论提高装备故障预测准确度的方法途径

赵玉龙　王昌荣　蒋有才

摘要： 提高故障预测准确度的方法有很多，研究先进的智能预测算法就是其中的一种。大量的先进预测算法都得到了广泛的应用，如专家系统、神经网络、支持向量机等。每种智能预测算法都有各自的优点和不足，首先介绍了常见的智能预测算法及其应用；然后重点介绍了支持向量机，主要包括其基本原理和主要问题；最后对支持向量机算法的改进方向进行了探讨。支持向量机作为智能预测算法的一种，对于提高故障预测准确度有很好的应用前景。

Abstract： There are many methods to improve the accurate degree of fault prediction， and the advanced intelligent prediction algorithm is one of them. A large number of advanced prediction algorithms have been widely used， such as expert systems， neural networks， support vector machines and so on. Each kind of intelligent prediction algorithm has its own advantages and disadvantages. The common intelligent prediction algorithm and its application are introduced in this paper. Then the support vector machine is introduced， mainly including its basic principles and main problems. Finally， the improvement direction of the support vector machine algorithm is discussed. As a kind of intelligent prediction algorithm， support vector machine has a good application prospect for improving the accuracy of fault prediction.

关键词： 故障预测；准确度；智能预测算法；支持向量机

Key words： fault prediction；accurate degree；intelligence prediction algorithm；support vector machine

中图分类号：TP206+.3 文献标识码：A 文章编号：1006-4311（2016）32-0159-03

0 引言

从功能定位情况来看，相比于故障诊断，故障预测这种维修保障形式更加高级，属于新兴边缘学科的范畴，其综合性较强，覆盖了通信、材料、机械、控制、计算机、电子等多个领域[1]。

主要强调预见性的故障诊断，其目的在于预先消除故障，进而实现维护费用以及工作量的全面降低。在这一背景下，故障预测技术的首要发展问题，便是怎样提升故障预测准确度。

提高故障预测准确的方法有很多，从故障预测整个流程来说，就可以从数据的准确度、数据的预处理、故障特征提取方法的改进以及智能预测算法的选择这四个方面来进行提高。提高数据准确度方面，研究一些新型灵巧、健壮的传感器以及寻求高信噪比的数据监测手段都能够对数据的准确度有很大的提高。数据的预处理方面，改进现有的降噪方法以及寻求新的降噪方法都是很多学者的研究内容，这对于提高预测的准确度也有不可忽视的作用。特征提取方面，寻找到能够表征设备性能退化的特征也是现在研究的热点。

预测方法方面，一些先进的智能预测算法相继被提出，并且相应的改进方法也得到了广泛的应用，最新的一些组合预测算法也再相关的文献中被应用。

四个方面中每一个方面的进步都会对故障预测准确度的提高有重要的作用。本文主要从第四个方面即智能预测算法方面进行分析和研究。介绍了一些常见的智能预测算法及其应用情况，并重点介绍了比较有前景的支持向量机算法的一些基本问题和改进的方向。

1 常见的智能预测算法及其应用

1.1 专家系统及其应用

在很难建立数学模型或是无精确数学模型的复杂系统中，专家系统的作用能够充分发挥出来，其优势在非线性领域表现的尤为突出。李茂林[2]、张晶[3]等将研究目光着眼于某自行火炮的电气系统的失效模式以及故障机理方面，在对其展开了细致而又全面的分析的基础之上，充分发挥混合推理机制的作用，系统地分析了推理机的实现问题，进而致力于电气系统故障综合诊断专家系统的开发。结果显示，此系统在提升电气系统的保障能力方面的作用是极为突出的，能够为保障人员提供专业化的决策参考。必须要关注的一点为，专家系统地开发依赖于大量的原始积累，且其开发周期较长，现阶段尚不具备一个统一的规范来指导专家系统的开发，因此出现偏差的概率也相对较大。

综合来看，尽管专家系统的应用相对较早，但是已有的研究成果比较少，因此新的智能预测算法逐步发展起来，有望取而代之。

1.2 神经网络及其应用

从实现方式来看，如下两种方式可以实现预测故障神经网络预测功能：首先是对输入输出之间的动态关系加以考量，充分发挥带馈连接动态神经网络的作用，完成动态模型的建立，进而发挥其预测功能；其次为将神经网络作为函数逼近器，采用拟合预测的方式来评估设备工况情况。从神经网络的特点来看，其非线性映射能力较为突出，因此可以逼近所有的非线性函数。Nawaz[4]等将研究对象定为半导体蚀刻设备，充分发挥递归神经网络的作用，实现了预测准确度的全面提升，准确度高达百分之九十左右。郭涛[5]等将研究对象定为某鱼雷保障设备，充分发挥RBF的作用，完成了网络预测模型的建立，进而实现了预测准确度的全面提升。

从客观上来讲，神经网络的缺陷也是显而易见的，较为突出的几项缺点为：训练样本的需求量相对较大、容易限于局部最小点、对于经验因素的依赖性较强、易于出现过学习情况。针对神经网络的上述缺点，一些相关的改进改进方法也得到了应用。程进军[6]等利用遗传算法（GA）多神经网络的相关参数进行寻优，建立了GA和NN的预测模型，仿真结果表明该模型的预测精度较高；范爱锋等提出了指数衰减神经网络模型，确定了衰减系数取0.75～0.9为宜，并以某型雷达磁控管为例进行故障预测，取得了较高的预测精度。

1.3 支持向量机及其应用

从定义上来讲，支持向量机（SVM）应该被归于机器学习算法的范畴，这一算法是在统计学理论的基础之上发展而来的，其优点在于：对于样本量的要求较低，具备较强的小样本学习能力；学习能力较强、泛化能力较强。随着现代科技的不断发展，设备的复杂性也逐渐增强，因此小样本学习能力较强的设备的优越性便得以凸显，在这一背景下，支持向量机的作用便得到了充分发挥。

支持向量机在近些年来呈现出较快的发展状态。田干[7]等将研究目光着眼于液体火箭发动机参数预测领域，着重强调与对最小二乘支持向量机以及支持向量机的利用，实现了预测精度的全面提升。在此基础上展开了横向的对比，肯定了支持向量机的优势所在。从客观上来讲，尽管支持向量机的测量精度较高，但是最小二乘支持向量机却在训练时间上表现了一定的优势。Benkedjouh[8]等将研究对象定为轴承的剩余寿命预测问题，有效利用了支持向量回归机的作用，依次完成线上步骤以及线下步骤，在训练支持回归模型的基础之上科学的预测轴承的剩余寿命，得到了较为准确的预测结果。

2 支持向量机预测算法基本问题及改进方向

2.1 支持向量机的基本原理[9]

设给定训练集回归问题就是依据给定的训练数据寻找一个实值函数y=f（x）来拟合 y 与x 的依赖关系。对于线性回归，用线性回归函数：y=f（x）=（？棕·x）+b来拟合数据；对于非线性情况，支持向量回归机的基本思想是通过一个非线性映射：nΦ R → H将样本点映射到高维特征空间 H ，并在高维特征空间进行线性回归，从而得到原空间的非线性回归估计。此时回归估计函数为：y=f （x）=（？棕·？鬃（x））+b。通过解最优化问题可以得到权值向量 w 和偏置 b ，从而得到回归函数。

2.2 支持向量机预测的主要问题

核函数、惩罚参数C、核参数的选取是影响支持向量机使用性能的三项主要因素[10]。一般情况下，拟合程度与C呈现出正比关系，C越大，代表学习机器的复杂性越高，在这种情况下，“过学习”现象便更容易发生。但是若学习机器的复杂度过低的话，还会导致“欠学习”的情况。C取值对于SVM性能的影响将在高于一定的阈值之后失效。高斯核函数、多项式核函数、RBF核函数以及线性核函数是几类典型的SVM的核函数。核参数以及核函数的选取是成功构建SVM模型的首要问题。SVM模型的性能会受到C以及核函数参数的重要影响，但是支持向量的个数却不会发生太大的变动。举一个典型的例子，模型的分类精度将会受到RBF核函数的参数Gamma的取值问题的严重影响，从这一点来看，惩罚因子C以及核参数Gamma的选取是影响RBF核的SVM模型分类精度的重要参数。

明确了上述基本信息之后，重点来看已有的模型参数选取方法。从现阶段形势来看，应用性较强的几类模型参数选取方法为：网络搜索法、粒子群算法优化（PSO）、穷举法、遗传算法优化、交叉验证法、楼梯下降法等[10]。综合来看，操作较为简便的两种算法为较差验证法以及穷举法，不过其缺陷在于效果较差、速度较慢、计算量比较大等。具备速度优势的方法为楼梯下降法，但是其陷入局部最优的概率较高，而网格算法的计算量却非常大。粒子群算法的缺点在于不容易收敛，易于陷入局部最优。遗传算法的缺点在于操作较为复杂，但是其不会涉及到局部最优的问题。

2.3 支持向量机预测方法的改进

在前文中，重点阐释了支持向量机预测精度的问题所在，在本节中，主要就其改进策略加以讨论。从当前来看，主要有如下改进思路，分别为：立足于现有模型参数选择方法的缺陷所在，进行科学的组合；改进现有模型参数选择方法；积极探索通用化较好的标准化的模型参数确定方法。

想要全面提升模型的预测准确度，必须要逐步改进现有模型参数选择方法的缺陷。从客观上来讲，受限于参数选择范围的问题，最有参数的确定需要耗费巨大的时间成本，其可行性相对较低。针对这一情况，田海雷[11]等探索出了基于改进人工鱼群算法（AFSA）的支持向量机（SVM）预测算法。其思路在于通过改进AFSA来实现SVM参数的全面优化。与此同时，发挥遗传算法（GA）、粒子群优化（PSO）算法、AAFSA.AFSA.优势，充分依照股票上证指数，全面优化SVM回归模型的参数C和G。在此基础上完成SVM回归预测模型构建，展开了全面的数据预测活动。具体结果参见表1。

结果显示，经过改进后，实现了预测精度的全面提升，具备了高于粒子群优化算法、遗传算法、基本AFSA优化的支持向量机的预测精度。李文元[12]等的研究提升了人为参数选择的效率，主要依靠PSO算法优化LS-SVM的参数来实现，成功的结合了最小而成支持向量机算法以及粒子群算法的优势。从具体应用情况来看，其可行性与有效性相对较高，在运算速度以及预测精度方面的突破是值得肯定的。

从客观上来评判，组合模型参数选择方法是实现模型预测准确度提升的捷径所在。王久崇[13]等致力于基于最小二乘支持向量机故障预测准确度的全面提升，充分发挥AFS-ABC算法的作用，实现了LS-SVM的参数C和σ的组合优化，探索出了在蜂群算法中的新应用，其LS-SVM模型的训练集来自于某航空电子系统电源模块记录，实现了优势互补的作用，在此基础上完成了状态预测仿真，将MATLAB的LS-SVM工具箱的作用发挥的淋漓尽致。将基准定为真实值0.07779，进而得到预测值标准差的偏离值：“PSO预测值”为0.00031，“AFS-ABC预测值”为0.00008，“GA预测值”为0.00141。由此可见，寻优结果精度、局部极值、LS-SVM的预测精度等问题的解决方面，AFS-ABC算法的作用得到了凸显。

从上述分析来看，预测结果会受到核函数选取情况的影响，在这一背景下，需要面向实际需求来进行新的核函数的构建。从现阶段研究情况来看，鲜少有涉及利用新核函数的建立以及核函数的组合来提升设备故障预测效果的研究，不过故障诊断应用情况却相对较好。我们必须要关注故障诊断到故障预测的连续性特征，在此基础上就故障预测领域的突破做出积极的努力。

一套通用性比较好的标准化的模型参数确定方法如果得以确定，那对于提高支持向量机预测的准确度肯定会有质的飞跃。目前，很多学者已经投入到这方面的研究中，虽然目前研究成果还不丰富，但在不久的将来，相关的研究成果肯定会出现，并会对预测准确度的提高起到很好的推动作用。

3 结束语

在本研究中，就常见的智能预测算法及其应用问题展开了系统的阐释，立足于预测算法领域现存的主要问题，进行了方向性较强的策略探讨。围绕着支持向量机预测算法的问题展开了系统的说明，并阐明其优势所在，着重进行了理论分析与应用拓展，致力于设备预测准确度的全面提升。综合而言，支持向量机的未来发展形势一片大好。

参考文献：

[1]Liu C S，Hu S S，Intelligent Nonlinear Fault Diagnosis based on State Estimator[J].Control and Decision，2005，20（5）：557-561.

[2]李茂林，石志勇，董志鹏，等.某型自行火炮电气故障诊断专家系统的设计与实现[J].兵工自动化，2009，28（11）：12-14.

[3]张晶.某型自行火炮综合电气系统故障诊断专家系统[J].兵工自动化，2010，29（3）：58-59.

[4]J.M.Nawaz， M.Z.Arshad， S.J.Hong. Time series fault prediction in semiconductor equipment using recurrent neural network[J].Springer-Verlag Bering Heideberg 2013.

[5]郭涛，黄波.基于神经网络的某鱼雷保障设备故障预测方法[J].兵工自动化，2013，32（5）：85-90.

[6]程进军，夏智勋，胡雷刚.基于遗传神经网络的航空装备故障预测[J].空军工程大学学报（自然科学版），2011，12（1）：15-19.

[7]田干，张炜，杨正伟，等.SVM方法在火箭发动机故障预测中的应用[J].机械科学与技术，2010，29（1）：63-67.

[8]T. Benkedjouh， K.Medjaher， N.Zerhouni， S.Rechak. Remaining useful life estimation based on nonlinear feature reduction and support vector regression[J]. Engineering Applications of Artificial Intelligence 26 （2013）：1751-1760.

[9]薛辉辉，肖明清，段军峰，等.基于杂合支持向量回归机的电子装备故障预测[J].计算机工程，2012，38（8）：283-286.

[10]付阳，李昆仑，等.支持向量机模型参数选择方法综述[J].电能知识及技术，2010，28（6）：8025，8081-8082.

[11]田海雷，李洪儒，许葆华.基于改进人工鱼群算法的支持向量机预测[J].计算机工程，2013，39（4）：222-225.

[12]李文元，闫海华，姚宏杰，等.粒子群优化的最小二乘支持向量机在通信装备故障预测中的应用[J].微电子与计算机，2013，30（2）：99-102.

[13]王久崇，樊晓光，盛晟，等.改进的蜂群LS-SVM故障预测[J].空军工程大学学报（自然科学版），2013，14（1）：16-19.