基于SOM-MQE模型的設備故障預警方法

韓寶宏 閆明勝 段鵬飛 李志 張羽 朱慧敏

摘? ?要： 借助機器學習算法進行設備故障預警是保證設備安全可靠運行的有效手段，但故障數據樣本難以獲取，成為相關設備推廣應用的一大挑戰。構建一種結合自組織映射網絡（SOM）和最小量化誤差（MQE）的SOM-MQE模型，提出基于SOM-MQE模型的設備故障預警方法。首先，劃分訓練集和測試集，用訓練集的設備正常狀態數據訓練SOM模型;然后，將實時數據與SOM所有圖元中的權值矢量作比較，根據MQE值確定設備的故障預警區間，從而判斷設備是否需要故障預警。采用某航空發動機的全生命周期數據進行實驗驗證，表明SOM-MQE模型在進行發動機故障預警時能達到74.81%的準確率，滿足在缺少明確故障標簽數據的條件下設備故障預警準確率不低于70%的行業要求。SOM-MQE模型易于構建，檢測速度快，適用于大多數實際工業場景。

關鍵詞： 自組織映射神經網絡（SOM）;最小量化誤差（MQE）;故障預警;航空發動機;權值矢量

引言

在實際工業生產中，小到一個標準件、大到發動機等復雜機械設備的壽命都是有限的，運行一段時間后就要維修（或者更換）。及時對設備進行故障預警，可以有效減少安全生產事故的發生。

目前，設備的故障診斷技術主要聚焦于信號分析和智能診斷兩方面[1]。在信號分析方面[2]，故障診斷主要依賴相關從業人員具備的知識基礎和經驗;在智能診斷方面，故障診斷主要借助機器學習相關算法如支持向量機（Support Vector Machine，SVM）[3]、人工神經網絡（Artificial Neural Network，ANN）[4]、核方法（Kernel Method）[5]和卷積神經網絡（Convolutional Neural Network，CNN）[6]等的應用。這些方法在模式識別的過程中，需要借助大量的歷史故障數據對模型參數進行擬合，但對于實際的工業場景來說，設備故障樣本不像正常狀態數據那樣易于采集[7]，這對機器學習算法的推廣應用提出了很大挑戰。

自組織映射網絡（Self Organizing Map，SOM）[8]是一種無監督的人工神經網絡，其借鑒了人腦對信號進行處理的特點，依靠神經元之間的互相競爭，實現了神經網絡的逐步優化。SOM算法結構簡單、參數量少，所以被廣泛用于語音識別[9]、聚類分析[10]、異常值剔除[11]等領域。文獻[12]將SOM算法和免疫神經網絡相結合，實現了飛機燃油系統的故障診斷，該方法在使用SOM算法進行數據處理的基礎上，利用BP神經網絡對故障進行分類，依然要求有充足的故障數據樣本，具有一定的局限性。

為此，本文提出一種SOM和最小量化誤差（Minimum Quantifying Error，MQE）相結合的模型，利用數據偏離正常特征空間的量化誤差進行模式識別。首先，簡要介紹SOM算法和MQE的基本原理;然后，提出基于SOM-MQE模型的設備故障預警方法;最后，將方法應用于某航空發動機的全生命周期數據，對設備故障預警有效性進行評估。

1? SOM算法和MQE

1.1? SOM算法原理

SOM算法可以對數據進行無監督學習（如聚類），其理論基礎是神經網絡對于某一圖像或某種頻率的特定模式產生的興奮。SOM有輸入層和輸出層兩層。輸入層神經元的數量是由輸入向量的維度決定的，一個神經元對應一個特征，各神經元通過權向量將外界信息匯集到輸出層的各神經元;輸出層中的一個節點代表一個需要聚成的類，輸出層神經元的數量決定了最終模型的粒度與規模，這對最終模型的準確性與泛化能力有重要影響。

在本系統中，為了取得并分析航空發動機異常數據樣本，需要對航空發動機的排氣溫度、總溫度、燃油流量、滑油溫度、振動值等進行全生命周期監測，將其全生命周期數據中前60%使用時長的數據作為正常數據，后10%使用時長的數據作為潛在異常數據。

SOM結構的區別主要在輸出層，輸出層節點的拓撲關系可以自定義。如果為一維模型，則輸出節點依次連成一條線;如果為二維模型，則輸出節點組成一個平面。圖1所示為最常見的一維和二維SOM示意圖。

SOM算法的基本思想接近于競爭神經網絡，差別在于競爭神經網絡中只有唯一獲勝神經元才能調整權向量，其他神經元無權調整權向量;而在SOM中，獲勝神經元對其鄰近神經元的影響是由近及遠，由興奮逐漸變為抑制，即，不僅獲勝神經元要訓練調整權值，其周圍的神經元也受到影響，要不同程度地調整權向量。具體調整過程是：以獲勝神經元為中心設定一個鄰域半徑R，該鄰域半徑圈定的范圍稱為優勝鄰域，優勝鄰域初始狀態較大;隨著訓練次數的增加，優勝鄰域將不斷收縮，直至半徑為0。具體學習步驟如下：

（1）學習率初始化，建立初始優勝鄰域，使用小隨機數對輸出層各神經元權重賦初值、歸一化，得到;

（2）從訓練集中隨機選取一個輸入樣本并進行歸一化處理，得到;

（3）遍歷輸出層中每一個節點，選取距離最小的節點作為優勝節點，即從與所有的內積中找到最大的;

（4）根據優勝鄰域確定優勝鄰域將包含的節點，并計算各自更新的幅度;

（5）更新優勝鄰域內的所有神經元權重：

1.2? MQE

大多數情況下，故障數據非常難以準確采集，而正常狀態數據往往可以方便且準確地獲取，所以故障預警可以基于偏離正常特征空間的量化誤差來進行。首先，用正常狀態數據訓練SOM模型;然后，將特征矢量與所有圖元中的權值矢量作比較，若MQE超過了預設臨界點，則表示可能已需要預警。借助于當前狀態偏離正常運行基準模型的距離，可以設計新的故障預警指標，其做法是通過將新獲取的狀態監測數據輸入到正常狀態數據訓練過的SOM網絡，計算其MQE，并將該誤差作為一種新的故障預警評估指標。MQE定義為

通過追蹤MQE值，可以定量描述設備的健康狀態。

2 基于SOM-MQE模型的設備故障預警

在訓練集上訓練模型，得到SOM-MQE模型設備預警故障的區間閾值。對于訓練集中的每組設備，用正常狀態數據訓練SOM，然后將剩余數據與所有圖元中的權值矢量作比較，計算其MQE。設備的故障預警區間設定為全生命周期壽命后10%節點的上下20%。計算該區間內的所有數據MQE的平均值，取的80%作為預警區間的下限，取的120%作為預警區間的上限。

在測試集上測試模型的有效性。在測試數據中，取每組設備的正常狀態數據初始化SOM，然后將剩余被測數據與所有圖元中的權值矢量作比較，計算其MQE。若MQE在區間內，則表示設備處于故障預警狀態。

綜上，設備故障預警的具體流程如下：

（1）劃分訓練集和測試集，將訓練集和測試集中的每組數據劃分為正常數據和故障數據，無故障數據標簽設置為0，有故障數據標簽設置為1;

（2）利用訓練集的正常數據訓練SOM模型;

（3）計算訓練集數據中故障數據的MQE值;

（4）取故障預警數據MQE平均值的80%作為預警區間的下限，平均值的120%作為上限;

（5）利用測試集中正常數據初始化算法，計算每組數據剩余數據的MQE值，在區間內的為故障預警狀態，其他數據為非故障預警狀態;

（6）計算判斷準確率，評估模型的性能。

設備故障預警流程圖如圖3所示。

3? 實驗與討論

實驗使用2008年預測與健康管理大賽所提供的數據集，其中包含218組類型相同的航空發動機的全生命周期數據。每一組數據反映了1臺航空發動機從健康狀態、衰退狀態到故障（報廢）狀態的全過程。數據是多維的：第一維是設備代號;第二維是設備使用時長;第三維到第五維是對發動機有重大影響的操作設置;其他維度是傳感器采集到的參數，如溫度、壓力等，但參數對應的物理含義沒有明確解釋。

在實驗過程中，首先劃分訓練集與測試集：選擇前100個發動機全生命周期數據作為訓練集，后118個發動機全生命周期數據作為測試集;然后，歸一化訓練集中的傳感器采集參數，確定訓練集中發動機的最大使用時長為357個周期（每一個周期代表時長，競賽未詳細說明），假定此類航空發動機的額定使用時長是357個周期，不同的發動機由于出廠的差異和磨損程度的不同，剩余壽命也不同。根據發動機使用經驗確定最大使用時長的前60%使用周期為正常數據，用于模型訓練;確定最后10%使用周期作為預警節點，因為這段時間容易出現故障狀態，要及時提醒對設備進行維修或者更換，以有效降低發動機的意外維修次數。為了減小誤差，取10%節點上下限各20%求平均值，作為預警的時間節點區間。

接下來，計算所有訓練集中預警區間數據的平均MQE值（如圖4所示），其結果為2.64，將其乘以0.8得到預警數據的下限為2.11，乘以1.2得到預警數據的上限為3.16。

對SOM-MQE模型進行測試。同樣，先歸一化測試集中的傳感器采集參數;其次，將測試集中發動機最大使用時長的前60%使用周期作為正常數據訓練SOM模型;模型訓練完成后，使用測試集中每個發動機的剩余數據計算其與訓練好的SOM模型的MQE值。

以測試集中的某個發動機（稱為1號測試設備）為例，選擇此發動機的前60%周期數據作為正常數據，用于初始化SOM模型，剩余周期數據用于驗證。如圖5所示，深色曲線為此發動機剩余周期數據偏離SOM模型的MQE值?？梢钥闯?，隨著發動機運行時間的推移，MQE值不斷變大，即設備越偏離正常狀態，出現故障的風險越大。淺色水平線為根據訓練集訓練得到的故障預警閾值和，即當被測數據中MQE值在區間時，則認為設備處于故障預警狀態。計算所有測試集數據中被測數據的MQE值，根據和判斷設備狀態，并輸出預測結果，計算得到預警模型的準確率為74.81%，滿足在缺少明確故障標簽數據的條件下設備故障預警準確率不低于70%的工業界要求。

4? 結論與展望

本文介紹了一種基于SOM-MQE模型的設備故障預警方法。該方法的優勢在于，即使缺少明確的故障標簽，也能夠充分利用歷史數據中的海量健康數據和使用經驗構建基準模型，并基于觀測數據與正常狀態數據的偏差實時判定設備的健康狀態，快速有效地對設備進行故障預警，降低意外故障導致的設備維修次數，在工業界具有顯著的應用價值。

本文沒有將設備中所有傳感器采集的參數用作模型的輸入。未來可考慮進行有效特征的選擇和優化，簡化模型輸入，進一步提升算法的預測準確性。

參考文獻

[1] El-Thalji I， Jantunen E. A summary of fault modelling and predictive health monitoring of rolling element bearings [J]. Mechanical Systems & Signal Processing， 2015， 60/61（1）： 252-272.

[2] 王江萍， 孫文莉. 基于小波包能量譜齒輪振動信號的分析與故障診斷[J]. 機械傳動， 2011， 35（1）： 55-58.

[3] Thelaidjia T. A New approach of preprocessing with SVM optimization based on PSO for bearing fault diagnosis[C]// 13th International Conference on Hybrid Intelligent Systems （HIS）， 2013. IEEE， 2013.

[4] Moosavi S S， Djerdir A， Ait-Amirat Y， et al. ANN based fault diagnosis of permanent magnet synchronous motor under stator winding shorted turn [J]. Electric power systems research， 2015， 125（8）： 67-82.

[5] 李巍華， 史鐵林， 楊叔子. 基于核函數估計的轉子故障診斷方法[J]. 機械工程學報， 2006， 42（9）： 76-82.

[6] Zhao D， Wang T， Chu F. Deep convolutional neural network based planet bearing fault classification [J]. Computers in Industry， 2019， 107： 59-66.

[7] 柯赟， 宋恩哲， 姚崇， 等. 船舶柴油機故障預測與健康管理技術綜述[J]. 哈爾濱工程大學學報， 2020， 41（1）： 125-131.

[8] Kohonen T. The Self-organizing Maps [J]. Proceedings of the IEEE， 1990， 78（9）： 1464-1480.

[9] Xiao X， Dow E R， Eberhart R， et al. Gene clustering using self-organizing maps and particle swarm optimization[C]// Proceedings International Parallel and Distributed Processing Symposium. IEEE， 2003.

[10] 孫放， 胡光銳. SOM結合MLP的神經網絡語音識別系統[J]. 數據采集與處理， 1996， 11（2）： 119-122.

[11] 路輝， 劉雅嫻. 基于互相關分析和SOM神經網絡的異常值檢測平臺[J]. 計算機測量與控制， 2018， 26（5）： 52-55.

[12] 戴敏， 祝加雄， 賀元驊. 基于SOM算法和免疫神經網絡的飛機燃油系統故障診斷[J]. 計算機測量與控制， 2014， 22（11）： 3483-3486.