基于深度学习的液压监测系统蓄能装置故障诊断*

2019-09-19姜保军王帅杰董绍江

组合机床与自动化加工技术 2019年9期

姜保军,王帅杰,董绍江

(重庆交通大学 a.机电与车辆工程学院；b.城市轨道车辆系统集成与控制重点实验室，重庆 400074)

0 引言

随着工业技术的进步，工业设备应用得到了更好的发展，液压系统的应用也越来越广泛,液压系统成为很多机械设备主要的动力来源[1]。在使用过程中，液压系统中的蓄能装置能够稳定系统的压力和油量，对液压系统的稳定运行十分重要，因而准确可靠的检测出液压系统中蓄能装置的故障是非常有必要的。目前对液压系统故障诊断的研究中，主要集中在特征提取和网络模型的构建方面，液压系统的信号特征提取方法主要是小波分解[2-3]、经验模态分析[4]、希尔伯特-黄变换[5-6]、信息熵[7]等。所采用的分类模型多为支持向量机[8]、极限学习机[9]等机器学习模型来完成液压系统的故障诊断。

近年来在对液压系统故障诊断的研究过程中，运用人工智能的方法在故障的特征提取和故障的识别上取得了不小的进步。文献[10]利用RBF神经网络对液压系统的模糊故障进行检测，对液压系统存在的一些故障进行模拟分析。文献[11]运用差分进化算法和BP神经网络算法相结合完成了盾构机液压系统的故障诊断。

在液压系统的故障诊断中，运用机器学习的方法可以很好的建立压力的信号特征和蓄能装置故障类型之间的关系，然后利用这种关系和压力信号特征来对故障类型进行识别。由于蓄能的故障类型是多样性的，在神经网络的构建过程中存在使用过多的信号特征去表征蓄能装置的故障情况，但是，过多的信号特征之间具有很强的相关性，可能使得信号特征之间存在互相干扰的情况，这会使得所建立的网络模型对故障的识别效率低，泛化能力差，稳定性不好等问题。

堆栈稀疏自编码网络是一种典型的深度学习模型，能够通过神经网络的隐含层来提取高维特征，降低特征维度，完成对数据信息的表达。而且识别准确率高，稳定性更好，泛化能力更强。针对以上研究中的不足，本文应用一种深度学习的方法堆栈稀疏自编码网络(SAE)对多个的压力信号特征进行提取，得到高维特征，降低特征维度，再根据Softmax分类器构建出信号特征和蓄能装置故障之间的关系，进而完成对蓄能装置故障类型的识别。最后实验结果表明，该方法能可靠的提升液压系统中蓄能装置故障诊断的准确率。

1 堆栈稀疏自编码器

1.1 自编码器

自编码器是由输入层、隐含层以及输出层构成的一个三层的神经网络。其中对于输入和输出层要求维数必须相一致。从输入层到隐含层再到输出层是一个编码和解码的过程，具体计算过程如下：

h=f(x)=sf(wx+p)

(1)

(2)

L(x,y)是重构误差函数，当sg为恒等函数时：

L(x,y)=|x-y|2

(3)

当sg为Sigmod函数时：

(4)

JAE(θ)=∑x∈SL(x,g(f(x)))

(5)

重复运用迭代算法，使得JAE(θ)达到最小值，就可以求出自编码器的各项参数，完成神经网络的训练。具体的模型如图1所示。

图1 自编码器的结构示意图

1.2 堆栈稀疏自编码器

堆栈式稀疏自编码器是由多个稀疏自编码器堆叠构成的，和不同的分类器进行连接构成了不同的深度学习神经网络模型。对堆栈式稀疏自编码器进行训练，得到该层的隐含层相应的特征，同时将这一层的隐含层特征作为激活下一层的输入，经过多次训练之后，完成对SSAE的训练。再和分类器相连，将稀疏自编码器最后一层的隐含层的特征输入到Softmax分类器中，来实现对于液压系统蓄能装置的故障识别。

1.3 Softmax分类器

本文采用的分类器是softmax模型，softmax模型是逻辑回归模型的一种推广，主要是用来解决多分类的问题，故选用该模型来完成对故障的分类识别[12]。分类器模型如图2所示。

y=Softmax(x,θ)=ykT

(6)

yk=P(y(x)=k|x;θk)

(7)

(8)

(9)

上式中yk是输出向量，x是输入向量，K为类别个数，k是训练样本的类别标签，权重向量参数θ=[θ1，θ2,…θK]，Z为归一化因子。如果x在第K个类别时为最大概率，即可判别x输入第K类故障。式(6)是激活函数。

(3) 温度高低、昼夜温差对叶绿素含量、根系特征、根系活力均有明显影响。昼温和夜温对幼苗生长和生理指标的影响是耦合效应,且相关度高。运用回归分析建立的数学模型,得到适合甜瓜幼苗生长发育以及各项生理指标优化的的温度区域是25/15 ℃。

hθ(x)为Softmax的阶跃函数：

(10)

J(θ)为softmax的损失函数：

(11)

图2 softmax分类器结构

2 实验与分析

2.1 数据描述

液压系统中蓄能装置的故障检测对维持液压系统的稳定，以及整个机械设备的平稳运行有着十分重要的意义。为了验证所提出方法的可行性，本文采用UCI网站中液压系统状态监测数据集中的蓄能装置故障数据进行实验[13]。实验数据是通过一个液压实验台获得，该实验台的液压系统会以60s为一个循环重复的进行恒定负载循环，通过不同的传感器对系统中压力、流量和温度进行状态监测。在ps1、ps2、ps3压力传感器下，采样率100Hz下的监测数据。对于该数据下的蓄能装置的4种压力状态(最佳压力，压力略微减轻，压力严重减轻、压力接近失效)进行识别。每种故障类型得到的数据样本均是200个。具体样本数据如表1所示。

表1 样本数据

2.2 实验流程

首先提取液压系统的压力信号，在通过小波变换和希尔伯特-黄变换提取特征，对特征进行提取，设置训练集和测试集，将训练集导入到稀疏自编码器中进行训练，将训练好的网络来初始化深度学习网络参数，利用反向传播算法来进行微调，完成网络模型，在使用测试集进行训练，完成故障诊断。实验流程图如图3所示。

图3 实验流程图

2.3 特征提取

为了获得压力信号的时频信息，对信号进行小波变换。使用db1小波函数对信号进行三层分解，每层只对低频部分进行分解，对高频部分则不进行考虑。经过三层分解后，将会得到3个高频系数一个低频系数，最后系数采用样本熵的方法得到4个特征值。

使用希尔伯特-黄变换进行特征提取时，先使用经验模态方法分解为若干个固有模态分量，通过对固有模态分量求方差，在对所有固有模态分量的方差进行求和，得出每类压力信号的方差和特征。再对固有模态分量进行希尔伯特变换，获得最大瞬时频率和最大幅值两个特征。本文是选用3个压力传感器信号，每个压力传感器信号使用小波变换和希尔伯特-黄变换共得出7个特征，3个传感器总计21个特征。

在对故障的特征提取完之后，在每类故障中选取200个样本，训练集和测试集的样本数量均为400个，并对每类故障设置相对应的标签。

2.4 实验结果与分析

在对数据的测试集和训练集设置完毕后，将数据导入到SSAE中进行学习，在将特征输入到softmax分类器中，对深度神经网络结构的参数进行设置，进行实验。深度神经网络参数如表2所示。

表2 深度神经网络参数

实验完成对故障分类，总的准确率达到了98.3%。其中第一类最佳压力、第三类压力严重减轻和第四类压力接近失效样本全部预测准确，准确率达到100%；第二类压力略微减轻样本预测准确93个，准确率是93%；总体上完成了对故障的分类，且具有很好的分类效果。实验结果如图4所示。

图4 实验结果

为了验证此次提出的方法的有效性，在对故障提取特征的基础上，分别采用极限学习机(ELM)和支持向量机(SVM)进行了对比性的实验。将所提取的特征值作为ELM和SVM的输入，对两种机器模型进行了10次实验，并将三种模型的实验效果进行了对比，可以发现ELM的准确率相对较低且十分的不稳定，SVM十分的稳定，准确率达到93.25%。SSAE有些微的波动，但在准确率上达到97%以上，分类效果更好。对比结果如图5所示，实验结果表明，深度学习神经网络的准确率更高，比传统的机器学习模型的分类效果更好。