信息缺失时基于HMM的故障诊断方法

本资料包含pdf文件1个，下载需要1积分

第 12卷2013缸 第4朗8』]广州大学学报(自然科学版)Journal of Guangzhou University(Natural Science Edition)VO1．12 No．4Aug． 2013文章编号：1671—4229(2013)04-00644)6信息缺失时基于 HMM的故障诊断方法张春 良，岳 夏，朱厚耀，周 超，欧 彪(广州大学 机械与电气工程学院，广东 广州 510006)摘 要：在突发事件导致的事故中，状态监测与故障诊断系统的研究对象已经发生很大的变化，常规设计的状态监测与故障诊断系统往往很难满足要求．文章针对信息缺失提出了一种新的状态监测与故障诊断方法．该方法基于HMM模型的似然率计算过程，提 出在发生信息缺失时，对缺失信号依据各模型采用最大似然率填充的方式进行故障诊断，并通过实际数据的测试实验对该方法进行 了验证．验证结果表明，信号缺失时依据各模型采用最大似然率填充的方式进行故障诊断的方法是有效的.

关键词：故障诊断；HMM模型；信息缺失；最大似然率中图分类号：TH 172 文献标志码：A201 1年 3月 11日，日本宫城县以东太平洋海域发生里氏9．0级地震．地震与随后的海啸引起福岛第一核电站发生严重的核泄漏事故，再次将全世界 的目光聚集到核安全这一重大 问题 卜来 。。 ．福岛第一核电站核泄漏事故的发生虽然有其特殊性，比如地震与海啸的双重袭击、核电站设计缺陷、超期服役等，在核泄漏事故的处置中也反映出不少管理问题，比如政府与企业应对迟缓、排气引发爆炸等；但是也从技术层面上暴露了很多问题，突出的一点就是如何解决地震、海啸、恐怖袭击以及战争等重大突发事件时核电站的安全管理与应对．通过对福岛第一核电站核泄漏事件的分析可以发现，突发事件的发生可能很短暂，但是突发事件导致的事故仍然有一个发展过程．如果能够及时正确处置，就能大大降低事故的损失.

然而在突发事件导致的事故中，状态监测与故障诊断系统的研究对象已经发生很大的变化，不确定性因素已经难以回避，常规设计的状态监测与故障诊断系统往往很难满足要求．比如福岛第一核电站在地震与海啸袭击后，出现大范围设备损坏、供电失灵等严重情况，这些都是常规的状态监测与故障诊断系统没有考虑过的．虽然如此，此时大部分反应堆仍然是正常的；大部分工作人员也处于相对安令的环境，故障并不严重．然而在随后的一段时间内，核电站的情况出现了严重恶化．这说明重大突发事件后，如果仅仅依靠 12程人员的经验，不仅难以排除突发事件对人员心理的影响，导致判断错误 ，也会由于信息传递、分析、汇总、协商 、决策等损失宝贵的抢救时间．核电等关键设备迫切需要有一套可以利用残缺信息对设备状态做出及时与较为准确诊断的系统.

因此 ，本文基于 Hidden Markov Model(HMM)模型 的似然率计算过程，提出在发生信息缺失时，对缺失信号依据各模 采用最大似然率填充的方式进行故障诊断的方法，并通过实际数据的测试实验对该方法进行了验证.

1 信息缺失时的HMM诊断模型1．1 信息缺失假设HMM模型用于故障诊断通常分为两个过程，即模型的训练与未知特征的分类．模型的训练是通过学习已有故障样本来完成的．对于信息缺失时故障诊断而言，信息缺失通常是由于某些突发事件使得部分信息无法采集(或者发现信号严重失真)，而训练采用的故障样本并不会出现这种情况．因此，本文首先基于以下两种假设：(1)系统的训练样本不存在突发事件导致的收稿日期：2013—05—0l； 修回日期：2013—05—10基金项目：广东省 自然科学基金资助项日($2012010009505)作者简介：张春良(1964一)，男，教授，博士生导师，博十．E-mail：nhzcl###163．f~onl第4期 张春良等：信息缺失时基于HMM的故障诊断方法 65信息缺失；(2)突发事件导致的信息缺失仅占小部分，而其他信息未受影响.

其中假设的第二点可通过能有效提取的特征值数量加以近似衡量．从而信息缺失时 HMM模型诊断问题转变为部分特征值缺失对分类结果准确性的影响问题．而 HMM模型分类时常通过比较似然率大小进行分类，如图 1所示．因此，HMM的似然率计算方法就成为信息缺失时 HMM模型诊断的核心.

}数据采集 J 1
． ．． ．．． ．． ．．． ．． .

— — — — -】[ 特征提取(观测序列0)莫型N似然璋P(O／XN)计算比较似然率大小二]==输出似然率最大模型对图 1 HMM模型状态识别流程图Fig．1 Flow diagram of condition recognition based on HMM1．2 信息缺失时 HMM似然率计算信息缺失时HMM似然率计算：给定观测序列0={01，02，03，?，0 一1， ， m+l，?，0n—l， n，0 十1，?
，0 }和模型 A， ，?， 为 0中部分观测值缺失部分，如何计算观测变量序列 0在给定模型下的概率 P(O／a)问题.

HMM的似然率计算通常采用前 向 一后向算法或者 Viterbi算法 J．部分特征未知对于HMM模型而言就是部分观测值 未知，从而计算 中的观察值概率大小无法确定．因此需要对缺失的观测值进行合理取值．本文采用以下方法取值：未知观测值 取使当前给定模型似然率值P(O／A)最大的观测值.

即未知观测值是一个变动的值，它随着计算似然率时给定模型的变化而变化.

基于以上取值方法，本文对 Viterbi算法进行改进．以离散HMM模型为例，改进后的算法如下：(1)初始化6l( )=1T b (O1)，1≤i≤N (1)1(i)=0，1≤i≤Ⅳ (2)其中，Ⅳ为HMM模型状态数，b (O )为观测值 O对状态 i的观测概率.

(2)迭代6 ( )=(maxl Ⅳ6 一l( )a )×b (O ) (3)(J．)=arg max。 [6 ( )a ] (4)其中，2≤t≤T，1≤ ≤N，T为观测序列长度，0 为状态 i转移到状态 的状态转移概率；状态 时未知观测值 的观测概率按以下方式计算：b ( )=arg max1 M[b ] (5)(3)计算似然率P =maxl≤ ≤Ⅳ6 (i) (6)(4)最佳状态序列Qr=max1≤ ≤Ⅳ6r(i) (7)Q = ? (Q川 ) (8)其中1≤t≤T一1.

从以上计算公式可见，采用 Viterbi算法进行似然率计算时，由于只需要考虑最优观测序列的概率大小，因此未知观测值 的观测概率只需取最大值即可．如果采用前向一后向算法，由于似然率计算中需要求和，无法直接应用式(5).

而信息缺失时连续 HMM模型的似然率计算也与离散时的相似，即采用 Viterbi算法计算似然率，同时未知信号取最大观测概率.

1．3 信息缺失时的HMM模型分类方法本文信息缺失时HMM模型的分类方法与经典的HMM分类算法相同，同样通过比较各模型似然率大小确定最终的故障类型.

2 仿真实验验证仿真试验在旋转机械故障诊断实验台上完成．为了模拟部分信息缺失的情况，在对实验装置采集到的故障信号进行特征提取后，通过人为屏蔽部分特征值的方法进行部分信号缺失的仿真实验．实验装置主要由ZLH600—2泵及其回路组成，分别对承磨环磨损、叶轮偏心、轴偏心以及轴承偏心故障进行了模拟．诊断采用的特征值列表，见表l和表2.

广州大学学报(自然科学版) 第 12卷表 1 诊 断 采用 的特征 向量Table 1 Feature vectors of the fault diagnosis特征1 特征2 特征3 特征4 特征5频率1峰值 频率1偏移 频率2峰值 频率2偏移 频率3峰值特征6 特征7 特征8 特征9 特征 1O频率3偏移 频率4峰值 频率4偏移 频率5峰值 频率5偏移表 2 频率 参数Table 2 Frequency of feature extraction由于连续 HMM模型识别准确性更好，本文采用连续 HMM模犁对信息缺失的特征进行识别．信息未缺失时的HMM识别结果见图2，此时 1 482次识别的平均识别准确率为94．3％．特征值少量缺失时的识别效果见图3～4.

从图3、图4可以看出，特征值少量缺失时诊断结果仪略有降低．从多次特征值缺失验证实验结果来看，缺少 1～3位特征值时，本文模型的平均以别率仪下降 1％ ～4％，诊断效果良好.

大量特征值缺失时的识别效果见图5.

从图 5可以看出，当大量特征值 (2／3特征值)缺失时，虽然总体识别率依然能达到63．6％，但1I 常状态几乎完全无法识别，轴承偏心故障识别准确率也急剧降低，而承磨环磨损故障与轴偏心故障的诊断准确率依然很高(>95％)．此时系统输出的诊断结果仅部分有用，需要结合信号缺失情况予以进一 步分析，如能恢复部分检测信号则rl『以保证较高的识别率.

3 结 论突发事件导致部分信号缺失目前缺少针对性的故障诊断方法．本文提出的基于 HMM的突发事件信 号缺失时的故障诊断模型，通过对缺失特征进行最大似然率填充，能够有效应对部分信号缺失时的应急诊断问题。诊断系统具备以下特点：(1)当故障特征缺失较少时，故障识别的准确率仅略有降低.

— e一正常 廿 承磨环磨损 十 叶轮偏心 轴偏心 轴艰偏 己0 5 l0 l 5 20 25 3O 35 4 45 50(a)正常状态5 1 0 1 5 2 25 30 35 4【) 45 5(b)承嘹环噻损 5 1O 1 5 20 25 30 35 40 45 1(c)l r轮偏心(c)轴承偏心图2 信息木缺失时 HMM模型部分识别结果Fig．2 HMM model partial recognition results when informa—tion is not missing“ r二“第4期 张春良等：信息缺失时基于 HMM的故障诊断方法 67． 10． 15． 2025十 正常 ．昌_承磨环磨损 ——★ 叶转偏心 串 轴偏心 — 轴承僻o 5 1o 15 20 25 3O 35 40 45 5o(a)正常状态o 5 1o 15 ∞ 25 30 35 40 45 50(b)承磨环磨损o 5 1o 15 20 25 30 35 40 45 50(c)叶轮偏心(d)轴偏心0 5 10 15 20 25 30 35 40 45 50(e)轴承偏心图 3 特征值4缺失时改进 HMM模型的识别结果Fig．3 The improved HMM model partial recognition resultswhen feature 4 is missing． 10． 12． 14． 16— 18．2022．24+ 正常十 承磨环蘑抽 ——卜 叶轮偏心 + 轴偏心 十 轴承偏.

0 5 10 l5 2O 25 30 35 40 45 50(a)正常状态． 10． 12． 14一 l6． 18． 20(b)承磨环磨损0 5 10 15 20 25 3O 35 40 45 50(c)叶轮偏心O 5 10 15 20 25 30 35 40 45 5O(d)轴偏心邶m 凇舶郴 号；O 2 4 6 8 O 2 4 邶
广州大学学报(自然科学版) 第 12卷十 正常——日一承磨环磨损 —— 一叶轮偏心 十 轴偏心 —卜 轴承偏心0 5 l0 1 5 20 25 30 35 40 45 50(a汪 常状态— 。_一正常-日-承磨环磨损 — 叶转偏心 一 轴偏心 —巾一轴承偏心0 5 1 0 1 5 20 25 30 35 40 45 50(b1承磨环磨损．- S-E常 —-日一罐磨环磨损 + 叶轮偏一tl,鄙 一轴嫡心 十 轴承偏心_e—if_常 -D-承磨环磨损 十 叶轮偏心 一* 轴偏心 —争一轴承偏一LS 10 1 S ：0 25(c1)~；lt偏心— e-一正常 廿 承磨环艚拯 — 叶轮偏心 轴偏 心 叫卜 轴 承偏t】l】 1 S 2O 25【e)轴承偏心0 S 10 1 5 2 25 30 35 40 45 50㈦ 叶轮偏心图5 特征值 2，3，10，11，6，7，8，12，13，14缺失时改进 HMM模型识别效果Fig．5 The improved HMM model partial recognition results when features 2，3，10，11，6，7，8，l2，13，14 are missing(2)当故障特征大量缺失时，部分故障特征识别准确率会急剧降低；此时需要结合具体的缺失信息，评价诊断结果的可靠性 ，并积极恢复被损监测系统.

(3)该方法特别适合采用大量冗余特征的故障诊断系统.

参考文献：[1] 石先钰 ，白森文．从 日本福岛事件看核电站危机应对机制的建构[J]．科学学研究，2012，30(3)：344—348.

SHI X Y．BAI S W ．The studv about construction of the nuclear power station crisis response mechanism from the Fislandcrisis[J]．Stud Sei Sci，2012，30(3)：344—348.

『2] VISSCHERS V H M，SIEGRIST M．How a nuclear power plant accident influences acceptance of nuclear power：Results ota longitudinal studv before and after the Fukushima disaster[J]．Risk Analy，2013，33(2)：333—347.

f3] 冯长建．HMM动态模式识别理论、方法以及在旋转机械故障诊断中的应用[D]．杭州：~ TJV~，2002.

FENG C J．HMM dynamical patern recognition theories，methods and applications in faults diagnosis of rotating machine[D]．Hangzhou：Zhejiang University，2002.

f 4] KANKAR P K，SHARMA S C HARSHA S P．Fault diagnosis of bal beatings using machine learning methods[J Jl ExpSyst Appl，2011，38(3)：1876—1886.

f 5] UU C L．HSAIO W H，LEE C H，et a1．An HMM—Based algorithm for content ranking and coherenee—featu e ex ac nf J1．Syst，Man，Cybern：Syst，IEEE Trans，2013，43(2)：440—450·撂 ¨ l苎培 H ∞Ⅲ l二 二三9 0 2 3 4 5 6 7 8 9 m 坨 H ∞第4期 张春良等：信息缺失时基于 HMM的故障诊断方法[6][7][8][9]YUM J，KIM T H，KANNATEY—ASIBU Jr E．A two—step feature selection method for monitoring tool wear and its applica—tion to the coroning process[J]．Intern J Advan ManufTech，2013，64(9／12)：1355—1364.

HAGENAUER J，HOEHER P．A Viterbi algorithm with soft—decision outputs and its applications[C]／Global Telecommu—nications Conference，1989，and Exhibition． Communications Technology for the 1990s and Beyond．GLOBECOM’89．，IEEE．IEEE，1989：1680—1686.

VAN B L，GARCIA—SALICETFI S，DORIZZI B．On using the Viterbi path along with HMM likelihood information for on—line signature verification[J]．Syst，Man，Cybern，Part B：Cybern，IEEE Trans，2007，37(5)：1237—1247.

茹伟 ，高晓光，张博．基于维特比算法的无人机航路规划[J]．火力与指挥控制，2011，36(6)：42—45.

RU W，GAO X G，ZHANG B．The route planning based on Viterbi algorithm for UAV[J]．Fire Contr Command Contr，2011，36(6)：42—45.

HM M —based fault diagnosis method to emergenciesresulting from information omissionZHANG Chun—liang，YUE Xia，ZHU Hou—yao，ZHOU Chao，OU Biao(School of Mechanical and Electrical Engineering，Guangzhou University，Guangzhou 510006，China)Abstract：In emergencies caused by accident，the diagnostic object of fault diagnosis system has undergonegreat changes．The conventional designed fault diagnosis systems are dificult to accurately diagnose．Therefore，a novel fault diagnosis method to emergencies resulting from information omission was presented in this paper.

This method is based on HMM likelihood calculation process，in which the missing information is complementedwith maximum likelihood padding，and was validated by experimental testing of actual data．Verification resultsindicate that this method can effectively solve the fauh diagnosis problems when information iS missing.

Key words：fault diagnosis；HMM model；information omission；maximum likelihood【责任编辑：陈 钢】