基于卷积神经网络的装备故障诊断系统研究*

宫建成，杨小强，潘 凡,2，朱文婷

（1.陆军工程大学，南京210007；2.32214部队，南京211100；3.中国船舶集团公司第七〇七研究所，天津300131）

0 引言

某装备是典型的机电液一体化装备，构成较为复杂，其架设操作必须依据一定的操作程序和安全规定实施。在该装备的作战保障和日常训练过程中，由于装备操作人员的技术水平和架设展开场地等因素的限制，以及装备在管理维护方面的不当行为和装备潜在的结构缺陷、环境与气象因素的影响等因素，都会给装备的使用操作带来各种问题并引发故障，如果在装备的使用、维护过程中未能对其健康状态进行适时的检测、诊断，排除各种故障，则必然会造成装备的性能劣化和使用故障，严重时会引起装备毁坏和人员伤亡等重大后果。由于该装备故障特性复杂，仅依靠传统的故障诊断算法难以实现故障的精确识别与诊断，而卷积神经网络、专家系统等智能诊断算法和技术的出现为该装备故障诊断提供了新的解决方案[1-2]。为有效提高工程装备故障诊断效率，缩短排障时间，提升维修人员的技术水平，节约各方面资源，本文提出一套针对性强的装备故障诊断系统[3]。该系统可对该装备的液压、电控等系统进行实时状态监测和故障报警，辅助指导维修操作人员进行装备的架设操作，预测预报装备故障并指导装备维修人员进行及时维护、保养调试和故障的预先检测排除，降低故障的发生概率。

1 故障诊断系统设计

1.1 总体方案

如图1所示，故障检测系统采用上、下位机的分布式网络模式[4]。上位机由电脑、无线通信单元、USB电缆及其他附件构成。无线通信单元选用了SM500工业级物联网无线数传模块，由其接收下位机无线传输的故障数据并通过USB接口上传到电脑中，由电脑中的故障检测软件进行处理。

图1 故障检测系统总体结构

下位机由若干无线检测终端组成，采用多跳自组网方式进行信号（数据）传输。下位机主要功能是检测该装备各个液压回路的压力、桥梁结构应变、液压油温度、电气系统供电电压、电液比例阀驱动电流、液压马达转速、液压缸位移等信号，并通过无线传输方式，以自组多跳的网络方式传送到上位机中。

1.2 无线检测终端（下位机）设计

下位机主要用于装备运行过程中的工作参数采集，所采集的参数主要包括温度、形变、压力、液位、电压、电流、位移、转速等。下位机分散布置于该装备工作装置的多个需要监测的部位。为确保其工作可靠，对下位机采用了密闭封装式结构，无线检测终端及其所有附件均采用整体外壳封装。检测终端的工作电源采用经济方便的可充电锂电池，同时在电路中设计了额外的监测模块，负责对电源电压进行监测。当该模块监测到电池电压不足时，将向系统报警提示，使得系统能够向用户发出需要更换电池的提醒。下位机的组成原理如图2所示。无线传感器组成的下位机之间通过无线通讯方式组成网络式结构，与上位机保持通讯。

图2 无线检测终端功能原理

2 故障诊断关键技术

本文选取卷积神经网络算法对故障诊断系统进行模型构建与故障诊断。由于该装备结构复杂，故障种类繁多，利用卷积神经网络建模和学习训练时，获取疑难故障数据比较困难，影响了故障诊断模型的的训练效果，导致设计的装备故障诊断系统准确性与实用性降低。因此，故障诊断系统中应用了专家系统，利用其可在丰富先验知识的前提下解决困难问题的优点，与卷积神经网络优势互补，以实现装备的实时故障精确诊断与健康状态监测。

2.1 故障诊断系统结构

故障诊断系统结构如图3所示。通过安装于该装备各个被测部件的传感器采集相关的工作状态信号，分为两路分别传送给卷积神经网络诊断系统和故障诊断专家系统。其中卷积神经网络诊断系统对数据进行运算处理，一方面对自身网络参数进行优化升级，另一方面实现了对装备的实时健康状态监测和故障诊断。而对于一些疑难故障及罕见故障等特殊情况，卷积神经网络无法得出有效诊断结论，则利用故障诊断专家系统，结合传感器所采集的数据和领域专家的故障知识，利用专家系统推理引擎完成故障的诊断。两者的结合改善了故障诊断的能力和诊断准确率。

图3 故障诊断系统结构

2.2 基于卷积神经网络的故障诊断技术

为了对装备进行故障诊断及实时状态监测，利用卷积神经网络技术，进行故障特征提取与诊断，对某装备作业装置的实时状态进行评估分析。诊断故障诊断步骤如下。

（1）故障数据采集

根据故障诊断系统实际工作状况及液压系统故障表现，对于卷积神经网络，其输入层神经元的数目应与推桥马达支路中的传感器数目保持一致，而其输入信号则分别为无线检测终端所采集的传感器信号再经相关预处理后的数据。采集的数据包括推桥液压马达转速和流量、主油路液压油的油温及油压、支路中的液压油油压等相关数据。因此，对该支路卷积神经网络模型输入层初始神经元数目设定为5。

对于本案例，液压系统中可能产生的主要故障共有5种情况：系统内液压油受到污染；液压泵故障产生的工作异常；液压马达故障产生的工作异常；液压缸故障产生的工作异常；液压管路损坏导致的漏油。针对每种故障，本文根据其对装备整体性能影响程度和故障维修工作量进行等级划分，分为轻微故障、一般故障、严重故障。因此，再考虑正常工况的情况，该支路卷积神经网络的输出层共有16种分类结果，分别对应一种典型的装备性能健康状态。

（2）数据的预处理

以表1所示的10组某装备作业装置中的推桥马达液压支路故障数据为例进行分析讨论，说明如何进行相应的数据预处理。其中表格中P1～P5分别代表着测量得到的推桥马达转速和流量、主油路液压油油温和油压以及该支路液压油路油压。由表可知，不同种类传感器采集到的数据具有不同的量纲和量纲单位，如果直接对这样的数据进行计算将会影响到数据分析的准确度。因此在将数据输入卷积神经网络训练之前，还需对数据进行归一化处理（模糊处理），使各参数处于同一数量级，实现数据指标之间的可比性。

表1 推桥马达支路故障数据

对系统读取到的数据使用分段函数的形式进行处理，将数据进行归一化处理从而转换到[0,1]的取值区间上来，以更加直观地展现数据值的大小及与对应理想值的偏差情况。其中0.5代表数据参数值达到最佳标准值，即对应的目标理想值；而0.2、0.8分别代表参数值较低和较高的情况，即脱离了正常参数值范围，可能存在某种故障情况。图4所示为提出的分段函数简化图。

图4 分段函数曲线

将表1样本数据点按参考文献[3]的方法进行处理得到表2所示数据。所有数据都依照此处理方式，然后利用C语言在LabWindows/CVI平台调用MATLAB函数进行批量处理。

表2 神经网络训练样本输入向量

该诊断系统中，共设置5个传感器，每个传感器采集200个数据，共测得1 000个数据。由于该系统包括5个传感器，单种信号每组数据实际分析200个点，因此每组数据5个信号共计1 000个数据。将1 000个数据顺次连接，并按图5转换原理进行一维至二维的变换，即将长度为1 000的数据按照顺序依次填入k×k的矩阵之中，若矩阵还有空位，则由0补上。其中，k由公式k=[n]+1确定，n为数据点数，[n]表示对n的开方结果进行取整处理，此处n=1 000，可推算出k=32，因此在需将1 000个数据补上24个0（32×32-1 000=24）构成1 024个数据，作为卷积神经网络输入层信号，如图6所示。

图5 数据转换原理

图6 卷积神经网络结构

（3）卷积神经网络结构设计

根据液压系统的故障情况统计，总结出液压系统5种故障，即油液污染、液压泵工作异常、液压马达工作异常、油缸压力异常和液压管路泄漏，作为卷积神经网络的5个输入节点。目前对卷积神经网络卷积层和池化层的层数的确定尚无有效的理论方法，一般是依据经验反复试验确定，本文综合考虑信号种类、数据通道和数据点数及信号频率，经仿真试验，参照文献[5-6]的构建方法，确定包含2个卷积层和2个池化层相互连接，1个全连接层，以及共16个节点的输出层。限于时间及样本特性，本文未穷尽所有可能性，仅从可行性角度，试验确定第一层卷积层的卷积核数量为6，大小为5×5；第二层卷积层的卷积核数量为12，综合考虑提升分析精度和缩小运算量的需求，确定大小为3×3。池化层步长设置为2，采用均值池化方法。输出层采用Softmax分类器，其余激活函数均为ReLU函数。学习率设定为0.01，训练批量为40。最大迭代次数200次，最大容许误差为0.1。卷积神经网络结构如图6所示。将该装备作业装置的健康状态从无故障到彻底损坏分为16个等级。与卷积神经网络的输出层共有16种分类结果相对应。

（4）诊断结果分析

针对16种工况状态条件，分别重复实验进行数据采集并保留相应数据。采样频率设定为128 Hz，每种工况条件下各传感器分别采集150组数据；每组数据采集时间为10 s，即单个传感器每组数据共得到1 280个数据点。为了便于计算，在不影响诊断精度的情况下加快诊断速度，对每组数据进行重采样处理。根据奈奎斯特采样定律，将重采样频率设定为20 Hz。此外，在实际采集实验中，要在装备平稳运行时才能进行数据采集。因此，实际分析时，单个传感器每组数据包含200个数据点。

在每种工况150个样本中各随机抽取130个样本作为训练样本进行卷积神经网络的初始训练，而每种工况剩余的20个样本则作为训练后的卷积神经网络准确度测试样本（共计2 080个训练样本，320个测试样本）。为验证本文设计的卷积神经网络性能可靠性，本文在选择上述网络模型参数后，共进行5次卷积神经网络故障诊断测试实验，表3所示为每次实验的迭代收敛次数和测试准确率。从表中可以看出，最低诊断准确率为95.93%，最高为98.75%，证明本文所构造的诊断系统具有比较理想的诊断准确性。

表3 卷积神经网络测试结果

3 结束语

本文根据某装备作业装置的故障特点及分布情况，设计基于无线传感网络的传感器数据采集方案，为故障诊断系统提供了监测数据。以推桥马达支路为例，设计了一种基于多分类器Softmax的卷积神经网络故障诊断系统，能够对采集的架设系统工况数据进行故障诊断。在实际应用中，能够不断继续学习，更新其网络参数。最后基于面向对象技术和模块化技术，在虚拟仪器集成开发平台LabWindows/CVI上利用C语言开发了故障诊断系统上位机故障诊断应用软件。本文设计的算法程序具有较好鲁棒性、灵活性和实用性，满足了多层次部队维修人员的使用需求，其推广应用可有效地提高部队装备维修保障的能力。