基于SC-BP 的设备故障预警研究

王 彪，贾彦斌，李荧兴，闫 琦，薛红平

（北方自动控制技术研究所，太原 030006）

0 引言

随着装备信息化的不断深入，电子设备应用在作战过程中越来越普遍，其所扮演的角色也越来越重要。但作战过程中设备发生故障，会直接影响到战局的走向。所以需要对设备进行故障预警，提前将故障消除，实现设备的主动性维护管理。从R.B Dhumale 等研究成果可以看出，使用人工神经网络可以实现设备的故障预警，此预警方法可以分析多故障参数，在设备故障形成早期发现征兆，基于此，将神经网络应用到设备故障预警方面就能够通过快速构建设备运行状态模型，对比实际值与预测值的差别，从而分析设备故障信息。

例如系统运维人员如能对电气设备隐患提前预判并及时处理，可大大减少设备故障发生率，提高系统的安全稳定性能。近年来在信息通信新技术的推动下，利用智能化手段对电气设备的运行状态进行实时监视与动态分析，从而实现对设备存在的隐患主动式的事前预警成为了新的课题。近年国内外学者对故障诊断和预警做了大量的研究，文献［2］基于时序关系和空间资源等组合因素，进行了电力通信网故障分析研究，文献［3］结合故障树理论和故障溯源分析，对智能变电站故障诊断进行分析研究，文献［4］介绍了数据挖掘算法在故障诊断中的应用，文献［6］对电力通信故障预警及防御进行了研究和应用。

神经网络这种具有高度非线性和很强自适应学习能力的新方法，为网络性能预警技术带来了新思路。但神经网络方法也存在着全局搜索能力差、收敛速度慢等缺点，容易使得最终结果陷入局部极值。因此，单纯使用神经网络的效果不一定是最优的。本文提出基于标准化电流优化BP 神经网络预测模型（SC-BP）设备故障预警方法。引入标准化电流，结合拟合模型算法，构建相关系数矩阵等，完成设备故障预警。并对故障征兆进行属性约简，可以较大幅度地减少输入神经元个数，从而优化算法结构，提高设备故障预警诊断的效率及可读性。

1 总体架构

设备故障预警模型可分为两部分，如图1 所示，第1 部分是预警模型，另一部分是拟合模型。第1 部分需要采集数据并进行特征提取，读取当前的工况信息，选取设备正常模式下的历史数据训练模型，使之能更好地对设备进行预测。第2 部分则是将数据进行标准化处理后进行拟合对比，并与模型结果进行比较和逻辑判断，从而准确发现位于常规的报警系统界限内的设备异常，便于及时制定和执行设备管理决策。设备预警的结果反馈到数据诊断库中又可不断积累故障知识，提高预见性分析和诊断的效率。

图1 预警模型原理图Fig.1 Schematic diagram of a prediction model

2 故障预测模型

2.1 火炮设备预警分析与建模

设备故障预警基于预测模型与拟合检测算法来检测异常状态，并能够根据故障报警状态结合设备的原理及控制特点进一步分析和判断，准确查明故障原因，合理正确地排除故障［1］。

2.2 建立SC-BP 神经网络预测模型

建立预测模型，具体构建流程如图2 所示。为确定神经网络预测模型的最佳参数，研究通过多次连续实验，将模型参数设置如下：

图2 预测模型构建流程Fig.2 Building process of prediction model

输入层节点数4 个，即系统电压、方位电流、温度、气压4 个参数；隐藏层层数2 层，节点数8 个；输出层节点数1 个，即标准化电流；激活函数为Re-LU 函数；损失函数为均方误差（mean-squared error）损失函数。

2.3 SC-BP 神经网络预测模型分析

下页图3 为SC-BP 神经网络预测模型的典型结构。从图3 可以看出，网络模型主要包括接受输入信号的输入层、不直接与输入层和输出层发生联系的隐藏层或中间层以及输出信号的输出层。从输入层到隐藏层是固定的非线性转换，输入信息被直接映射到新的空间，而隐藏层到输出层之间为线性的，输出层在新的线性空间中完成加权组合线性计算，权是可调参数。对于不同工况条件，输入层需要控制参数。本文主要考虑系统电压、方位电流、温度、气压；而输出层需要考虑目标变量，主要考虑标准化电流。

图3 SC-BP 神经网络预测模型Fig.3 SC-BP network prediction model

模型的基本结构确定后，利用输入及输出数据进行自我训练，以确定输入变量和输出变量之间的映射关系；随之该预测模型也确定。

3 拟合模型

3.1 算法原理

火炮系统设备正常运行状态的历史数据，通过系统内部相关性分析，建立相关参数间的非线性模型，进而得到状态估计结果［5］。该方法是基于对火炮设备健康状态监测、火炮设备出现异常情况告警等方面所构建的算法。算法基本原理如下：

假设某型号火炮设备单体正常工作的“相关变量集”中电流值共有P 个关联的变量值，将某一时间i 内观测的N 个变量值记为N 个观测向量，即在该过程或火炮设备正常工作的时段内，不同工况下运行采集到m 个观测电流值，即n 种不同工况下产生m 个不同的电流值，可以形成n×m 电流值工况矩阵D，即：

这n 种不同工况下所产生的的电流值经过均值运算可得到对应工况状态下的电流均值，即期望电流值，记为EX，这些期望电流值可构成n×m 电流期望矩阵，记为矩阵D1，即：

因此，可以计算出各工况状态下电流值的离均差矩阵，记为矩阵A，即：

那么就可以得到在n 种不同工况下m 个电流值对应的方差矩阵，记为N，即

同理也可计算出标准化电流的方差，记为Q，即

由式（6）即可综合计算出不同工况下的电流值与对应的标准化电流值的相关系数矩阵，记为矩阵r，即

该算法能够将不同工况下电流数据进行解析，通过最终计算相关系数大小来度量不同工况之间相关关系强度，进而得到数据拟合优度［6］。

3.2 数据采集

采集模块对数据的采集周期为12 ms，模块采集的内部数据信息包括基础（电流、电压、温度、气压）数据以及系统运行参数数据两种类型，前者由火炮配电设备、数据库以及中间设备单体的实时与历史数据构成；后者则主要包括火炮设备运行状态监控与故障系统各主要页面的响应数据以及响应时长等指标。

针对实时产生的数据，使用DataAcqEqu 软件对实时数据进行采集，此软件可将最新数据发送至软件后台执行实时处理操作，快速生成分析结果；针对历史数据，使用Origin 软件对其进行分析，用MATLAB 对历史数据流进行逐条读取，并将其作进一步的分析处理。

3.3 标准化处理

将采集的数据信息输入到事先训练好的SC-BP 预测模型中，经模型会输出标准化电流值，多组（电流、电压、温度、气压）数据会生成多组标准化电流值，将采集到的数据归一化到标准化条件下，为下一步的分析判断提供了数据支撑，该标准化的目的是为了整合大量的数据，以较少的数据指标来替代多个指标对评估问题进行分析，这给综合评价的开展带来了很大的方便。

根据3.1 的拟合算法相关系数计算公式，可以求得火炮设备标准化数据矩阵的相关系数矩阵，记为r，即：

式中，rij是第i 个指标与第j 个指标之间的相关系数，其计算公式为：

3.4 指标评价

拟合优度评价是用于检验总体中的一类数据其分布是否与某种理论分布相一致的统计方法［8］。对于拟合模型，拟合优度的评价指标主要有相关系数，两者相关系数越趋于1，表明两者拟合的拟合优度越好，拟合优度是指实测值在拟合曲线周围的离散程度，离散程度越小，表明拟合效果越好，反之亦然，拟合优度的衡量指标如表1 所示，该指标中的系数范围是通过对火炮不同工况下同一过程运行数据进行相关系数运算，归纳总结得出的。

表1 状态反馈参考表Table 1 Status feedback reference table

4 算例分析

为检验上述算法的可行性，本文以实地采集的系统设备运行数据的系统电压、方位电流、温度、气压为输入源，经SC-BP 模型输出标准化电流值，其中无故障运行标准化电流值数据5 组、存在故障的标准化电流值数据1 组，故障主要表征为设备电流值突变等损伤。遵循上述故障预警流程进行异常检测，经SC-BP 模型所得无故障、有故障输出的标准化电流值曲线结果如图4 所示，图4 是将同一运行过程在不同工况下的标准化电流值用matlab 作出的电流值变化曲线图。

图4 不同工况标准化电流幅值变化曲线Fig.4 Standardized current amplitude variation curve at different operating conditions

将不同工况下的电流值（N1、N2、N3、N4、E1、T1）数据进行统一的标准化数据处理，然后将每组标准化后的数据输入拟合模型算法，用式（9）即可求得任意两组标准化电流值之间的相关系数，结果如下页表2 所示。本文同一工况条件下的标准化电流拟合函数曲线周围的离散程度基本一致，不同工况条件下拟合函数曲线周围的离散程度存在差异，即不同工况条件下的数据存在差异性［9］。N1，N2，N3，N4是同一工况条件下火炮设备正常工作的4 种参数，经SC-BP 模型输出的标准化电流值变化幅值曲线，从表2 中可查询出正常工况下的标准化电流拟合优度分别为：0.862 3、0.776 6、0.716 6，由此可知该工况条件下，设备运行状态稳定，符合健康标准；E1为在不同于N1、N2、N3、N4的工况下火炮设备正常工作所产生的标准化电流幅值曲线，查询可知，该工况与正常工况下标准化电流拟合优度分别为0.676 6、0.676 0、0.693 9、0.559 9，偏离正常工况下的拟合优度，表明该运行状态需要引起注意；T1表示在火炮设备运行中出现方位卡死故障时所产生的标准化电流幅值的变化曲线，该工况的标准化电流值曲线与正常工况下标准化电流值的拟合优度分别为：0.175 3、0.174 5、0.161 8、0.122 9，偏离正常工况下的拟合优度过大，表明已经影响设备的正常运行或发展成严重状态。

表2相关系数矩阵表Table 2 Matrix of correlation coefficients

5 结论

影响火炮设备运行的不确定性，使得火炮设备故障预警评估成为一个难点［10］，同时由于火炮设备结构组成的复杂性，火炮设备发生故障所产生的严重后果无法想象，因此，急需一种能够科学评估火炮设备故障预警的模型方法。将神经网络与拟合算法相结合引入，既充分考虑了评估中的模糊性和随机性，使评估结果更科学，同时还能得到定性和定量的评估结果，分析不同工况下火炮设备运行数据的共性特征，弱化原始数据分布差异对特征的影响，及时发现火炮设备故障发生早期的微弱征兆，实现大幅度的提前预警［11］。通过拟合模型算法的评估验证，不仅得到了该火炮设备运行时的拟合值，而且能够为火炮设备的下一步改进特征参数提供了一个可靠的基础。