48、柴油发动机参数异常检测与工业系统运行模式分析

柴油发动机参数异常检测与工业系统运行模式分析

1. 柴油发动机参数异常检测

在柴油发动机的参数设置中，合理且高效地定义阈值至关重要。设定的阈值如下：
- 最大超调量：10%
- 稳定时间：在0.75秒内达到2%
- 绝对误差总和：450

这些阈值是通过比较PID参数的图表和工程直觉得出的，并且可以根据不同应用和用户偏好进行调整。

1.1 仿真

遗传算法（GA）采用对个体进行排序的方式，通过Matlab的Simulink工具进行仿真。Simulink有多个不同的模块库，可用于绘制图形模型进行仿真。GA使用的仿真模型包含以下模块：
- 阶跃模块 ：代表参考值，产生单位阶跃函数，采样时间设为零，即连续时间。
- 过程模块 ：代表发动机模型，具有二阶传递函数：$\frac{0.8}{0.05s^2 + s}$，其中$s$是拉普拉斯变量，在所有仿真中都使用这个简单的传递函数，该模型背后的实际过程是带有执行器的柴油发动机。
- PID模块 ：参数由GA为每次仿真单独生成，导数滤波系数默认值为100，所有仿真使用并行控制器形式。
- 时钟模块 ：给出每个采样点的时间值。
- 绝对值模块 ：提供输入的绝对值。
- 复用器模块 ：将四个输入信号（系统输出$g(t)$、绝对误差$e_{abs}(t)$、每个采样点的时间$t$和参考值$y(t)$）组合成一个数组。
- 输出模块 ：接收复用器的数据，模型以连续时间模式运行，但输出模块采样时间为$10^{-4}$秒，仿真时间为5秒，每次仿真产生50001个数据点，GA使用这些数据计算优度指数。

GA优化过程包括：
- 生成新种群
- 计算适应度
- 选择PID参数

GA使用优度指数运行50代，种群大小为1000，得到约22000个唯一的PID配置。然后根据第二组标准选择正常和异常参数，最终获得104个正常PID三元组用于训练，104个正常和104个异常PID三元组用于测试。参数值分辨率为0.5，$P$范围是$[0.5, 1500]$，$I$和$D$范围是$[0, 1500]$。

以下是GA和Simulink模型的流程图：

graph LR
    A[初始化GA] --> B[生成新种群]
    B --> C[计算适应度]
    C --> D[选择PID参数]
    D --> E{是否满足终止条件}
    E -- 否 --> B
    E -- 是 --> F[输出结果]

1.2 数据分析

• 映射到概率空间 ：将PID（3D）值映射到由前两个特征向量张成的子空间（$n = 2$），这种维度适合可视化并保留数据拓扑结构。MEVS方法的关键是将单变量极值理论（EVT）修改用于多变量数据，先估计特征空间中输入数据的概率密度函数$f_n(x)$，然后将概率视为新的随机变量，在概率空间$G_n(f_n(x))$中使用EVT。
• 变分混合模型（VMM） ：用于建模复杂的概率分布，由代表简单分布的组件组成，混合密度函数为：$f_n(x) = \sum_{i=1}^{M} \pi_i N(x / \mu_i, T_i)$，其中$\pi_i$是混合系数，总和为1，$M$是组件数量。使用类型2最大似然方法优化混合系数，该方法有助于找到相关组件数量并给出均值和协方差的显式值，适用于密度估计。
• 方法 ：VMM拟合输入数据后得到$f_n(x)$，将概率密度值视为随机变量$y$（$y = f_n$），概率分布为：$G_n(y) = \int_{f_n^{-1}(]0,y])} f_n(x) dx$。在VMM拟合多峰多变量数据时，$G_n$没有解析形式，使用单峰多变量模型提供近似解，定义对应于单个高斯核的概率分布$K_n$，引入新奇性得分：$1 - K_n(y) = \exp\left(-\left(\frac{y}{c_m}\right)^{\alpha_m}\right)$，其中$c_m$和$\alpha_m$是通过特定公式计算得到的尺度和形状参数。

2. 工业系统运行模式分析与预测

在工业系统中，预防性维护（PM）规划很重要，而分析被考虑单元的运行模式是提高PM性能的关键。

2.1 趋势提取

提出了一种基于经验模态分解（EMD）提取信号潜在趋势的新方法。EMD能将任何信号分解为基本组件，对趋势提取很有用，一些信号的潜在趋势可以通过EMD得到的最后一个本征模态函数（IMF）近似。但由于最后一个IMF总是单调的，在非单调情况下提取潜在趋势会受到严重限制，且自适应选择合适的IMF来描述潜在趋势仍是未解决的问题。因此，本文提出了一种基于IMF的希尔伯特边际谱分离的自适应策略，以选择合适的IMF形成最终趋势。

2.2 趋势预测

为了预测趋势的变化，应用了奇异谱分析（SSA）。在工业涡轮系统的实验试验结果表明，所提出的方法为预测运行模式的趋势提供了方便有效的机制，可用于支持灵活的维护调度，而不是传统的基于日历的维护。

以下是实验中正常和异常数据的部分测试结果：
| 测试数据类型 | 正常识别为异常数量 | 异常识别为正常数量 |
| — | — | — |
| 正常数据 | 2 | 0 |
| 异常数据 | 0 | 2 |

混淆矩阵为：$\begin{bmatrix} 102 & 2 \ 2 & 102 \end{bmatrix}$，灵敏度$TPR = 0.98$，假阳性率$FPR = 0.02$，准确率$ACC = 0.98$，表明所提出的方法预测效果良好。

综上所述，通过对柴油发动机参数的异常检测和工业系统运行模式的分析与预测，能够更好地保障系统的稳定运行和进行有效的维护调度。未来可以考虑使用更稳健的混合模型，如用Student - t分布替换高斯分布，也可以结合GA和VMM找到最优模型。

柴油发动机参数异常检测与工业系统运行模式分析

3. 柴油发动机参数异常检测的实现与实验

在实际应用中，开发了用于检测柴油发动机参数异常的分析器，使用Matlab为相关公司完成开发。该分析器旨在在发动机配置设置期间检测异常值。

3.1 实验数据处理

在初步实验中，使用了真实的发动机参数，提取具有相似参数的发动机组，并与具有不同参数的发动机进行比较。但由于没有可用的异常数据，因此在实验中模拟了正常和异常数据。为避免生成复杂的数据结构，并使用典型数量的PID三元组，将PID三元组的真实发动机数据替换为合成数据，同时保持其余真实数据结构不变。例如，对于由一个八元素向量表示的特定发动机参数（每个元素是一个PID三元组，共13台发动机），合成PID参数的数量为104。

3.2 异常检测操作步骤

分析器基于MEVS技术，其操作步骤如下：
1. 初始化GA，设置种群大小、代数、步长、初始值、采样时间等参数。
2. GA进行优化，包括生成新种群、计算适应度和选择PID参数。
3. 使用优度指数找到稳定的代表性参数，再根据第二组标准区分正常和异常参数。
4. 运行GA 50代，种群大小为1000，得到约22000个唯一的PID配置。
5. 最终选择用于训练和测试的正常和异常PID三元组。
6. 将PID值映射到概率空间，使用VMM进行密度估计。
7. 计算新奇性得分和阈值，判断参数是否异常。

以下是异常检测的详细流程图：

graph LR
    A[初始化GA参数] --> B[GA优化]
    B --> C[生成代表性参数]
    C --> D[区分正常和异常参数]
    D --> E[运行GA 50代]
    E --> F[选择训练和测试数据]
    F --> G[映射到概率空间]
    G --> H[VMM密度估计]
    H --> I[计算新奇性得分和阈值]
    I --> J[判断参数异常]

3.3 实验结果分析

实验生成了104个正常PID三元组用于训练，以及104个正常和104个异常PID三元组用于测试。通过模拟得到的正常和异常数据的输出信号具有明显差异，例如异常数据的输出信号超调量超过10%，稳定时间过长，总体误差过高。

测试结果表明，有两个正常点被识别为异常，PID值分别为56.5, 185, 4和62, 211, 4；有两个异常点被识别为正常。所有被识别为异常的测试数据的异常概率$P > 0.999$。从混淆矩阵和相关指标来看，灵敏度$TPR = 0.98$，假阳性率$FPR = 0.02$，准确率$ACC = 0.98$，说明该方法在检测参数异常方面效果良好。

4. 工业系统运行模式分析与预测的应用

在工业系统中，运行模式的分析与预测对于维护调度至关重要。

4.1 维护调度优势

所提出的基于EMD和SSA的方法为工业系统的维护调度带来了显著优势。传统的基于日历的维护方式缺乏灵活性，可能导致过度维护或维护不足。而通过分析运行模式的趋势，可以根据系统的实际运行状态进行灵活的维护调度，提高维护效率，降低维护成本。

4.2 操作流程

具体的操作流程如下：
1. 对工业系统的信号进行采集。
2. 使用EMD将信号分解为多个IMF。
3. 采用自适应策略选择合适的IMF形成趋势。
4. 对趋势应用SSA进行预测。
5. 根据预测结果制定维护调度计划。

以下是操作流程的列表说明：
1. 信号采集 ：收集工业系统的相关运行信号。
2. EMD分解 ：将信号分解为多个IMF。
3. IMF选择 ：基于希尔伯特边际谱分离选择合适的IMF。
4. SSA预测 ：对趋势进行预测。
5. 维护调度 ：根据预测结果安排维护。

5. 总结与展望

本文提出的柴油发动机参数异常检测方法和工业系统运行模式分析与预测方法都取得了良好的效果。在柴油发动机参数异常检测中，通过GA和VMM等技术，能够准确地区分正常和异常参数；在工业系统运行模式分析与预测中，基于EMD和SSA的方法为维护调度提供了有效的支持。

然而，当前的方法也存在一些不足之处。例如，VMM中使用的高斯分布对孤立点敏感，可能会高估高斯核的数量。未来可以考虑使用更稳健的分布，如Student - t分布，来解决这个问题。同时，可以进一步研究如何结合GA和VMM找到最优模型，提高检测和预测的准确性。此外，还可以探索将这些方法应用到更多类型的工业系统中，拓展其应用范围。