基于改进t-SNE和RBFNN的柴油机故障诊断_尚前明.pdf

SHIP ENGINEERING 船 舶 工 程 Vol.45 No.1 2023 总第 45 卷，2023 年第 1 期 91 基于改进基于改进 t-SNE 和和 RBFNN 的柴油机的柴油机 故障诊断故障诊断 尚前明，黄兴烨，沈 栋，朱仁杰，胡秋芳，邱 天（武汉理工大学 船海与能源动力工程学院，武汉 430063）摘 要摘 要：针对柴油机故障诊断问题，提出一种基于改进t 分布的随机邻域嵌入（t-SNE）和径向基函数神经网络（RBFNN）的柴油机故障诊断方法。针对 t-SNE 算法对振动信号的实际降维效果不够理想的问题，进行自适应加权优化；引入遗传算法（GA）解决果蝇优化算法（FOA）陷入局部最优的问题，将GA-FOA 应用于 RBFNN 参数选取中；采用改进后的 RBFNN 模型对经自适应加权 t-SNE 降维的数据进行故障识别。研究结果表明，改进后的算法能明显改善聚类效果，提高故障识别的正确率，具有良好的应用前景。关键词：关键词：柴油机；振动信号；故障诊断；t 分布的随机邻域嵌入（t-SNE）；径向基函数神经网络（RBFNN）中图分类号：中图分类号：TK428 文献标志码：文献标志码：A 【DOI】10.13788/ki.cbgc.2023.01.14 Fault Diagnosis of Diesel Engine Based on Improved t-SNE and RBFNN SHANG Qianming,HUANG Xingye,SHEN Dong,ZHU Renjie,HU Qiufang,QIU Tian(School of Naval Architecture,Ocean and Energy Power Engineering,Wuhan University of Technology,Wuhan 430063,China)Abstract:Aiming at the problem of diesel engine fault diagnosis,a fault diagnosis method based on the combination of improved t-distributed stochastic neighbor embedding(t-SNE)and radial basis function neural network(RBFNN)is proposed.Adaptive weighting optimization is carried out to solve the problem that the effect of t-SNE algorithm is not ideal when reducing the dimension of vibration signal;genetic algorithm(GA)algorithm is introduced to improve the problem of fruit fly optimization algorithm(FOA)falling into local optimization,and GA-FOA algorithm is applied to the selection of RBFNN parameters;The data reduced by adaptive weighted t-SNE are used for fault identification with the improved RBFNN model.The results show that the improved algorithm significantly improves the clustering effect,improves the accuracy of fault identification,and has a good application prospect.Key words:diesel engine;vibration signal;fault diagnosis;t-distributed stochastic neighbor embedding(t-SNE);radial basis function neural network(RBFNN)0 引言引言 当前，柴油机通常采用各类传感器对自身的运行状态进行实时监测，结合智能诊断技术对采集的参数进行分析，对存在的故障进行定位并采取解决措施。随着智能算法的更新迭代，更快速、准确、高效的故障诊断技术不断出现。如，通过采集柴油机缸盖振动信号，采用机器学习算法进行故障诊断的方法，国内外学者将整个过程分为特征提取、数据降维和故障分类等3个部分。通过对高维复杂的数据进行降维并作进一步处理提高分类的正确率，是当前柴油机故障诊断 收稿日期：2021-11-17；修回日期：2022-01-11 基金项目：工信部高技术船舶科研项目（工信部装函2017614 号）；国家自然科学基金浙江两化融合联合基金重点项目（U1709215）。作者简介：尚前明（1974），男，硕士、副教授。研究方向：轮机仿真与系统控制以及智能船舶机器学习和深度学习。通信作者：黄兴烨（1996），男，硕士研究生。研究方向：轮机监测诊断与控制。船舶动力、推进装置和辅机设备 92 的关键。目前，经典的线性降维方法（如主成分分析法、线性判别分析等）在复杂的数据结构中不能很好地表现数据之间的关系；以非线性的流形学习实现的降维方法能很好地表达数据之间的关系，但当离散点在低维空间内以一定的距离聚集时，可能会因空间狭小而造成“拥堵”1。基于t分布的随机邻域嵌入（t-Distributed Stochastic Neighbor Embedding,t-SNE）通过优化“色散”离散点防止拥塞，可很好地解决“拥堵”的问题。冯蕊等2基于t-SNE算法深入探讨了水质评价方法。VENKATRAO等3将t-SNE算法应用到了医学图像融合中。t-SNE算法在降维和聚类实例中具有较好的应用效果，结合其他算法能提高识别的准确率，适于在柴油机故障诊断中用来进行数据降维。随着计算机技术的不断发展，机器学习成为了基于定量分析的主要故障诊断方法之一。多变量插值的径向基函数4（Radical Basis Function,RBF）作为机器学习中的典型算法，因具有结构简单、训练速度快、逼近性和全局最优性较佳等优点，得到了广泛应用。AFIA等5提出了一种结合Autogram和径向基函数神经 网 络（Radial Basis Function Neural Network,RBFNN）的智能诊断方法，试验结果表明，该方法能成功地检测、识别和分类齿轮故障。针对RBFNN模型涉及的权值和阈值寻找合适的优化方式，是RBFNN研究的一个重要方向。本文采用小波包阈值降噪对柴油机缸盖振动信号进行预处理；针对特征融合得到的高维特征向量，采用改进的t-SNE算法对其进行降维处理，增强样本点在可视化图中的聚类效果；针对果蝇优化算法（Fruit Fly Optimization Algorithm,FOA）陷入局部最优的问题，采用遗传算法（Genetic Algorithm,GA）进行改善；将得到的GA-FOA算法应用于RBFNN优化中，解决其因参数选取不当导致的网络收敛问题。此外，采用该算法对柴油机进行故障诊断，并将所得结果与采用优化前的算法得到的结果相对比，证明优化算法的有效性。1 算法原理及改进算法原理及改进 1.1 自适应加权自适应加权t-SNE t-SNE能解决采用SNE算法时存在的低维空间焦聚的问题6。首先，计算低维空间内t分布替代高斯分布之后两点间的相似度，并简化其表达式。其次，以高低维空间的相似度之间的KL（Kullback-Leibler）散度作为目标函数，利用梯度下降进行求异寻优。最后，得到低维空间的最优解。具体的t-SNE算法步骤见图1。在通过t-SNE对振动信号进行降维时，高维空间内的样本数据的相似度并不只由其距离决定，也与样本数据集自身的特性有关，因此在只采用欧氏距离计算样本的情况下，并不能完全正确表达样本之间的相似度。对此，引入加权的思想，在计算样本对之间的条件概率时，根据总体的分布情况对不同大小的欧氏距离进行分组加权处理。权值根据高近低远的原则确定，即相似度高的样本点靠近，相似度低的样本点远离。相似性条件和联合概率密度根据加权后的距离计算，从而实现自适应加权的t-SNE算法。该算法的具体实现步骤如下。1）输入高维数据样本集，设定降维的迭代次数 B和降维后的目标维度。2）根据计算出的组数 G7和组距 c，结合归一化后的m 值确定不同的加权系数。权值系数 为)1230,22,21221,2kcGkcccGkcc Gc|+-|=|+-|（1）3）根据权值计算加权后的欧氏距离，有(,)(,)ijijijijdx xdx x*=（2）式中：xi与xj为高斯分布的中心；dij(xi,xj)为任意2个 样本点之间的欧氏距离；(,)ijijdx x*为加权后的欧氏距离。图1 t-SNE算法步骤 4）利用加权后的欧氏距离计算高维空间样本对之间的相似性条件概率，有 22/22(,)exp2(,)exp2ijijji jkjkjkjjdx xpdxx*-|=-|（3）2222(,)exp2(,)exp2ijijij iikikk iidx xpdx x*-|=-|（4）式中：pi/j和pj/i为要求的相似性条件概率；i和j分别为以xi和xj为中心的高斯分布的方差；xk为高维空间高维数据 高维数据条件概率高维数据联合概率低维数据联合概率KL 散度 最优解 降维后的可视化结果 匹配映射 梯度下降法优化 尚前明等，基于改进 t-SNE 和 RBFNN 的柴油机故障诊断 93 的任一样本。5）执行图1所示的常规t-SNE算法的步骤，得到降维结果。1.2 基于基于GA-FOA的的RBFNN优化优化 RBFNN是一种前馈型神经网络，因具有结构简单、训练速度快、逼近性和全局最优性较佳等特点而广泛应用于信号处理、模式识别和故障预测等多个领域中8。在实际应用RBFNN时，确定网络模型结构是设计和训练RBFNN的关键9，其数学模型10为 1(),1,2,nkikiyw f xkm=（5）式中：xRn为RBFNN的输入值；wik为输出层的权值；n为隐含层节点数；m为输出节点数；f()为径向基函数。确定输入和输出单元数之后，选取光滑性和解析性较好的高斯函数作为RBFNN的基函数。此外，基函数的中心ci、方差i和隐含层到输出层的权值等关键参数需通过训练迭代才能确定。参数选取若不当，会导致网络收敛出现障碍。FOA是一种由果蝇觅食演化而来的寻求全局优化的仿生算法11，可用于解决RBFNN因参数选取不当而引起的收敛速度较慢或无法收敛的问题。然而，FOA也有一定的缺陷，易陷入局部最优解。为防止在实际应用FOA时因无法获得最佳RBFNN参数而影响识别的准确率，引入GA对FOA进行改进。1.2.1 基于GA的FOA改进 对FOA进行改进的策略12是将GA中的遗传算子与FOA相结合，形成GA-FOA，使FOA中的果蝇种群在迭代过程中实现个体选择、交叉、变异和自适应等步骤，以解决FOA易陷入局部最优解的问题。改进后的GA-FOA的实现过程如下：1）初始化果蝇种群中个体的数量popsize和最大迭代次数Maxgen，随机初始化果蝇种群的位置X_axis和Y_axis；代间变化阈值为Ta，代内变化阈值为Tb；最优果蝇个体的选择比例为Pc，个体的交叉概率为Pcr，变异概率为Pm。2）执行常规果蝇算法中的步骤，找出果蝇群体中味道浓度值最大的果蝇13。3）获得并保留最佳味道浓度值bestSmell及其坐标值X和Y，计算并记录果蝇群体的平均味道浓度Smellavg。SmellbestbestSmell=（6）()()_axis_axisbestIndexbestIndexXXYY=