基于深度1DCNN的25YCY柱塞泵故障诊断网络优化及验证

马海英，张 鹏，郭志军

（1.黄河交通学院汽车工程学院，河南武陟 454950；2.河南科技大学车辆与交通工程学院，河南洛阳 471003）

随着液压系统技术的研究不断深入，实现高精度运动控制与动力性能提升成为人们研究的热点课题。由于轴向柱塞泵属于液压系统的一种重要动力机构，可以实现液压系统的稳定动力保障，具体工作机制是利用柱塞往复运动的形式，调控腔体的空间尺寸，并达到吸油与排油的控制效果［1-3］。可以将柱塞泵的故障诊断过程分成3 个步骤，包括故障数据采集、特征参数提取与分类［4-5］。由于柱塞泵运行期间会产生有明显波动性的信号，呈现明显时变趋势，根据上述研究结果，应同时选择能够使信号时频域数据进行全局处理的方法，由此完成时频分析［6］。还有学者通过卷积神经网络自适应的方法进行故障参数提取，有效避免人为因素产生的波动影响，显著提升了分析结果的稳定性。此外，不少学者通过上述方法实现对不同类型故障信息进行分析的功能，从而获得精确的故障信号特征［7-10］。学者们针对柱塞泵空化的作用机制与相关影响因素开展全面分析。例如，魏晓良等［11］在振动信号频谱分析基础上加入卷积神经网络分析的方法对故障实施诊断，结果显示采用带通滤波方法可以明显抑制频谱图的噪声信号。经仿真测试，能对多种复杂信噪比柱塞泵故障实现准确识别。张凯等［12］运用局部均值重构和支持向量机来达到精确诊断柱塞泵故障的效果，结果表明，重构信号能够同时促进准确性与测试精度的同步提升功能，使整体识别性能获得显著改善。

在对一些复杂参数或分类进行处理时，深层卷积神经网络（DCNN）算法相对浅层卷积神经网络表现出了更优特征提取能力，同时促进了映射精度的显著优化［13］。对于图像分析过程，DCNN也获得了广泛使用，并表现出了优异综合性能。柱塞泵出现故障时将会产生非平稳变化的信号参数，可根据时频方法判断信号频谱变化规律，从而获得比传统时域、频域分析方法更优的性能［14］。对柱塞泵故障进行1DCNN诊断时，可通过初始信号分析的方法，避免外部因素对特征提取结果产生的影响，从而满足智能诊断需求。但考虑到以传统1DCNN模型进行分析时，无法完成深度学习的过程，对最终数据精度造成不利影响。因此，本研究利用增加1DCNN深度的方式，在设计模型时加入更高比例的卷积层，由此促进D-1DCNN模型特征提取效率的显著提高。

1 柱塞泵故障诊断实验系统

柱塞泵故障诊断实验原理如图1所示。电源连接之后，电机进入转动阶段并使轴向柱塞泵获得驱动力，缸体开始方式旋转，柱塞呈现往复运动的状态，实现油液的吸排过程。实验设置了加速度测试仪对泵壳的振动信号数据实施采集，同时采集液压泵流量与泵运行压力。柱塞泵运行阶段泵壳在振动状态下形成了大量的冲击作用信号，根据这些信号变化规律对柱塞泵的故障特征进行综合分析。

本次测试选择型号为25YCY的轴向柱塞泵，数据采集以NI-USB-6343-10 采集卡实现。本次获得的具体参数见表1。

表1 采集参数设置Tab.1 Collection parameter Settings

2 模型建立

2.1 深度一维卷积神经网络

1DCNN 对一维振动信号可以实现直接分析的功能。可将1DCNN与卷积核都作为一维结构进行处理，对应的卷积核是1×n。1DCNN 结构如图2所示。根据图中数据获得一维池化的具体步骤，将步长设定在3。利用卷积核浓缩数据后，得到了浓缩程度更大的特征数据。

图2 1DCNN结构Fig.2 Structure diagram of 1DCNN

2.2 基于D-1DCNN的柱塞泵故障诊断

本实验针对振动信号的具体状态共设置样本参数为176 万个，按照比例为4∶1 的条件设置训练与测试样本。

2.2.1 D-1DCNN网络构建与参数设置

D-1DCNN结构参数见表2，同时输入9 000×1规模的信号。对所有层数据经过卷积后，再利用tanh函数对其进行激活。以Adam优化器优化本文设计的分析模型，将学习率设置为0.01，共经过50次计算得到最终结果。

表2 D-1DCNN网络参数设置Tab.2 D-1DCNN network parameter Settings

2.2.2 D-1DCNN网络参数调节

学习率对网络性能的影响见表3。当学习率增大后，将会引起模型训练时间的进一步增加。将学习率设定在较小的状态，为0.01，此时模型故障诊断率达到最高。学习率为0.3 的情况下，准确率降低到65%；而将学习率提高到0.5 之后，则无法实现模型收敛的功能。

表3 学习率对网络性能的影响Tab.3 Influence of learning rate on network performance

针对卷积核导致D-1DCNN 的变化开展分析，应固定D-1DCNN的其余参数条件。本研究中只单独调节卷积核的大小，连接网络后，再对训练时间与识别精度开展对比分析。将卷积核设定在1×1、1×5、1×3、1×10的4种状态，最后评估了每种样本的准确率结果。测试参数显示见表4，逐渐提高卷积核规模后，将需要更长时间进行训练，同时需更新更多的模型参数。随卷积核尺寸增加后，识别准确率先增大后减小，在卷积核处于高度3 的条件下，测试得到的准确率最优。

表4 卷积核大小对网络性能影响Tab.4 Influence of convolution kernel size on network performance

以各组样本组成批处理的模式，数据显示见表5，当批处理量保持50的情况下，模型准确率最高。批处理量过低时则会引起训练时间显著增加。

表5 批处理量对网络性能影响Tab.5 Impact of batch volume on network performance

在测试期间设置了最大和平均池化参数，如图3所示，以模型进行训练得到的网络精度。1DCNN处于最大池化模型下时收敛效率获得大幅提升，属于本模型的最大池化参数。

图3 不同池化方法对识别准确率影响Fig.3 Influence of different pooling methods on recognition accuracy

通过SGD 和Adam 二个优化器进行参数调整。故障诊断准确率测试结果如图4 所示。经对比可知，Adam 相对SGD 获得了比本实验模型更优性能，实现了收敛性的显著增强。

图4 不同优化器对网络性能影响Fig.4 Influence of different optimizers on network performance

2.3 实验结果

为D-1DCNN 设置样本参数后，再以随机方式分配训练与测试样本，保持两种样本数比值4∶1，在10 次迭代后再进行第二次迭代时达到100%准确率，如图5所示。整个训练过程的时间共124 s。最后测试表明，D-1DCNN 能够满足对轴向柱塞泵故障进行准确诊断。

图5 实验结果Fig.5 Experimental results

从模型处理效率层面考虑，D-1DCNN 时间比1DCNN 更短，并且结果准确率也达到100%，因此D-1DCNN具备更优性能。而1DCNN因缺乏信号特征完整性，最终准确率只有94.2%。以本文深度一维卷积神经网络进行处理时，对故障信号识别准确性达到100%，完全符合智能故障诊断指标，见表6。

表6 模型网络性能比较Tab.6 Comparison of model network performance

3 结论

（1）对D-1DCNN 进行网络参数调节优化确定，学习率为0.3，卷积核高度3，批处理量保持50，最大池化模型下，Adam优化器。

（2）在10 次迭代后再进行第二次迭代时达到100%准确率，训练时间共124 s，表明D-1DCNN 能够满足对轴向柱塞泵故障进行准确诊断，完全符合智能故障诊断指标。