关键词：
函数型数据分析
运行状态建模监控
异常诊断
液压系统
摘要：
液压系统是国家重大工程装备的核心组成部分,其可靠稳定运行能力对装备的高质量安全服役至关重要。然而,由于液压系统回路错综复杂,在工作过程中易受负荷周期性变化以及元件的漏液、过热、振动、噪音等随机性因素的影响,系统时常会出现失控告警延时与运行状态异常等问题。现有主流的基于主元分析等统计模型的过程监测与诊断方法,尚未充分结合液压系统数据采样率不同、多周期多通道变量间耦合关系复杂与失效分布较分散等特点,挖掘其数据样本的规律性、不完全性和信息不对称性等函数型数据特征,难以保障系统的高效可靠稳定运行。由此可见,将液压系统运行数据视为一个函数过程进行分析,挖掘函数型数据演化规律、剖析关键影响因素、构建函数型状态空间模型,实现系统的运行状态监控与诊断,从而保障液压系统可靠稳定运行,具有重要的理论意义和工程应用价值。鉴于此,本文通过分析液压系统数据样本的规律性、不完全性和信息不对称性等特征,首先,基于函数型K均值聚类方法对液压系统的运行数据进行分析,实现了数据的高效表达和聚类处理;其次,融合函数型基展开法、最大期望化算法和卡尔曼滤波方法,提出了函数型状态空间模型,实现了液压系统的运行状态精准建模;然后,以函数型状态空间模型基础,计算了单步预测误差,并得到了指数加权移动平均值统计量,有效减少了失控告警的延时;再次,利用改进海洋捕食者算法与Cat Boost算法对液压系统故障的特征重要性进行排序,得到故障相关的最优特征子集,构建了基于IMPA-Cat Boost的故障诊断模型,实现了对液压系统异常状态的诊断;最后,将所提方法在真实液压系统中进行了应用验证。论文具体工作如下:(1)基于函数化表达的液压系统运行状态数据聚类分析。针对液压系统运行状态数据采样频率多、变化呈周期性、数据维度高等特点,采用傅里叶分析的平滑化方法将过程数据进行函数化表达,利用K均值聚类方法进行聚类分析,有效实现数据的高效表达和聚类处理。聚类分析结果表明,液压系统运行状态中很多特征变量属于典型的函数型数据,通过函数型分析方法进行处理可以提高状态建模与识别的准确性。(2)基于函数型状态空间模型的液压系统运行状态建模。针对液压系统多周期多通道传感器之间存在复杂的耦合关系,包括前后阶段之间相关性、多通道之间的互相关以及轮廓数据自回归属性等特性,引入函数基展开法来描述不同变量之间的轮廓内和跨轮廓相关性,并基于EM算法和卡尔曼滤波方法进行估计,从而针对液压系统运行状态提出了函数型状态空间模型的建模方法。仿真与实验结果表明,通过将数据投射到一组完整的基函数空间上建模,有效挖掘了多周期多通道变量耦合关系,实现了运行状态的准确建模。(3)基于函数型状态空间模型的液压系统运行状态监测。针对液压系统运行状态监测往往只关注变量的测量值而忽略了整体的趋势信息的问题,提出了基于函数型状态空间建模的趋势监控方法,对液压系统轮廓数据进行在线监控,预测下一阶段的运行状态,得到单步预测误差,构建监控统计量,建立群指数加权移动平均控制图,有效减少了异常状态的告警延时。仿真与实验结果表明,基于主元分析的监控图无法及时监测到异常的发生,不适合动态液压系统的监控,而趋势监控图在液压系统状态监测中表现更为稳健,有效减少了失控告警的延时。(4)基于IMPA-Cat Boost的液压系统运行状态异常诊断。针对液压系统故障点隐蔽、多故障耦合等特点造成的故障难以诊断的问题,面向失控告警后的液压系统异常数据,提出了基于非线性收敛因子和融合等级位置更新策略的改进海洋捕食者算法,结合Cat Boost特征重要性排序与改进海洋捕食者特征选择方法,得到了故障相关的最优特征子集,以此构建了液压系统状态异常的IMPA-Cat Boost诊断模型。实验结果表明,IMPA-Cat Boost算法在诊断各种元件的故障类型时都表现出了极高的准确性和泛化能力,实现了系统状态异常类型的诊断。(5)基于函数型数据分析的液压系统状态监测与诊断实例应用。结合上述研究成果,针对液压系统运行状态监测易出现失控告警延时、异常状态难以诊断的问题,将基于函数型空间模型的建模与监控方法用于实际液压实验台的运行监测,将基于IMPA-Cat Boost的异常状态诊断方法用于实验台运行异常状态类型的识别诊断,实验表明,所提方法可实现对运行状态准确建模,从而对失控状态进行告警,并识别异常类型,验证了所提方法的有效性。
