基于深度自编码模型和马氏距离的起重机泵健康评估

2021-07-01屈斌李彬

港口装卸 2021年3期

屈斌李彬

1 长江三峡通航管理局 2 微特技术有限公司

1 引言

起重机作为一种应用广泛的工程机械，常年暴露在各种恶劣的环境和工作条件下。起重机泵作为起重机液压系统的关键部件，在自然老化过程中会出现各种可能的故障。任何起重机泵的故障都会造成不必要的停机时间和昂贵的维修成本，甚至人员伤亡[1]。为了确保起重机持续可靠的运行，起重机泵的健康评估已成为当前学术研究的热点问题之一[2]。

近年来，由于传感器技术的快速发展和计算机计算性能的大幅提升[3]，出现了许多基于数据驱动方法的泵健康评估研究，一些深度学习技术被广泛应用于起重机泵的健康评估[4]。深度自编码模型作为深度学习的一个重要分支，能够从原始信号中进行无监督的特征学习，在许多故障诊断和健康预后应用中得到广泛应用。例如，张生等[5]开发了一种名为Ensemble Deep Autocoding Ders(EDAEs)的新方法，用于轴承智能故障诊断；姚云峰等[6]将数字小波帧(DWF)和堆叠自动编码模型相结合提取故障信号特征；Lu等[7]研究了一种堆叠去噪自动编码模型(SDA)，旨在对含有噪声和波动的原始信号进行某些健康状态识别。同时，度量学习本质上就是确定一个合适的距离度量来量化不同类别数据的差异[8]，它通常用于评估性能下降和运行状况，如Zhao等[9]提出了一个结合拉普拉斯算子和马尔科夫距离的性能退化和健康状况评估方法。

2 起重机泵健康评估方法

2.1 起重机泵测试环境

现有的数据驱动健康评估方法研究数据来源大多来自台架试验，即借助先进的测试平台对真实工作环境进行室内模拟。这些研究无法充分体现算法在实际机械工作环境的性能。这是由于机械工作模式、工作环境、环境噪声等在模拟试验和实际操作之间存在明显差异。针对起重机泵健康评估中的这一问题，通过对几种不同使用年限、不同健康状态的起重机进行实际试验，获取起重机实际运行过程中的泵信号，提出了一种基于原始信号的深度自编码模型(DAE)+马氏距离(MD)组合策略以完成健康评估任务。

实际工作中，在起重机泵出口安装了一个压力传感器来记录压力信号，每隔一定时间间隔对目标信号采样，生成新的时间序列。采样频率为200 Hz。起重机的1次起升和下降运动为1个周期，每台起重机运行2个周期，测试持续约100次，从1台起重机获得的每个时间序列为频率与测试次数的成绩，约为20 000次。

2.2 起重机泵健康评估算法整体框架

提出了一种具有3层堆叠自编码模型(DAE)。每一层的训练步骤与自编码器(AE)相同，都是通过从最低的单个自动编码模型逐层构建[10]。图1展示了一个具有3层堆叠自动编码器的DAE的逐层训练过程。每个堆叠层的隐含层大小分别为100,50,25。首先利用维度为200的归一化样本训练第一个自动编码器，学习特征集为I(100维低级隐藏特征)。然后将特征集I作为第二个自动编码器的输入数据，学习特征集II(50维中层隐藏特征)。第三层同上。最后，选择学习到的特征集III作为起重机泵运行状况的特征表征，并将其引入度量学习中对运行状况指数进行量化。

图1 自编码模型3层结构

2.2.1 度量学习

(1)

CY=E[(Yi-E(Yi))(Yi-E(Yi))T]

(2)

式中，E(Yi)为基础样本数据的期望。Mdi反映了基础样本数据与测试起重机泵数据的相似性，Mdi越大说明其相似性越高。

2.2.2 健康状态评估

健康状况指数的定义为：当起重机泵运行状态良好且样本更接近基线(MD小)时，健康指数更接近1；反之，当起重机性能老化严重(MD大)，健康指数更接近0。设H表示健康指数，则有：

H=e-βMS

(3)

式中，β为约束因子，使得H的区间为0至1，健康指数的表达更为直观。

3 实验结果及分析

在工作中的起重机进行算法测试，测试结果见图2。随着起重机使用时间的增加，MD指数呈增大趋势。这也说明随着起重机泵工作时间的增加，其性能也逐步下降。起重机使用时间越长，MD指数越大，泵的健康状况越差。

图2 基于工作时间的起重机泵健康状态评估实验结果

为了证明所提方法的优越性，使用几种经典的特征学习方法和一些最新的深度学习方法对起重机泵的疲劳度进行比较:①统计特征[12]，广泛统计起重机工作中的特征实现起重机泵健康状态评估；②EMD[13]，利用熵特征的经验实现起重机泵工作状态解析；③MLP，将输入原始数据的多层神经感知器实现健康状态评估；④CNN[14]，利用基础样本数据训练CNN实现起重机泵健康状态评估。实验结果见表1。

表1 经典起重机泵健康评估算法疲劳度对比实验结果

由表1可知，随着起重机工作时间的增加，其疲劳度逐渐增加，健康状态逐步下降。通过实验结果可以看出，EMD、MLP、CNN等算法在评估起重机泵健康状态过程中性能有所不足，如END算法在评估起重机泵健康状态过程中，起重机泵在工作65个月后的健康转态反而优于工作58个月的健康状态。由此可见，所提出的DAE/MD结合的算法对起重机泵的健康状态评估有较好的效果。