-1-1)假設訓練集樣本的隱含特征是{hi|hi∈rd,i＝1,2,3...n},d表示特征維度，n表示樣本數量，通過非線性映射將訓練樣本投影到高維特征空間f，并在f中找到一個球心為a，半徑為r的最小超球體，以盡量包含絕大多數訓練樣本。
[0108]
(3-1-2)此外，構造了松弛變量ξi來降低異常點對超球體結構的影響，還引入了懲罰參數c來平衡超球體邊界與模型的誤檢率。根據凸二次規劃，svdd模型的優化目標表示如下：
[0109][0110]
采用拉格朗日算子法來求解上述優化問題，其中xi表示測試樣本。
[0111]
(3-1-3)選擇高斯徑向基函數作為svdd模型的核函數，β表示高斯核函數的寬度因子。
[0112]
(3-2)選擇訓練集中數據樣本的誤檢率為適應度，采用pso尋找svdd模型的最優懲罰參數和核參數，具體尋優過程表述如下：
[0113]
(3-2-1)初始化粒子的群體規模、粒子的位置和速度、最大迭代次數等算法參數，并隨機產生x個粒子的位置，待優化參數映射為每個粒子的d維位置；
[0114]
(3-2-2)計算每個粒子位置對應的適應度值；
[0115]
(3-2-3)空間中的粒子利用它們的搜索最佳位置pi和全局最佳位置pg來優化它們的當前位置和當前速度，優化公式為：
[0116][0117][0118]
其中，i＝1,2,
…
,n，c1和c2表示加速因子，c1＝c2＝2，r1和r2表示分布在[0,1]的隨機數，s表示當前迭代次數，分別表示下一次迭代粒子的速度和位置，表示當前粒子速度，表示當前粒子位置，表示粒子全局最佳位置；
[0119]
(3-2-4)為了使粒子具有更好的優化性能，算法中引入慣性因子ω。慣性因子可以決定粒子對迭代前速度的繼承程度，以此可以平衡粒子的探測能力。引入慣性因子ω后，式(7)變為：
[0120][0121]
ω越大，pso的收斂速度越快，但卻很難得到一個確切解；ω越小，pso的收斂速度越慢，越易陷入局部最優狀態。對于ω一般采用線性遞減慣性加權策略平衡全局搜索和局部搜索的性能，表示為：
[0122]
ωk＝(ω
start-ω
end
)(k
max-k)/k
max
+ω
end
????????
(11)
[0123]
其中，ω
start
是初始慣性權重，ω
end
是最大迭代次數時的慣性權重，k
max
是最大迭代次數。
[0124]
(3-2-5)重復(3-2-2)-(3-2-4)直到滿足終止條件；
[0125]
(3-2-6)輸出最優粒子位置對應的懲罰參數和核參數；
[0126]
(3-3)將最優懲罰參數和核參數應用于svdd模型，基于訓練集數據樣本計算svdd的超球體半徑，獲得判別函數為：
[0127][0128]
其中，d(x)表示樣本特征h到svdd超球體球心的距離。如果f(x)＞0，則表示測試樣本點在超球體內部；反之，則表示其在超球體外部。
[0129]
(4)在在線檢測階段，利用訓練完成的cae模型和構建完成的svdd模型實現對測試集數據樣本的狀態監測，獲得閉環控制系統的故障檢測率和誤檢率。
[0130]
需要注意的是，具體實施方式僅僅是對本發明技術方案的解釋和說明，不能以此限定權利保護范圍。凡根據本發明權利要求書和說明書所做的僅僅是局部改變的，仍應落入本發明的保護范圍內。