姜保軍,王帥杰,董紹江

(重慶交通大學(xué) a.機(jī)電與車輛工程學(xué)院；b.城市軌道車輛系統(tǒng)集成與控制重點(diǎn)實(shí)驗(yàn)室，重慶 400074)

0 引言

隨著工業(yè)技術(shù)的進(jìn)步，工業(yè)設(shè)備應(yīng)用得到了更好的發(fā)展，液壓系統(tǒng)的應(yīng)用也越來越廣泛,液壓系統(tǒng)成為很多機(jī)械設(shè)備主要的動(dòng)力來源[1]。在使用過程中，液壓系統(tǒng)中的蓄能裝置能夠穩(wěn)定系統(tǒng)的壓力和油量，對(duì)液壓系統(tǒng)的穩(wěn)定運(yùn)行十分重要，因而準(zhǔn)確可靠的檢測(cè)出液壓系統(tǒng)中蓄能裝置的故障是非常有必要的。目前對(duì)液壓系統(tǒng)故障診斷的研究中，主要集中在特征提取和網(wǎng)絡(luò)模型的構(gòu)建方面，液壓系統(tǒng)的信號(hào)特征提取方法主要是小波分解[2-3]、經(jīng)驗(yàn)?zāi)B(tài)分析[4]、希爾伯特-黃變換[5-6]、信息熵[7]等。所采用的分類模型多為支持向量機(jī)[8]、極限學(xué)習(xí)機(jī)[9]等機(jī)器學(xué)習(xí)模型來完成液壓系統(tǒng)的故障診斷。

近年來在對(duì)液壓系統(tǒng)故障診斷的研究過程中，運(yùn)用人工智能的方法在故障的特征提取和故障的識(shí)別上取得了不小的進(jìn)步。文獻(xiàn)[10]利用RBF神經(jīng)網(wǎng)絡(luò)對(duì)液壓系統(tǒng)的模糊故障進(jìn)行檢測(cè)，對(duì)液壓系統(tǒng)存在的一些故障進(jìn)行模擬分析。文獻(xiàn)[11]運(yùn)用差分進(jìn)化算法和BP神經(jīng)網(wǎng)絡(luò)算法相結(jié)合完成了盾構(gòu)機(jī)液壓系統(tǒng)的故障診斷。

在液壓系統(tǒng)的故障診斷中，運(yùn)用機(jī)器學(xué)習(xí)的方法可以很好的建立壓力的信號(hào)特征和蓄能裝置故障類型之間的關(guān)系，然后利用這種關(guān)系和壓力信號(hào)特征來對(duì)故障類型進(jìn)行識(shí)別。由于蓄能的故障類型是多樣性的，在神經(jīng)網(wǎng)絡(luò)的構(gòu)建過程中存在使用過多的信號(hào)特征去表征蓄能裝置的故障情況，但是，過多的信號(hào)特征之間具有很強(qiáng)的相關(guān)性，可能使得信號(hào)特征之間存在互相干擾的情況，這會(huì)使得所建立的網(wǎng)絡(luò)模型對(duì)故障的識(shí)別效率低，泛化能力差，穩(wěn)定性不好等問題。

堆棧稀疏自編碼網(wǎng)絡(luò)是一種典型的深度學(xué)習(xí)模型，能夠通過神經(jīng)網(wǎng)絡(luò)的隱含層來提取高維特征，降低特征維度，完成對(duì)數(shù)據(jù)信息的表達(dá)。而且識(shí)別準(zhǔn)確率高，穩(wěn)定性更好，泛化能力更強(qiáng)。針對(duì)以上研究中的不足，本文應(yīng)用一種深度學(xué)習(xí)的方法堆棧稀疏自編碼網(wǎng)絡(luò)(SAE)對(duì)多個(gè)的壓力信號(hào)特征進(jìn)行提取，得到高維特征，降低特征維度，再根據(jù)Softmax分類器構(gòu)建出信號(hào)特征和蓄能裝置故障之間的關(guān)系，進(jìn)而完成對(duì)蓄能裝置故障類型的識(shí)別。最后實(shí)驗(yàn)結(jié)果表明，該方法能可靠的提升液壓系統(tǒng)中蓄能裝置故障診斷的準(zhǔn)確率。

1 堆棧稀疏自編碼器

1.1 自編碼器

自編碼器是由輸入層、隱含層以及輸出層構(gòu)成的一個(gè)三層的神經(jīng)網(wǎng)絡(luò)。其中對(duì)于輸入和輸出層要求維數(shù)必須相一致。從輸入層到隱含層再到輸出層是一個(gè)編碼和解碼的過程，具體計(jì)算過程如下：

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

(1)

(2)

L(x,y)是重構(gòu)誤差函數(shù)，當(dāng)sg為恒等函數(shù)時(shí)：

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

(3)

當(dāng)sg為Sigmod函數(shù)時(shí)：

(4)

JAE(θ)=∑x∈SL(x,g(f(x)))

(5)

重復(fù)運(yùn)用迭代算法，使得JAE(θ)達(dá)到最小值，就可以求出自編碼器的各項(xiàng)參數(shù)，完成神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。具體的模型如圖1所示。

圖1 自編碼器的結(jié)構(gòu)示意圖

1.2 堆棧稀疏自編碼器

堆棧式稀疏自編碼器是由多個(gè)稀疏自編碼器堆疊構(gòu)成的，和不同的分類器進(jìn)行連接構(gòu)成了不同的深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)模型。對(duì)堆棧式稀疏自編碼器進(jìn)行訓(xùn)練，得到該層的隱含層相應(yīng)的特征，同時(shí)將這一層的隱含層特征作為激活下一層的輸入，經(jīng)過多次訓(xùn)練之后，完成對(duì)SSAE的訓(xùn)練。再和分類器相連，將稀疏自編碼器最后一層的隱含層的特征輸入到Softmax分類器中，來實(shí)現(xiàn)對(duì)于液壓系統(tǒng)蓄能裝置的故障識(shí)別。

1.3 Softmax分類器

本文采用的分類器是softmax模型，softmax模型是邏輯回歸模型的一種推廣，主要是用來解決多分類的問題，故選用該模型來完成對(duì)故障的分類識(shí)別[12]。分類器模型如圖2所示。

y=Softmax(x,θ)=ykT

(6)

yk=P(y(x)=k|x;θk)

(7)

(8)

(9)

上式中yk是輸出向量，x是輸入向量，K為類別個(gè)數(shù)，k是訓(xùn)練樣本的類別標(biāo)簽，權(quán)重向量參數(shù)θ=[θ1，θ2,…θK]，Z為歸一化因子。如果x在第K個(gè)類別時(shí)為最大概率，即可判別x輸入第K類故障。式(6)是激活函數(shù)。

(3) 溫度高低、晝夜溫差對(duì)葉綠素含量、根系特征、根系活力均有明顯影響。晝溫和夜溫對(duì)幼苗生長(zhǎng)和生理指標(biāo)的影響是耦合效應(yīng),且相關(guān)度高。運(yùn)用回歸分析建立的數(shù)學(xué)模型,得到適合甜瓜幼苗生長(zhǎng)發(fā)育以及各項(xiàng)生理指標(biāo)優(yōu)化的的溫度區(qū)域是25/15 ℃。

hθ(x)為Softmax的階躍函數(shù)：

(10)

J(θ)為softmax的損失函數(shù)：

(11)

圖2 softmax分類器結(jié)構(gòu)

2 實(shí)驗(yàn)與分析

2.1 數(shù)據(jù)描述

液壓系統(tǒng)中蓄能裝置的故障檢測(cè)對(duì)維持液壓系統(tǒng)的穩(wěn)定，以及整個(gè)機(jī)械設(shè)備的平穩(wěn)運(yùn)行有著十分重要的意義。為了驗(yàn)證所提出方法的可行性，本文采用UCI網(wǎng)站中液壓系統(tǒng)狀態(tài)監(jiān)測(cè)數(shù)據(jù)集中的蓄能裝置故障數(shù)據(jù)進(jìn)行實(shí)驗(yàn)[13]。實(shí)驗(yàn)數(shù)據(jù)是通過一個(gè)液壓實(shí)驗(yàn)臺(tái)獲得，該實(shí)驗(yàn)臺(tái)的液壓系統(tǒng)會(huì)以60s為一個(gè)循環(huán)重復(fù)的進(jìn)行恒定負(fù)載循環(huán)，通過不同的傳感器對(duì)系統(tǒng)中壓力、流量和溫度進(jìn)行狀態(tài)監(jiān)測(cè)。在ps1、ps2、ps3壓力傳感器下，采樣率100Hz下的監(jiān)測(cè)數(shù)據(jù)。對(duì)于該數(shù)據(jù)下的蓄能裝置的4種壓力狀態(tài)(最佳壓力，壓力略微減輕，壓力嚴(yán)重減輕、壓力接近失效)進(jìn)行識(shí)別。每種故障類型得到的數(shù)據(jù)樣本均是200個(gè)。具體樣本數(shù)據(jù)如表1所示。

表1 樣本數(shù)據(jù)

2.2 實(shí)驗(yàn)流程

首先提取液壓系統(tǒng)的壓力信號(hào)，在通過小波變換和希爾伯特-黃變換提取特征，對(duì)特征進(jìn)行提取，設(shè)置訓(xùn)練集和測(cè)試集，將訓(xùn)練集導(dǎo)入到稀疏自編碼器中進(jìn)行訓(xùn)練，將訓(xùn)練好的網(wǎng)絡(luò)來初始化深度學(xué)習(xí)網(wǎng)絡(luò)參數(shù)，利用反向傳播算法來進(jìn)行微調(diào)，完成網(wǎng)絡(luò)模型，在使用測(cè)試集進(jìn)行訓(xùn)練，完成故障診斷。實(shí)驗(yàn)流程圖如圖3所示。

圖3 實(shí)驗(yàn)流程圖

2.3 特征提取

為了獲得壓力信號(hào)的時(shí)頻信息，對(duì)信號(hào)進(jìn)行小波變換。使用db1小波函數(shù)對(duì)信號(hào)進(jìn)行三層分解，每層只對(duì)低頻部分進(jìn)行分解，對(duì)高頻部分則不進(jìn)行考慮。經(jīng)過三層分解后，將會(huì)得到3個(gè)高頻系數(shù)一個(gè)低頻系數(shù)，最后系數(shù)采用樣本熵的方法得到4個(gè)特征值。

使用希爾伯特-黃變換進(jìn)行特征提取時(shí)，先使用經(jīng)驗(yàn)?zāi)B(tài)方法分解為若干個(gè)固有模態(tài)分量，通過對(duì)固有模態(tài)分量求方差，在對(duì)所有固有模態(tài)分量的方差進(jìn)行求和，得出每類壓力信號(hào)的方差和特征。再對(duì)固有模態(tài)分量進(jìn)行希爾伯特變換，獲得最大瞬時(shí)頻率和最大幅值兩個(gè)特征。本文是選用3個(gè)壓力傳感器信號(hào)，每個(gè)壓力傳感器信號(hào)使用小波變換和希爾伯特-黃變換共得出7個(gè)特征，3個(gè)傳感器總計(jì)21個(gè)特征。

在對(duì)故障的特征提取完之后，在每類故障中選取200個(gè)樣本，訓(xùn)練集和測(cè)試集的樣本數(shù)量均為400個(gè)，并對(duì)每類故障設(shè)置相對(duì)應(yīng)的標(biāo)簽。

2.4 實(shí)驗(yàn)結(jié)果與分析

在對(duì)數(shù)據(jù)的測(cè)試集和訓(xùn)練集設(shè)置完畢后，將數(shù)據(jù)導(dǎo)入到SSAE中進(jìn)行學(xué)習(xí)，在將特征輸入到softmax分類器中，對(duì)深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的參數(shù)進(jìn)行設(shè)置，進(jìn)行實(shí)驗(yàn)。深度神經(jīng)網(wǎng)絡(luò)參數(shù)如表2所示。

表2 深度神經(jīng)網(wǎng)絡(luò)參數(shù)

實(shí)驗(yàn)完成對(duì)故障分類，總的準(zhǔn)確率達(dá)到了98.3%。其中第一類最佳壓力、第三類壓力嚴(yán)重減輕和第四類壓力接近失效樣本全部預(yù)測(cè)準(zhǔn)確，準(zhǔn)確率達(dá)到100%；第二類壓力略微減輕樣本預(yù)測(cè)準(zhǔn)確93個(gè)，準(zhǔn)確率是93%；總體上完成了對(duì)故障的分類，且具有很好的分類效果。實(shí)驗(yàn)結(jié)果如圖4所示。

圖4 實(shí)驗(yàn)結(jié)果

為了驗(yàn)證此次提出的方法的有效性，在對(duì)故障提取特征的基礎(chǔ)上，分別采用極限學(xué)習(xí)機(jī)(ELM)和支持向量機(jī)(SVM)進(jìn)行了對(duì)比性的實(shí)驗(yàn)。將所提取的特征值作為ELM和SVM的輸入，對(duì)兩種機(jī)器模型進(jìn)行了10次實(shí)驗(yàn)，并將三種模型的實(shí)驗(yàn)效果進(jìn)行了對(duì)比，可以發(fā)現(xiàn)ELM的準(zhǔn)確率相對(duì)較低且十分的不穩(wěn)定，SVM十分的穩(wěn)定，準(zhǔn)確率達(dá)到93.25%。SSAE有些微的波動(dòng)，但在準(zhǔn)確率上達(dá)到97%以上，分類效果更好。對(duì)比結(jié)果如圖5所示，實(shí)驗(yàn)結(jié)果表明，深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確率更高，比傳統(tǒng)的機(jī)器學(xué)習(xí)模型的分類效果更好。

圖5 實(shí)驗(yàn)結(jié)果對(duì)比

為了證明堆棧稀疏自編碼器具有提取高維特征的性質(zhì)，在本文中采用了T-分布隨機(jī)近鄰嵌入(TSNE)的方法對(duì)提取的特征進(jìn)行了二維可視化[14]，通過實(shí)驗(yàn)得出原始特征和經(jīng)過2層SSAE后所得出的特征可視化圖。結(jié)果如圖6所示。

(a) 原始特征散點(diǎn)圖

(b) 2層堆棧稀疏自編碼器特征散點(diǎn)圖 圖6 特征可視化

通過對(duì)圖6a和圖6b的對(duì)比可以發(fā)現(xiàn)，在圖7中，所得到的故障信息混淆在一起，沒有明顯的區(qū)分，經(jīng)過稀疏編碼器對(duì)特征進(jìn)行提取過后，可以發(fā)現(xiàn)，各類的故障完成了分類，聚集在了一起，使得各類故障信息更具有可分性，所以由此可以得出稀疏自編碼器能夠?qū)Ω呔S的特征進(jìn)行提取，使得分類的效果更好。

3 結(jié)論

本文提出了一種基于堆棧稀疏自編碼器(SSAE)的深度學(xué)習(xí)識(shí)別模型，對(duì)液壓系統(tǒng)中的蓄能裝置進(jìn)行分類。結(jié)果表明：

(1)采用小波變換和希爾伯特-黃變換進(jìn)行特征提取，作為堆棧稀疏自編碼器(SSAE)的輸入，進(jìn)行模型訓(xùn)練，得到了數(shù)據(jù)的高維樣本特征，使得局部極值和梯度消失問題得到解決；

(2)經(jīng)過實(shí)驗(yàn)對(duì)比得出，深度神經(jīng)網(wǎng)絡(luò)模型相比于傳統(tǒng)的機(jī)器學(xué)習(xí)方法，深度學(xué)習(xí)模型對(duì)于液壓系統(tǒng)中蓄能裝置故障識(shí)別準(zhǔn)確率和穩(wěn)定性比機(jī)器學(xué)習(xí)模型更高，對(duì)于液壓系統(tǒng)的故障識(shí)別更具有運(yùn)用價(jià)值。