基于多元时间序列分析的控制系统执行器故障诊断方法研究

张文广，贺东旭，吴凯利，蔺 媛

（1.华北电力大学 控制与计算机工程学院，北京102206；2.上海新华控制技术集团科技有限公司，上海270062；3.华北电力大学 新能源学院，北京102206）

随着工业生产自动化与智能化不断发展，系统复杂程度和精密程度日益增加，发生故障的可能性也随之增大[1]。执行器作为工业生产指令的执行终端和控制系统中唯一的运动元件，若出现故障未被及时处理，将会严重影响控制系统的工作性能[2-3]。

国内外学者围绕基于数据驱动的故障诊断方法进行了大量研究[4-6]。执行器前后通常分布有压力、流量、温度等传感器，从中选取关键信号用于诊断，能够降低诊断难度，提高诊断方法的实用性。通过构造某种指标的滤波器并与系统真实输出比较得到残差，对残差进行评价以得到故障检测结果，是故障诊断常用的手段[7-9]。然而，体现执行器故障的多种信号具有时序性和关联性，单一信号通常不足以体现全部故障信息，尤其是在线诊断过程，需要综合考虑多种时序信号的相关性、故障诊断准确率以及算法复杂度，现有研究存在不足。

本文提出一种基于多元时间序列分析的控制系统执行器在线故障诊断方法。分析执行器故障机理，确定了表征执行器故障的关键信号；采用执行器历史数据，建立了时间卷积网络（TCN）在线预测模型，对多通道信号进行在线预测；通过LSTM 网络对残差信号建立了故障分类模型；最后以半物理试验平台中的电液执行器为例进行了试验验证。

1 执行器多通道信号在线预测模型

执行器故障通常在多种信号中有所体现，从中选取关键信号并提取有效故障信息，是保障故障诊断准确率的前提。为对控制系统执行器进行故障诊断研究，本节进行了故障机理分析，选取3 种关键信号作为故障诊断的依据；基于时间卷积网络对执行器多通道信号进行在线预测。

1.1 TCN 网络基本理论

文献[10]提出的时间卷积网络是一种用来解决时间序列问题的新型算法。TCN 具有卷积神经网络大规模并行处理的优势，还融合了时序任务上的建模能力，弥补了循环神经网络（RNN）的长期依赖问题[11]，其核心架构包括因果卷积、扩张卷积和残差连接三部分。

在时序数据的处理过程中，理论上任意时刻t的输出yt仅与当前时刻t及之前时刻的输入有关，即其具有因果性。图1 为一维因果卷积和普通卷积过程示意图。与传统卷积神经网络的不同之处在于，因果卷积不能看到未来的数据，是一种严格的时间约束模型。

图1 一维普通卷积和因果卷积过程示意图Fig.1 Schematic diagram of one-dimensional causal convolution and ordinary convolution process

扩张卷积通过在卷积核中自适应填充0 元素，使其可以作用于更长的区域。卷积核两个相邻元素间的距离称为扩张因子。

残差连接是解决深层网络梯度消失问题的有效手段，可以增强网络的泛化能力[12]。残差模块以X作为输入，经过一系列变换F的分支，其结果添加到输入X，作为整个残差模块的输出，公式如下：

残差模块使得网络层能够学习到恒等映射，有利于深层网络的学习，因此TCN 使用残差模块代替卷积层。一个残差连接结构包含两层扩张因果卷积和非线性激活函数。在每一个扩张因果卷积层使用权重归一化和Dropout 来正则化网络。此外，TCN 在恒等映射中添加1×1 卷积，保证输入输出之间尺度相同。

1.2 执行器多通道信号在线预测

本文基于TCN 网络在时序数据建模的优点，建立了控制系统执行器TCN 在线预测模型。

首先，确定体现执行器故障的关键信号，并采集各信号正常状态下的历史运行数据。按照驱动执行器的能源形式，控制系统执行器可分为气动、电动与电液执行器3 种。3 种执行器由于其自身特性不同，在控制系统中使用领域也有所区别，但基本工作原理都是接受控制指令并对被控对象施加控制作用。执行器内部结构复杂，信号种类较多[13-14]。其中阀位设定信号、阀位反馈信号和流量信号在实际控制回路中易于获取，当执行器发生故障时这3种信号会发生变化。通过故障机理分析，这3 种信号可作为执行器故障的关键信号。

其次，对3 种信号历史数据进行归一化处理，并按照7∶3 的比例划分为训练集和测试集。使用训练集数据建立TCN 在线预测模型，并通过测试集数据对模型精度进行评估。

2 执行器LSTM 故障分类模型

本节使用执行器历史故障数据和基于TCN 预测模型得到的正常数据得到了多通道残差信号，建立了基于LSTM 网络的故障分类模型，对控制系统执行器进行在线故障诊断。

2.1 LSTM 网络基本理论

长短期记忆网络（long short-term memory，LSTM）可以很好地解决长时依赖问题，被广泛应用于负荷预测、语言建模、机器翻译等时间序列任务中[15]。LSTM 网络的基本结构如图2所示。

图2 LSTM 网络结构图Fig.2 LSTM network structure diagram

LSTM 通过遗忘门和输入门来控制记忆单元的内容。遗忘门决定了上一时刻的单元状态ct－1有多少保留到当前时刻ct：

式中：ft为遗忘门的输出；σ（·）为Sigmoid 函数；Wf为遗忘门的权重矩阵；ht－1为上一时刻单元输出；xt为当前时刻单元输入；［ht－1，xt］表示将两向量进行拼接；bf为遗忘门的偏置项。

输入门决定了当前时刻网络的输出xt有多少保存到单元状态ct，包括两部分：

式中：it表示当前时刻的输入有多少保存到单元状态；表示由当前时刻单元输入产生的新信息；Wi和Wc为权重矩阵；bi和bc为偏置项；tanh（·）为激活函数。

遗忘门与输入门相结合计算当前时刻的单元状态ct：

通过输出门计算当前时刻信息被输出的程度：

式中：ot为输出门的输出；Wo为输出门的权重矩阵；bo为输出门的偏置项。

最后由当前时刻单元状态和输出门计算当前时刻单元输出ht：

2.2 执行器故障分类

通过执行器历史故障数据和基于TCN 预测模型得到的正常数据生成两通道残差信号：

式中：PVi′和Qi′为第i种故障下阀位反馈信号和流量信号的残差；PVprediction和Qprediction为基于TCN 预测模型得到的正常数据；PVi和Qi为第i种故障下的历史故障数据。

通过两通道残差信号和LSTM 网络，可建立执行器故障分类模型，对执行器故障进行在线诊断。首先进行数据集划分，包括以下步骤：

步骤1选择合适的时间窗口宽度T和滑动步长h，在原始数据集｛t0，t1，，…，tn｝上滑动采样，采样后的数据集为

式中：n为原始数据总时长，单位为s。

步骤2针对经过步骤1 滑动采样后的每组数据，以间隔h′再次采样，且h′＞h，以降低每组数据的维度。

3 应用案例

为验证本文提出的故障诊断方法，使用实验室搭建的燃气轮机控制系统执行器半物理试验平台进行试验。如图3所示，该平台以燃气轮机电厂控制回路为原型建立，包括多种执行器及在其前后的压力传感器和流量传感器，可模拟实际控制系统中的多种执行器故障。电液执行器具有输出力矩大、调节精度高、动作快速平稳等优点，在燃气轮机控制系统气路中应用较多。本节选取试验平台中的电液执行器进行故障诊断研究。

图3 半物理试验平台实物图Fig.3 Physical drawing of semi physical test platform

3.1 电液执行器TCN 在线预测模型

基于试验平台进行了闭环动态响应仿真试验，采集了电液执行器正常和故障状态下的阀位设定信号、阀位反馈信号和流量信号，原始数据共100 s，采样间隔时间为0.001 s，均为4～20 mA 之间的电流信号。首先将原始数据进行归一化处理，将电流信号映射为［0，1］之间的开度信号：

式中：X为原始数据；Xnorm为归一化后的数据。处理后的3 种正常信号如图4所示。

图4 电液执行器正常信号Fig.4 Electrohydraulic actuator normal signal

将信号按照7∶3 比例划分为训练集和测试集，使用正常状态下的数据集建立TCN 在线预测模型，损失函数采用均方根误差（RMSE）。通过阀位设定信号对阀位反馈信号和流量信号进行预测，同时与传统循环神经网络进行了对比，两种网络预测结果如图5所示，误差如表1所示。

表1 两种网络预测值与实际值均方根误差Tab.1 RMSE between predicted value and actual value of two networks

图5 电液执行器正常状态预测值与实际值Fig.5 Predicted value and actual value of normal state of electro-hydraulic actuator

结果表明，TCN 网络在执行器时序信号预测上的精度高于传统RNN 网络，特别是当信号波动程度较大时，TCN 网络的预测误差更小。

3.2 电液执行器LSTM 故障分类模型

选取电液执行器6 种典型故障用于诊断研究，表2 为各故障的编号及名称。图6 为各故障状态下的信号，各故障均在3 种信号中有所体现，例如：吸油管路故障表现为阀位反馈信号无法跟随阀位设定信号动作；外部泄露故障表现为流量减小等。

表2 电液执行器典型故障Tab.2 Typical faults of electro-hydraulic actuator

图6 电液执行器故障状态信号Fig.6 Fault status signals of electro-hydraulic actuator

通过式（8）生成两通道残差信号，并使用2.2 节中提出的数据集划分方法对残差信号进行处理，滑动时间窗口宽度T为5 s，滑动步长为0.01 s，采样间隔为0.1 s。划分后的数据集中每种故障包含4501组数据，其中前3150 组作为训练集用于建立故障分类模型，后1351 组作为测试集用于在线故障诊断以评估故障分类模型的准确性。每组数据的维度为2×51。

为验证所提故障分类模型的有效性，采用相同结构的LSTM 网络分别对原始故障数据和多通道残差信号进行了故障分类建模，LSTM 网络输入层神经元为102 个，输出层为包含7 个分类的全连接层，记忆单元为100 个，学习率为0.001，激活函数为Softmax 函数，损失函数为交叉熵损失，并设置Dropout 防止过拟合。

使用混淆矩阵对模型精度进行评估。LSTM 网络对两种故障数据进行分类形成的混淆矩阵如图7所示，其中第i行第j列表示测试集中的故障HFi被分类为故障HFj的比例。图7（a）和7（b）分别为对原始故障数据和多通道残差信号分类得到的混淆矩阵，两种模型的平均诊断准确率分别为80.54%和93.15%。由此可见，LSTM 网络在故障分类建模中可以得到较高准确率；与原始故障数据相比，多通道残差信号的故障分类准确率更高。

图7 对两种故障数据分类的LSTM 混淆矩阵Fig.7 LSTM confusion matrix used to classify two kinds of fault data

4 结语

为提高控制系统执行器故障实时诊断的准确率，本文提出一种基于多元时间序列分析的控制系统执行器在线故障诊断方法。首先分析了控制系统执行器故障机理，确定了表征执行器故障的关键信号；其次采用控制系统执行器历史数据，建立了执行器TCN 在线预测模型，对执行器多通道信号进行在线预测；随后通过LSTM 网络对多通道残差信号建立了执行器故障分类模型；最后以燃气轮机控制系统执行器半物理试验平台中的电液执行器为例进行了试验验证。结果表明：TCN 网络在执行器时序信号预测上的精度高于传统RNN 网络，特别是当信号波动程度较大时，TCN 网络的预测误差更小；LSTM 网络在执行器故障分类建模中可以得到较高准确率，且与原始故障数据相比，对多通道残差信号进行故障分类准确率更高。