單增海 李志遠(yuǎn) 張 旭 黃亦翔 李彥明 劉成良 張 軒

1.徐州重型機(jī)械有限公司，徐州，2210042.上海交通大學(xué)機(jī)械系統(tǒng)與振動(dòng)國(guó)家重點(diǎn)實(shí)驗(yàn)室，上海，200240

0 引言

液壓泵因其響應(yīng)快速、調(diào)速范圍大、單位質(zhì)量的功率大等特點(diǎn)，已成為工程機(jī)械設(shè)備液壓系統(tǒng)的主要驅(qū)動(dòng)元件。作為液壓系統(tǒng)的核心組件，液壓泵可為整個(gè)系統(tǒng)提供動(dòng)力，其健康狀態(tài)對(duì)液壓系統(tǒng)的運(yùn)行狀態(tài)和效率有重要的影響，且設(shè)備整體運(yùn)行的可靠性、穩(wěn)定性與液壓系統(tǒng)緊密相關(guān)[1]，因此準(zhǔn)確地評(píng)估液壓泵的健康狀態(tài)對(duì)制定合理的維護(hù)計(jì)劃、保障正常生產(chǎn)有重大的現(xiàn)實(shí)意義。

目前，液壓泵的健康評(píng)估方法主要是基于單一的振動(dòng)信號(hào)分析建立的，而壓力、溫度等其他信號(hào)則很少直接用于評(píng)估液壓泵的健康狀態(tài)，通常只是作為一個(gè)參考指標(biāo)。針對(duì)單一的振動(dòng)信號(hào)，HANCOCK等[2]使用小波包分解液壓葉片泵的振動(dòng)信號(hào)，基于提取到的特征利用模糊推理系統(tǒng)進(jìn)行健康狀態(tài)分類(lèi)；ZHU等[3]使用疊加自動(dòng)編碼器對(duì)振動(dòng)信號(hào)進(jìn)行訓(xùn)練和識(shí)別，實(shí)現(xiàn)了泵的故障診斷；劉志宇等[4]使用卷積神經(jīng)網(wǎng)絡(luò)對(duì)大量歷史振動(dòng)數(shù)據(jù)進(jìn)行訓(xùn)練，有效提高了預(yù)測(cè)準(zhǔn)確率；王浩任等[5]使用小波包提取柱塞泵原始振動(dòng)信號(hào)的有效特征群，通過(guò)拉普拉斯特征映射方法實(shí)現(xiàn)了特征向量到健康狀態(tài)的映射。此外，還有學(xué)者針對(duì)振動(dòng)信號(hào)外的其他信號(hào)進(jìn)行分析，GAO等[6-7]使用小波分解方法對(duì)泵的壓力信號(hào)進(jìn)行分析，實(shí)現(xiàn)了對(duì)柱塞泵的實(shí)時(shí)健康診斷，并進(jìn)一步使用小波包分解和小波系數(shù)殘差分析方法實(shí)現(xiàn)了泵的故障種類(lèi)診斷；ZHAO等[8]采用基于間歇性混沌和滑動(dòng)窗口符號(hào)序列統(tǒng)計(jì)的方法，利用泵排放壓力實(shí)現(xiàn)了對(duì)早期故障的診斷。

綜上所述，當(dāng)前液壓泵的健康評(píng)估多依賴(lài)于單一的振動(dòng)信號(hào)或壓力信號(hào)，而在實(shí)際工況中，振動(dòng)源多且雜，單一振動(dòng)信號(hào)或壓力信號(hào)易造成評(píng)估系統(tǒng)的不穩(wěn)定，將多種傳感器信號(hào)結(jié)合則能更加準(zhǔn)確地獲取液壓泵運(yùn)行狀態(tài)的特征，提高系統(tǒng)分辨能力以及可靠性，從而降低系統(tǒng)成本[9]。相對(duì)于單傳感器，多傳感器能夠給出更多有用信息。信息融合是對(duì)多種信息進(jìn)行多級(jí)處理，每一級(jí)處理均是對(duì)上一級(jí)信息的再加工與抽象，按照實(shí)際融合過(guò)程中的體系，信息融合可以分為如下三類(lèi)：數(shù)據(jù)級(jí)融合、特征級(jí)融合和決策級(jí)融合[10]。不少學(xué)者在健康診斷的研究中引入了信息融合，并取得了不錯(cuò)的效果[11-14]。任鳳娟[15]使用BP神經(jīng)網(wǎng)絡(luò)對(duì)多路信號(hào)進(jìn)行診斷，并用D-S理論進(jìn)行結(jié)果融合，從而提高液壓系統(tǒng)的診斷準(zhǔn)確度；劉思遠(yuǎn)等[16]通過(guò)計(jì)算得到液壓滑靴在不同磨損程度下振動(dòng)、出口流量及壓力三種信號(hào)的烈度特征因子，并基于這三種烈度特征因子建立多信息決策融合算法，從而實(shí)現(xiàn)磨損判斷。LU等[17]利用泵級(jí)、液壓動(dòng)力系統(tǒng)級(jí)和液壓執(zhí)行系統(tǒng)級(jí)三個(gè)層次的信號(hào)構(gòu)建了三個(gè)基本概率分配函數(shù)，并提出了基于新的證據(jù)相似性距離的D-S理論來(lái)融合決策，以完成對(duì)泵故障的診斷。

深度森林模型是一種基于決策樹(shù)的深度模型[18]，其中多粒度級(jí)聯(lián)森林模型使用了一種新的決策樹(shù)集成方法，是傳統(tǒng)森林模型在廣度和深度上的集成，同時(shí)具有訓(xùn)練速度快、參數(shù)數(shù)量少、效率高等優(yōu)點(diǎn)。

本文提出了一種基于多傳感器信息融合和多粒度級(jí)聯(lián)森林模型的液壓泵健康評(píng)估方法。針對(duì)柱塞泵多個(gè)傳感器信號(hào)，采用了特征級(jí)融合和決策級(jí)融合相結(jié)合的信息融合方法。首先提取多個(gè)原始傳感器信號(hào)的時(shí)域特征并拼接形成初步特征，其次利用多個(gè)集成模型獲取初步特征的類(lèi)別概率向量，并利用隨機(jī)森林模型評(píng)價(jià)初步特征的重要度并選取重要度高的初步特征，將高重要度特征與前述類(lèi)別概率向量集成為預(yù)測(cè)特征，然后將預(yù)測(cè)特征作為訓(xùn)練檢測(cè)樣本，使用多粒度級(jí)聯(lián)森林模型進(jìn)行液壓泵健康檢測(cè)的分類(lèi)。試驗(yàn)結(jié)果驗(yàn)證了基于多傳感器信息融合的多粒度級(jí)聯(lián)森林模型相較于基于單一溫度傳感器信號(hào)的多粒度級(jí)聯(lián)森林模型具有較高的健康狀態(tài)評(píng)估準(zhǔn)確度，并且在小訓(xùn)練樣本情況下仍然有99.5%的精確率。

1 液壓泵健康評(píng)估流程

隨著液壓泵使用時(shí)間的不斷延長(zhǎng)，磨損不斷加劇，液壓泵健康狀態(tài)逐漸惡化，泄漏量以及壓力損失逐漸增大，溫度、流量等信息也會(huì)受到不同程度的影響。因此，本文在試驗(yàn)環(huán)境下采集液壓泵出口壓力、流量、溫度等15路數(shù)據(jù)，經(jīng)數(shù)據(jù)清洗后提取常用時(shí)域特征作為初步特征。使用分類(lèi)器和特征篩選方法對(duì)初步特征進(jìn)行處理，拼接形成預(yù)測(cè)特征，從而實(shí)現(xiàn)特征融合[19]，最后利用多粒度級(jí)聯(lián)森林模型進(jìn)行健康狀態(tài)評(píng)估。具體評(píng)估流程如圖1所示。

圖1 液壓泵健康評(píng)估流程Fig.1 Hydraulic pump health assessment flowchart

2 多傳感器信息融合

信息融合是對(duì)多種信息的多級(jí)處理，每一級(jí)處理均是對(duì)上一級(jí)信息的再加工與抽象，信息融合可以分為數(shù)據(jù)級(jí)融合、特征級(jí)融合和決策級(jí)融合三類(lèi)。

數(shù)據(jù)級(jí)融合是最低層次的融合，是將采集的信息不經(jīng)過(guò)任何處理便進(jìn)行拼接融合，要求信號(hào)是同一物理量的信號(hào)，融合信息量大，但處理耗時(shí)、抗干擾性差。特征級(jí)融合屬于第二層次的融合，需要對(duì)傳感器采集到的原始信號(hào)進(jìn)行特征提取，將提取到的特征進(jìn)行融合，突破了數(shù)據(jù)級(jí)融合單一物理量的限制，實(shí)現(xiàn)了信號(hào)壓縮，便于傳輸處理。決策級(jí)融合是最高層次的融合，需要對(duì)每個(gè)獨(dú)立的傳感器信號(hào)進(jìn)行特征提取、識(shí)別和決策，然后將決策結(jié)果進(jìn)行融合并形成最終結(jié)果，其抗干擾能力強(qiáng)，分類(lèi)效果更加精確。

上述三種信息融合方式分別將原始信號(hào)、數(shù)據(jù)特征、決策結(jié)果進(jìn)行融合。為了更好地利用信息融合中的數(shù)據(jù)特征和決策結(jié)果，本文將不同分類(lèi)器獲得的類(lèi)別概率向量與重要度高的特征進(jìn)行融合，拼接形成最終特征，將最終特征輸入到級(jí)聯(lián)森林模型獲得最終分類(lèi)結(jié)果。本文的信息融合原理如圖2所示。

圖2 特征融合方法Fig.2 Feature fusion method

在獲取初步特征后，分別訓(xùn)練隨機(jī)森林、多層感知器[20]、支持向量機(jī)(SVM)[21]、最近鄰[22]等分類(lèi)器，得到類(lèi)別概率向量(V1，V2，…，Vj)。同時(shí)對(duì)原始輸入特征使用隨機(jī)森林模型進(jìn)行特征篩選，得到特征篩選后或特征降維后的重要特征Fimp。最后將類(lèi)別概率向量和處理后的重要特征Fimp進(jìn)行拼接得到最終的融合特征。融合特征的長(zhǎng)度Fl與所使用分類(lèi)器個(gè)數(shù)j、分類(lèi)類(lèi)別個(gè)數(shù)c、特征篩選或降維后選擇的特征個(gè)數(shù)Fc有關(guān)，即

Fl=jc+Fc

(1)

最終融合特征既包括了多類(lèi)分類(lèi)器的決策結(jié)果，同時(shí)也保留了原有特征中較為重要的信息。這樣可以避免所選擇的分類(lèi)器不適用或特征提取不到位的情況發(fā)生，從而可更有針對(duì)性地提高特征的可靠性以及預(yù)測(cè)準(zhǔn)確度。

3 深度森林模型

近年來(lái)深度學(xué)習(xí)已被應(yīng)用于各個(gè)領(lǐng)域中，目前深度學(xué)習(xí)大多基于深度神經(jīng)網(wǎng)絡(luò)(DNNs)實(shí)現(xiàn)。然而，深度神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)復(fù)雜、參數(shù)數(shù)量過(guò)多、訓(xùn)練困難、超參數(shù)調(diào)整困難、要求訓(xùn)練數(shù)據(jù)量大、模型難以解釋等問(wèn)題阻礙著其在多個(gè)領(lǐng)域中的進(jìn)一步應(yīng)用。多粒度級(jí)聯(lián)森林模型是一種非神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)的深度模型，其參數(shù)量較少、訓(xùn)練難度低，可以用較少的數(shù)據(jù)完成訓(xùn)練。

3.1 隨機(jī)森林模型

隨機(jī)森林模型是一種機(jī)器學(xué)習(xí)模型[23]，它以決策樹(shù)為基分類(lèi)器構(gòu)建Bagging集成，Bagging集成可通過(guò)降低基分類(lèi)器的方差來(lái)減小模型的泛化誤差。將待分類(lèi)樣本數(shù)據(jù)通過(guò)隨機(jī)森林分類(lèi)器進(jìn)行分類(lèi)處理，最后通過(guò)多數(shù)投票的方式得到最終的結(jié)果。隨機(jī)森林模型的結(jié)構(gòu)如圖3所示。

圖3 隨機(jī)森林模型結(jié)構(gòu)Fig.3 Structure of random forest model

3.2 多粒度級(jí)聯(lián)森林模型

多粒度級(jí)聯(lián)森林模型主要包括多粒度掃描結(jié)構(gòu)和級(jí)聯(lián)森林結(jié)構(gòu)兩個(gè)部分。

多粒度掃描結(jié)構(gòu)采用多個(gè)不同寬度的窗口進(jìn)行滑動(dòng)采樣，可獲得多個(gè)相互聯(lián)系又具有差異性的子樣本，分別使用普通隨機(jī)森林分類(lèi)器和完全隨機(jī)森林分類(lèi)器對(duì)得到的子樣本進(jìn)行訓(xùn)練，將輸出的類(lèi)別概率向量進(jìn)行拼接得到最終的轉(zhuǎn)換特征，如圖4所示。

圖4 多粒度掃描結(jié)構(gòu)Fig.4 Multi-grained scanning structure

以使用一個(gè)寬度為k維的滑動(dòng)窗口為例介紹整個(gè)特征掃描轉(zhuǎn)化過(guò)程。當(dāng)原始輸入特征向量為d維時(shí)，將滑動(dòng)步長(zhǎng)設(shè)為s(即每取一個(gè)子樣本，窗口移動(dòng)s維)，則可以得到的特征子樣本個(gè)數(shù)為m=(d-k)/s+1。分別使用普通隨機(jī)森林和完全隨機(jī)森林兩種分類(lèi)器對(duì)每個(gè)特征子樣本進(jìn)行訓(xùn)練，每個(gè)分類(lèi)器訓(xùn)練后可以得到一個(gè)c維(即分類(lèi)類(lèi)別數(shù)c)類(lèi)別概率向量，對(duì)于所有特征子樣本共得到2m個(gè)類(lèi)別概率向量。將得到的所有類(lèi)別概率向量進(jìn)行拼接即可得到2×m×c維轉(zhuǎn)換特征向量。

多粒度級(jí)聯(lián)森林模型采用與DNNs類(lèi)似的層級(jí)結(jié)構(gòu)(即級(jí)聯(lián)森林結(jié)構(gòu))，將前一層森林分類(lèi)器的輸出作為下一層森林分類(lèi)器的輸入，如圖5所示。將經(jīng)過(guò)多粒度掃描結(jié)構(gòu)轉(zhuǎn)化得到的轉(zhuǎn)換特征向量輸入到級(jí)聯(lián)森林結(jié)構(gòu)，再與每一層森林分類(lèi)器輸出的類(lèi)別概率向量進(jìn)行拼接作為下一層的輸入，最終獲得預(yù)測(cè)結(jié)果。級(jí)聯(lián)森林結(jié)構(gòu)的每一層包含若干個(gè)普通隨機(jī)森林分類(lèi)器和完全隨機(jī)森林分類(lèi)器，每層兩種不同的森林分類(lèi)器增加了模型集成的多樣性，多個(gè)森林分類(lèi)器可以充分利用特征的差異來(lái)更好地表征特征信息。

圖5 級(jí)聯(lián)森林結(jié)構(gòu)Fig.5 Cascade forest structure

為了避免過(guò)擬合的發(fā)生，在級(jí)聯(lián)森林結(jié)構(gòu)各層的每個(gè)森林分類(lèi)器的訓(xùn)練過(guò)程中均采用k折交叉驗(yàn)證。

4 試驗(yàn)方案與數(shù)據(jù)預(yù)處理

4.1 試驗(yàn)方案

圖6所示為本文液壓泵試驗(yàn)系統(tǒng)，試驗(yàn)系統(tǒng)按照國(guó)家標(biāo)準(zhǔn)GB/T 23253—2009《液壓傳動(dòng)電控液壓泵性能試驗(yàn)方法》搭建，試驗(yàn)裝置由電機(jī)、液壓泵、油箱、溢流閥、壓力傳感器等構(gòu)成，試驗(yàn)液壓泵為川崎K3V系列斜盤(pán)式軸向柱塞泵。如表1所示，共使用三種不同健康狀態(tài)下的柱塞泵進(jìn)行試驗(yàn)，分別是：完全健康的1號(hào)泵，使用2000 h左右、中度磨損狀態(tài)的2號(hào)泵，使用3000 h以上、即將處于報(bào)廢狀態(tài)的3號(hào)泵。圖7所示為3號(hào)泵的零部件磨損情況，經(jīng)測(cè)量可知，柱塞磨損量為0.06 mm，斜盤(pán)支撐座最大磨損為1.24 mm，斜盤(pán)支撐座的高壓區(qū)銅鍍層已經(jīng)磨盡，在低速運(yùn)轉(zhuǎn)時(shí)，容積效率低于80%，轉(zhuǎn)速及壓力均有明顯下降[24]。

圖6 液壓泵測(cè)試系統(tǒng)Fig.6 Hydraulic pump test system

表1 液壓泵簡(jiǎn)記代號(hào)Tab.1 Hydraulic pump health status mark

(a)柱塞磨損 (b)斜盤(pán)支撐座磨損圖7 液壓泵的磨損狀況Fig.7 Situation of hydraulic pump wear

試驗(yàn)中，使用PCI-E8025數(shù)據(jù)采集卡采集信號(hào)，信號(hào)采樣頻率為12.5 kHz，采樣時(shí)間為800 s，試驗(yàn)采集到約1000萬(wàn)條數(shù)據(jù)。信號(hào)通道共使用了15路，分別記為AI 0～AI 14，主要采集的液壓泵信號(hào)有泵1、2出口壓力、流量和溫度，泵泄油口溫度和流量，油箱溫度，電機(jī)扭矩、轉(zhuǎn)速等，各通道對(duì)應(yīng)的具體采集信號(hào)如表2所示。本次試驗(yàn)采用的噪聲計(jì)有兩個(gè)通道的輸出，通道AI 10為交流電輸出，1 Vrms(電壓有效值)對(duì)應(yīng)噪聲計(jì)的一個(gè)范圍檔，每一范圍檔內(nèi)并非線(xiàn)性均分；通道AI 11為直流電輸出，電壓10 mV對(duì)應(yīng)噪聲1 dB。

表2 各通道采集信號(hào)Tab.2 Acquisition signal corresponding to each channel

4.2 數(shù)據(jù)處理

以P1泵為例展示傳感器信號(hào)，分別繪制出P1泵各個(gè)傳感器信號(hào)的圖像，如圖8所示，其中噪聲信號(hào)用電壓信號(hào)表征，取所有傳感器試驗(yàn)數(shù)據(jù)均較為穩(wěn)定的160～480 s共400萬(wàn)數(shù)據(jù)點(diǎn)進(jìn)行分析。每5000個(gè)數(shù)據(jù)點(diǎn)作為一個(gè)數(shù)據(jù)樣本，每種健康狀態(tài)共800個(gè)樣本，3種健康狀態(tài)共2400樣本。每種健康狀態(tài)隨機(jī)采樣獲取560個(gè)訓(xùn)練集樣本和240個(gè)測(cè)試集樣本，3種健康狀態(tài)共獲取1680個(gè)訓(xùn)練樣本和720個(gè)測(cè)試樣本。按照上述操作，依次對(duì)模擬信號(hào)的其他數(shù)據(jù)進(jìn)行操作。

5 液壓泵健康狀態(tài)評(píng)估

5.1 時(shí)域特征提取

獲取健康狀態(tài)下的測(cè)試樣本后，需計(jì)算穩(wěn)定工況下信號(hào)的時(shí)域特征，包括均值、峰峰值、均方根值等12維特征，具體參數(shù)特征如表3所示，然后將所有時(shí)域特征進(jìn)行拼接集成，形成15×12=180維特征。

表3 特征參數(shù)表Tab.3 Characteristic parameter table

5.2 特征構(gòu)建與模型訓(xùn)練

初步特征集為180維，易出現(xiàn)數(shù)據(jù)冗余，影響模型效果，因此，本研究采用決策級(jí)融合和特征級(jí)融合相結(jié)合的信息融合方法形成新的預(yù)測(cè)特征，以減少特征冗余，提高模型預(yù)測(cè)準(zhǔn)確度。如圖2所示，新特征主要由兩部分組成，第一部分是多個(gè)分類(lèi)器通過(guò)初步特征得到的類(lèi)別概率向量，第二部分是基于隨機(jī)森林模型中特征的重要度所選取的重要特征。

第一部分中，分別使用初步時(shí)域特征訓(xùn)練隨機(jī)森林、多層感知器、SVM、最近鄰四個(gè)分類(lèi)器來(lái)獲取P1、P2、P3三個(gè)類(lèi)別的分類(lèi)概率，其中訓(xùn)練樣本比例和后續(xù)深度森林模型訓(xùn)練樣本比例保持一致。第二部分中，使用隨機(jī)森林模型對(duì)初步特征進(jìn)行重要度評(píng)估，選取重要度高的前8個(gè)初步特征作為新特征的組成部分。前8個(gè)重要特征及其含義如表4所示。

(a)泵1出口壓力 (b)泵2出口壓力 (c)泵泄油口壓力

表4 重要特征介紹Tab.4 Introduction of important features

由表4可知，從時(shí)域特征來(lái)看，泵泄油口溫度、泵2出口溫度、泵1出口溫度是最重要的特征，均方根值和整流平均值是較為重要的統(tǒng)計(jì)特性，這說(shuō)明柱塞泵泄油口和出口處的溫度能很好地體現(xiàn)出柱塞泵健康狀態(tài)的變化，與以往研究中最常選用的振動(dòng)、油壓等信號(hào)一樣，對(duì)泵的健康狀態(tài)診斷都具有重要的意義。

上述8個(gè)重要特征和第一部分中3×4=12個(gè)類(lèi)別概率向量拼接形成最終20維的預(yù)測(cè)特征。

5.3 基于多粒度級(jí)聯(lián)森林模型的液壓泵健康狀態(tài)分類(lèi)

多粒度掃描結(jié)構(gòu)的超參數(shù)主要有森林分類(lèi)器數(shù)量、森林分類(lèi)器類(lèi)型、決策樹(shù)數(shù)量、滑動(dòng)窗口大小以及節(jié)點(diǎn)分裂最小樣本數(shù)等；級(jí)聯(lián)森林結(jié)構(gòu)的超參數(shù)主要有森林分類(lèi)器數(shù)量、森林分類(lèi)器類(lèi)型、決策樹(shù)數(shù)量和節(jié)點(diǎn)分裂最小樣本數(shù)。

本文中，多粒度掃描結(jié)構(gòu)和級(jí)聯(lián)森林結(jié)構(gòu)的森林分類(lèi)器類(lèi)型均選為完全隨機(jī)森林和普通隨機(jī)森林的組合，按照經(jīng)驗(yàn)選取滑動(dòng)窗口大小分別為2、4、8，多粒度掃描結(jié)構(gòu)和級(jí)聯(lián)森林結(jié)構(gòu)的節(jié)點(diǎn)分裂最小樣本數(shù)均為5。具體參數(shù)設(shè)置如表5所示。

表5 多粒度級(jí)聯(lián)森林模型的參數(shù)Tab.5 Parameter of multi-grained cascade forest model

本文選用20%的樣本作為測(cè)試集，剩余樣本作為訓(xùn)練集?？紤]到分類(lèi)問(wèn)題的普遍性，選用分類(lèi)問(wèn)題中常用的兩個(gè)參數(shù)(精確率和召回率)作為評(píng)價(jià)指標(biāo)，其表達(dá)式如下：

(2)

其中，NTP為預(yù)測(cè)為正樣本、標(biāo)簽為正樣本的樣本數(shù)量；NFP為預(yù)測(cè)為正樣本、標(biāo)簽為負(fù)樣本的樣本數(shù)量；NFN為預(yù)測(cè)為負(fù)樣本、標(biāo)簽為正樣本的樣本數(shù)量。在上述選用的測(cè)試集(測(cè)試集比例為20%)下對(duì)多粒度級(jí)聯(lián)森林模型進(jìn)行測(cè)試，經(jīng)計(jì)算可知，分類(lèi)的精確率和召回率均為100%。

依次將測(cè)試集比例設(shè)置為30%、50%、70%、90%、99.5%(即訓(xùn)練集比例依次為70%、50%、30%、10%、5%)，通過(guò)對(duì)比不同訓(xùn)練集情況下模型的精確率來(lái)評(píng)價(jià)模型在小訓(xùn)練樣本情況下的健康評(píng)估性能，分類(lèi)結(jié)果見(jiàn)表6。

表6 不同訓(xùn)練比例下的分類(lèi)結(jié)果Tab.6 Classification results under different training set ratios %

由表6可以看出，在小訓(xùn)練樣本的情況下，基于多傳感器信息融合的多粒度級(jí)聯(lián)森林模型預(yù)測(cè)得到的液壓泵健康狀態(tài)評(píng)估的精確率仍較高，即使在訓(xùn)練集比例僅為5%的情況下，基于特征融合和深度隨機(jī)森林模型的液壓泵健康狀況評(píng)估結(jié)果仍有高達(dá)99.5%的分類(lèi)精確率。

單獨(dú)采用預(yù)測(cè)向量中的第一部分和第二部分?jǐn)?shù)據(jù)進(jìn)行分析，使用多粒度級(jí)聯(lián)森林作為分類(lèi)器，在訓(xùn)練集比例為10%(即測(cè)試集比例為90%)的情況下可以得到表7所示的分類(lèi)結(jié)果。

表7 部分預(yù)測(cè)向量分類(lèi)結(jié)果Tab.7 Classification results of partial prediction vector %

由表6和表7可知，在級(jí)聯(lián)森林結(jié)構(gòu)中單獨(dú)使用部分預(yù)測(cè)向量時(shí)(即每一層只將各個(gè)隨機(jī)森林模型輸出的類(lèi)別概率向量拼接或只將原始特征篩選得到的高重要度特征拼接后輸入下一層)的分類(lèi)效果相較于將兩者進(jìn)行融合后的分類(lèi)效果有明顯降低。

為了進(jìn)一步探究不同信息融合方式對(duì)結(jié)果的影響，結(jié)合采集端口情況挑選出壓力、流量、溫度三類(lèi)數(shù)據(jù)，并將上述原始數(shù)據(jù)進(jìn)行前文所述流程的處理(即提取時(shí)域特征(5.1節(jié))、特征構(gòu)建、模型訓(xùn)練(5.2節(jié)))。為了更清晰地呈現(xiàn)不同類(lèi)別的預(yù)測(cè)結(jié)果，分別計(jì)算測(cè)試集比例為90%時(shí)P1、P2、P3三個(gè)類(lèi)別的精確率和召回率的參數(shù)變化情況。組合方式及分類(lèi)結(jié)果如表8所示。

由表8可知，對(duì)于同一分類(lèi)器，單一溫度特征不能兼顧精確率和召回率這兩個(gè)參數(shù)，在增加流量信息后，三類(lèi)別數(shù)據(jù)的平均預(yù)測(cè)精確率提高了8%；增加壓力信息后，三類(lèi)別數(shù)據(jù)的平均預(yù)測(cè)精確率提高了7%，分類(lèi)效果均得到了一定的提高。同時(shí)，“溫度+流量”組合中所有類(lèi)別的平均預(yù)測(cè)精確率和召回率均高于“溫度+壓力”和“壓力+流量”兩組合中的平均預(yù)測(cè)精確率和召回率，這證明了溫度融合流量這種信息組合的優(yōu)越性。因此，在精確率要求不高(即精確率不超過(guò)95%時(shí))的情況下，可以只使用溫度傳感器和流量傳感器的組合，而不必使用壓力、流量、溫度三種傳感器，這樣能夠降低傳感器成本、減少數(shù)據(jù)采集量，傳感器的具體放置位置如表9所示。

此外，預(yù)測(cè)特征生成中所使用的分類(lèi)器也會(huì)產(chǎn)生特征的冗余，從而影響分類(lèi)效果，因此在前期選用類(lèi)別概率向量生成算法時(shí)，需要選擇小訓(xùn)練樣本情況下分類(lèi)效果仍可以接受的算法，從而提高多粒度級(jí)聯(lián)森林模型最終的分類(lèi)精確度。

表8 數(shù)據(jù)組合方式及分類(lèi)結(jié)果Tab.8 Data combination and classification results

表9 推薦的傳感器組合Tab.9 Sensor combination recommended

6 結(jié)語(yǔ)

本文針對(duì)柱塞泵健康評(píng)估的問(wèn)題，采用了多傳感器信息融合方法，利用多個(gè)集成模型與特征篩選的方式組合得到的特征融合器進(jìn)行信息融合，使用多粒度級(jí)聯(lián)森林模型進(jìn)行液壓泵健康評(píng)估。試驗(yàn)結(jié)果表明，所提特征融合方法在降低特征維度的同時(shí)保留了重要特征信息，健康分類(lèi)精確率較高。通過(guò)對(duì)不同訓(xùn)練集比例數(shù)據(jù)進(jìn)行對(duì)比，可以看出該柱塞泵健康評(píng)估方法在樣本量較小時(shí)也有較高的精確率；與不同信息融合方式的對(duì)比也驗(yàn)證了本文的信息融合方式在柱塞泵健康評(píng)估時(shí)更加準(zhǔn)確有效。