程侃如, 王玉璋, 楊志鵬, 楊喜連

(1． 上海交通大學(xué) 機(jī)械與動(dòng)力工程學(xué)院, 上海 200240;2． 上海發(fā)電設(shè)備成套設(shè)計(jì)研究院有限責(zé)任公司, 上海 200240;3． 上海交通大學(xué) 電子信息與電氣工程學(xué)院, 上海 200240)

在能源需求急劇增大及我國(guó)“雙碳”目標(biāo)的背景下,綜合能源系統(tǒng)正在我國(guó)迅速發(fā)展[1]。作為綜合能源系統(tǒng)中的關(guān)鍵設(shè)備,燃?xì)廨啓C(jī)的智能化有利于實(shí)現(xiàn)系統(tǒng)的高效運(yùn)行,提高資源的利用效率,從而有利于“雙碳”目標(biāo)的實(shí)現(xiàn)[2]。同時(shí),為了提高燃?xì)廨啓C(jī)的可靠性和可用性,需要對(duì)運(yùn)行狀態(tài)進(jìn)行實(shí)時(shí)監(jiān)測(cè),并對(duì)運(yùn)行工況進(jìn)行準(zhǔn)確控制,狀態(tài)監(jiān)測(cè)和工況控制依賴(lài)于正確的傳感器數(shù)據(jù)[3]。為了獲得正確的傳感器數(shù)據(jù),需要對(duì)傳感器進(jìn)行故障診斷,一旦發(fā)現(xiàn)傳感器存在故障,就進(jìn)行信號(hào)重構(gòu)并提供給控制系統(tǒng),因此傳感器故障診斷對(duì)保證燃?xì)廨啓C(jī)可靠性和可用性至關(guān)重要[4]。

傳感器故障診斷可分為基于模型的診斷和基于數(shù)據(jù)驅(qū)動(dòng)的診斷2種方法?；谀Ｐ偷脑\斷方法對(duì)建模精度有較高的要求,隨著控制技術(shù)的發(fā)展,控制系統(tǒng)復(fù)雜度提升,難以構(gòu)建出精確的模型。故障診斷結(jié)果容易受到建模誤差的影響,進(jìn)而降低診斷準(zhǔn)確度[5]?；跀?shù)據(jù)驅(qū)動(dòng)的診斷方法可以避免建模精度對(duì)診斷結(jié)果的影響,近年來(lái)得到了迅速發(fā)展?；跀?shù)據(jù)驅(qū)動(dòng)的方法一般分為信號(hào)處理、統(tǒng)計(jì)分析、傳統(tǒng)機(jī)器學(xué)習(xí)和深度學(xué)習(xí)等,其中深度學(xué)習(xí)在各領(lǐng)域中得到了廣泛應(yīng)用,也被很多學(xué)者用于傳感器故障診斷[6-10],如Sun等[9]提出了一種基于LeNet-5的遷移學(xué)習(xí)方法,用于氫傳感器故障診斷;Yang等[10]提出了一種帶有可分離注意力機(jī)制的卷積神經(jīng)網(wǎng)絡(luò)方法,用于傳感器故障診斷。

基于數(shù)據(jù)驅(qū)動(dòng)的診斷方法通常需要大量數(shù)據(jù)和帶有標(biāo)簽的數(shù)據(jù),以實(shí)現(xiàn)分類(lèi)模型的訓(xùn)練,該類(lèi)方法實(shí)現(xiàn)了較高精度的傳感器故障診斷,但仍然未解決以下問(wèn)題:

(1) 故障數(shù)據(jù)稀疏性的影響。能源裝備實(shí)際運(yùn)行過(guò)程中,相較于正常數(shù)據(jù),故障數(shù)據(jù)量十分缺少,因此發(fā)展基于數(shù)據(jù)驅(qū)動(dòng)診斷方法必須考慮故障數(shù)據(jù)稀疏性對(duì)診斷精度的影響問(wèn)題。

(2) 故障幅度微弱性的影響。對(duì)于一些傳感器,如燃?xì)廨啓C(jī)透平出口溫度傳感器,由于燃燒室燃燒振蕩性和透平固定頻率旋轉(zhuǎn),采集信號(hào)不可避免存在固有波動(dòng),很容易掩蓋小幅故障信號(hào)(如噪聲故障、周期故障等),造成誤診、診斷精度低等問(wèn)題。但該參數(shù)涉及多個(gè)控制回路,必須提升其診斷精度。

目前,現(xiàn)有文獻(xiàn)關(guān)于傳感器故障診斷方法對(duì)故障程度的敏感性討論較少。筆者提出一種基于奇異譜分析(SSA)、雙向長(zhǎng)短期記憶(BiLSTM)網(wǎng)絡(luò)和注意力機(jī)制的燃?xì)廨啓C(jī)傳感器故障診斷方法(簡(jiǎn)稱(chēng)SSA-attBiLSTM方法),用于解決故障信號(hào)稀疏性和幅度微弱性造成的傳感器故障診斷精度低的問(wèn)題。SSA是對(duì)一維時(shí)間序列的非參數(shù)譜分析方法,通過(guò)對(duì)一維時(shí)間序列進(jìn)行分解與重構(gòu),提取出趨勢(shì)項(xiàng)、周期項(xiàng)與殘差項(xiàng)。采用SSA 提取出態(tài)勢(shì)覺(jué)察后的傳感器信號(hào)時(shí)間序列的低頻分量和高頻分量,分別對(duì)應(yīng)故障信號(hào)的主要發(fā)展趨勢(shì)和波動(dòng)性。在分類(lèi)部分,利用BiLSTM網(wǎng)絡(luò)在時(shí)序信息捕獲方面的優(yōu)越性,以及注意力機(jī)制對(duì)于主要特征的敏感性,構(gòu)建基于注意力機(jī)制的BiLSTM深度網(wǎng)絡(luò)對(duì)SSA處理后傳感器信號(hào)的類(lèi)型進(jìn)行判斷,得到傳感器信號(hào)類(lèi)型。

1 燃?xì)廨啓C(jī)傳感器故障

燃?xì)廨啓C(jī)的運(yùn)行條件復(fù)雜、工作條件惡劣,其中大部分傳感器安裝在高溫高壓的惡劣環(huán)境下,因此傳感器不可避免的會(huì)出現(xiàn)故障。燃?xì)廨啓C(jī)主要傳感器類(lèi)型包括溫度傳感器(熱電偶和熱電阻)、壓力測(cè)量傳感器、轉(zhuǎn)速傳感器和振動(dòng)傳感器等。

對(duì)某電廠(以下簡(jiǎn)稱(chēng)Z電廠)2016年1月—2021年5月傳感器故障次數(shù)進(jìn)行了統(tǒng)計(jì),Z電廠內(nèi)3臺(tái)9F級(jí)燃?xì)廨啓C(jī)機(jī)組5年間共發(fā)生540次傳感器故障,2016—2020年平均每年每臺(tái)機(jī)組故障32次。其中,溫度傳感器和壓力測(cè)量傳感器故障頻率最高,占總故障數(shù)量的50%。

根據(jù)對(duì)Z電廠歷史傳感器故障特征進(jìn)行分析,同時(shí)結(jié)合參考文獻(xiàn)[8]和參考文獻(xiàn)[11]中對(duì)傳感器故障類(lèi)型的總結(jié),將燃?xì)廨啓C(jī)傳感器故障類(lèi)型定義為偏置故障、單值脈沖故障、漂移故障、周期性故障、噪聲故障和短路故障6種不同類(lèi)型,其數(shù)學(xué)表達(dá)式見(jiàn)表1。其中,x(n)為原信號(hào);n為時(shí)間變量;n0為故障發(fā)生的時(shí)刻;Ai和bi為故障幅度;ω為周期性故障周期;γ為噪聲故障隨機(jī)量。

表1 傳感器故障數(shù)學(xué)表達(dá)式

溫度信號(hào)是燃?xì)廨啓C(jī)控制系統(tǒng)中非常重要且具有代表性的信號(hào),選擇透平出口溫度傳感器信號(hào)作為數(shù)據(jù)來(lái)源,用于后續(xù)故障診斷方法的試驗(yàn)驗(yàn)證,圖1為疊加6類(lèi)故障后的透平出口溫度信號(hào)。

(a) 偏置故障

2 燃?xì)廨啓C(jī)傳感器故障診斷模型

2.1 SSA-attBiLSTM模型

SSA-attBiLSTM算法的流程見(jiàn)圖2。首先,對(duì)傳感器數(shù)據(jù)進(jìn)行SSA分解,重構(gòu)為趨勢(shì)項(xiàng)、周期項(xiàng)和殘差項(xiàng);其次,將趨勢(shì)項(xiàng)和周期項(xiàng)作為輸入,使用基于注意力機(jī)制的BiLSTM深度網(wǎng)絡(luò)進(jìn)行分類(lèi)。

圖2 SSA-attBiLSTM算法示意圖

2.2 SSA

SSA是一種處理非線性時(shí)間序列數(shù)據(jù)且與經(jīng)驗(yàn)正交函數(shù)相聯(lián)系的主成分分析方法,可以有效地將趨勢(shì)項(xiàng)和周期項(xiàng)分量聚集到若干個(gè)子序列中[12]。SSA的具體過(guò)程主要包括構(gòu)造軌跡矩陣、對(duì)軌跡矩陣進(jìn)行奇異值分解(SVD)、分組、對(duì)角平均化4個(gè)步驟。

首先,根據(jù)一維等間隔采樣長(zhǎng)度為N的傳感器信號(hào)時(shí)間序列x={x1,x2, …,xN}構(gòu)建M×K階軌跡矩陣X,其每條副對(duì)角線值都相等。其中K=N-M+1,M為窗口長(zhǎng)度,取值范圍為1 ≤M≤N/2,則軌跡矩陣X可表示為:

(1)

式中:Xi為遲滯序列,Xi=[xi,…,xi+ M-1]T(1≤i≤K)。

X=E1+E2+…+Ed

(2)

最后,進(jìn)行對(duì)角平均化,即將分組得到的矩陣進(jìn)行重構(gòu)。將分組得到的矩陣轉(zhuǎn)換為3組長(zhǎng)度為N的重構(gòu)序列。計(jì)算遲滯序列Xi在Un上的投影ai,即

ai=XiUn, 0≤i≤N-M

(3)

通過(guò)時(shí)間經(jīng)驗(yàn)正交函數(shù)和時(shí)間主成分來(lái)進(jìn)行重構(gòu):

(4)

針對(duì)具有固定隨機(jī)波動(dòng)且故障幅度較小的傳感器原始時(shí)間序列信號(hào),使用SSA對(duì)數(shù)據(jù)進(jìn)行預(yù)處理,將原始信號(hào)分解為更符合信號(hào)大體變化趨勢(shì)的趨勢(shì)項(xiàng)和能反映故障細(xì)節(jié)的周期項(xiàng),將2項(xiàng)信號(hào)作為時(shí)間序列輸入后續(xù)深度網(wǎng)絡(luò)中進(jìn)行分類(lèi)。

2.3 BiLSTM

2.3.1 長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)(LSTM)

循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)由Elman[13]于1990年提出,采用遞歸連接構(gòu)造內(nèi)部節(jié)點(diǎn),使前一時(shí)刻的狀態(tài)能夠影響后一時(shí)刻,從而實(shí)現(xiàn)網(wǎng)絡(luò)的狀態(tài)反饋,這種結(jié)構(gòu)使得 RNN 能夠按照輸入時(shí)序“記住”網(wǎng)絡(luò)之前的信息,將序列信息按照輸入順序進(jìn)行利用。然而,RNN對(duì)學(xué)習(xí)較長(zhǎng)的時(shí)間序列并不擅長(zhǎng),為了更好地提取數(shù)據(jù)的時(shí)間信息,多種RNN的變體網(wǎng)絡(luò)相繼被提出,LSTM即為其中一種。

LSTM以RNN單元為基礎(chǔ),通過(guò)在每個(gè)RNN單元中增加一個(gè)狀態(tài)神經(jīng)元,并引入了輸入門(mén)、輸出門(mén)和遺忘門(mén)對(duì)歷史信息的選擇性利用,可以有效地捕獲較長(zhǎng)序列數(shù)據(jù)的信息,對(duì)RNN可能產(chǎn)生的梯度消失問(wèn)題進(jìn)行改善[14]。LSTM關(guān)鍵在于刪除或添加信息到細(xì)胞狀態(tài),由門(mén)結(jié)構(gòu)進(jìn)行調(diào)節(jié)和控制。門(mén)是一種選擇性地讓信息通過(guò)的手段,由一個(gè)sigmoid神經(jīng)網(wǎng)絡(luò)層和一個(gè)點(diǎn)乘運(yùn)算組成。

設(shè)xt為t時(shí)刻網(wǎng)絡(luò)的輸入,LSTM神經(jīng)元內(nèi)部的信息傳遞過(guò)程如式(5)～式(9)所示。

it=σ(Wxixt+Whiht-1+Wcict-1+bi)

(5)

ft=σ(Wxfxt+Whfht-1+Wcfct-1+bf)

(6)

ct=ftct-1+ittanh(Wxcxt+Whcht-1+bc)

(7)

ot=σ(Wxoxt+Whoht-1+Wcoct+bo)

(8)

ht=ottanh(ct)

(9)

式中:it、ft、ot分別為輸入門(mén)、遺忘門(mén)和輸出門(mén)的信息;ht為正向的LSTM輸出值;Wxi、Whi、Wxf、Whf、Wxo和Who分別為輸入門(mén)、遺忘門(mén)和輸出門(mén)與xt、ht-1的連接權(quán)重矩陣;bi、bf、bo分別為輸入門(mén)、遺忘門(mén)和輸出門(mén)的偏置向量;ct為t時(shí)刻輸入狀態(tài)單元的信息;Wxc、Whc和Wco分別為ct與xt、ht-1和ot的連接權(quán)重矩陣;bc為ct的偏置向量;σ為sigmod函數(shù);tanh為雙曲正切函數(shù)。

2.3.2 BiLSTM

BiLSTM由前向LSTM層和后向LSTM層組成[15],序列可以在前向和后向2個(gè)方向上進(jìn)行處理,并且2個(gè)方向都有獨(dú)立的隱含層,BiLSTM的網(wǎng)絡(luò)結(jié)構(gòu)見(jiàn)圖3,其中前向 LSTM 從前至后輸入序列,后向 LSTM 從后至前輸入序列,此過(guò)程生成2個(gè)隱含層,如式(10)、式(11)所示,圖中下標(biāo)數(shù)字為網(wǎng)絡(luò)單元。yt為t時(shí)刻網(wǎng)絡(luò)的輸出,然后BiLSTM連接來(lái)自2個(gè) LSTM 網(wǎng)絡(luò)的信息以計(jì)算最終輸出。

圖3 BiLSTM信息處理過(guò)程示意圖

ht=f(Wxt+Uht-1)

(10)

(11)

(12)

BiLSTM網(wǎng)絡(luò)可以使神經(jīng)元在每個(gè)特定時(shí)間步捕獲過(guò)去和未來(lái)的信息,因此這種網(wǎng)絡(luò)可以更全面、綜合地提取到傳感器信號(hào)特征,從而提升網(wǎng)絡(luò)的分類(lèi)效果。

2.4 注意力機(jī)制

傳感器信號(hào)經(jīng)過(guò)最后一層BiLSTM后輸入至注意力層,注意力層為BiLSTM層輸出的序列中的每個(gè)特征分量分配一個(gè)權(quán)重,最終生成輸出向量Ft,如式(13)～式(15)所示[16]。

(13)

(14)

(15)

經(jīng)過(guò)注意力層的處理后,提取的傳感器信號(hào)特征輸入全連接層和Softmax層,得到最終傳感器信號(hào)分類(lèi)結(jié)果。

3 試驗(yàn)建立

3.1 數(shù)據(jù)集

根據(jù)上文分析,透平出口溫度傳感器是燃?xì)廨啓C(jī)中重要的傳感器,因此以透平出口溫度傳感器為例,對(duì)所提出的方法進(jìn)行試驗(yàn)驗(yàn)證。

Z電廠的燃?xì)廨啓C(jī)為GE 9F級(jí)燃?xì)廨啓C(jī),共有31個(gè)透平出口溫度傳感器。本文使用1號(hào)透平出口溫度傳感器采集數(shù)據(jù)作為試驗(yàn)的正常信號(hào)數(shù)據(jù),在此基礎(chǔ)上制作數(shù)據(jù)集。每1 min采樣1次運(yùn)行數(shù)據(jù),每段運(yùn)行數(shù)據(jù)采集量為10 079個(gè)。使用滑動(dòng)時(shí)間窗在這段運(yùn)行數(shù)據(jù)上隨機(jī)選取一段長(zhǎng)度為100的正常信號(hào),然后使用第1節(jié)中的方法生成偏置、單值脈沖、漂移、周期性、噪聲和短路6種故障信號(hào),同時(shí)將故障程度設(shè)置為3%～10%的小幅故障,疊加在真實(shí)運(yùn)行數(shù)據(jù)上,生成故障數(shù)據(jù)。

為了模擬燃?xì)廨啓C(jī)實(shí)際運(yùn)行中故障信號(hào)稀疏的情況,用于試驗(yàn)的數(shù)據(jù)集中正常信號(hào)的數(shù)量遠(yuǎn)大于故障信號(hào)。設(shè)置1 000組正常數(shù)據(jù)及300組故障數(shù)據(jù),正常數(shù)據(jù)與故障數(shù)據(jù)的比例約為10∶3。

3.2 試驗(yàn)和超參數(shù)設(shè)置

本文在Python 3.8環(huán)境中實(shí)現(xiàn)編譯,使用Pycharm作為編譯開(kāi)發(fā)環(huán)境(IDE),分類(lèi)模型基于開(kāi)源庫(kù)包Pytorch1.11搭建。將原始數(shù)據(jù)集中20%的數(shù)據(jù)作為測(cè)試集,其余80%數(shù)據(jù)使用5折交叉驗(yàn)證進(jìn)行模型訓(xùn)練。模型經(jīng)過(guò)100輪(epoch)訓(xùn)練,通過(guò)計(jì)算每一輪的評(píng)估指標(biāo)的平均值來(lái)訓(xùn)練和驗(yàn)證模型。在試驗(yàn)過(guò)程中,批處理大小設(shè)置為20,優(yōu)化器選用Adam,使用MAE作為損失函數(shù),學(xué)習(xí)率設(shè)置為0.000 1,使用 NVIDIA RTX-3080 GPU 進(jìn)行訓(xùn)練。

3.3 模型評(píng)估

分類(lèi)模型的性能通常使用精確度(Pr)、召回率(Rc)、F分?jǐn)?shù)(Fscore)和準(zhǔn)確率(Acc)來(lái)評(píng)估。本文仍然使用這4個(gè)指標(biāo)對(duì)所提出模型的表現(xiàn)進(jìn)行評(píng)估,但由于本文為多分類(lèi)問(wèn)題,因此這4項(xiàng)指標(biāo)的計(jì)算方式與二分類(lèi)有所不同。精確度是指正確分類(lèi)為A故障的信號(hào)數(shù)量占被模型識(shí)別為A故障的信號(hào)總數(shù)的百分比;召回率是指正確分類(lèi)為A的信號(hào)數(shù)量占實(shí)際為A故障的信號(hào)總數(shù)的百分比;F分?jǐn)?shù)是指精確度和召回率的調(diào)和平均值,如式(16)所示;準(zhǔn)確率是指所有被正確分類(lèi)的信號(hào)占信號(hào)總數(shù)的百分比。

(16)

4 試驗(yàn)結(jié)果與分析

4.1 SSA處理結(jié)果分析

對(duì)透平出口溫度傳感器的原始信號(hào)和故障信號(hào)進(jìn)行SSA處理。根據(jù)傳感器信號(hào)序列長(zhǎng)度,取M=25,經(jīng)SVD后降序排列得到各特征值貢獻(xiàn)率,第1特征值貢獻(xiàn)率最大,將其重構(gòu)信號(hào)作為趨勢(shì)項(xiàng);第2特征值到貢獻(xiàn)率突變拐點(diǎn)之前的各階作為周期項(xiàng)重構(gòu)成分,突變拐點(diǎn)之后的剩余各階作為殘差項(xiàng)重構(gòu)成分,正常信號(hào)和各故障信號(hào)的貢獻(xiàn)率突變拐點(diǎn)分布在第5～第10特征值之間。因此選取第1特征值對(duì)應(yīng)的矩陣重構(gòu)為趨勢(shì)項(xiàng),第2～第10特征值對(duì)應(yīng)的組合矩陣重構(gòu)為周期項(xiàng),其余的組合矩陣重構(gòu)為殘差項(xiàng)。圖4為正常信號(hào)、偏置故障信號(hào)、漂移/恒偏差故障信號(hào)和噪聲故障信號(hào)的原始信號(hào)及重構(gòu)后的趨勢(shì)項(xiàng)、周期項(xiàng)和殘差項(xiàng)。

(a) 正常信號(hào)

將原始信號(hào)與SSA處理后得到的趨勢(shì)項(xiàng)、周期項(xiàng)分別繪制在圖中,并繪制周期項(xiàng)與原始故障信號(hào)的熱圖,如圖5所示。趨勢(shì)項(xiàng)能夠較好地反映信號(hào)的大致變化趨勢(shì),對(duì)于偏置故障和漂移故障,趨勢(shì)項(xiàng)信號(hào)隨時(shí)間變化呈現(xiàn)增長(zhǎng)趨勢(shì);對(duì)于正常信號(hào)、單值脈沖故障、周期性故障和噪聲故障,趨勢(shì)項(xiàng)信號(hào)隨時(shí)間的變化不大;短路故障由于數(shù)值瞬時(shí)突變?yōu)?,趨勢(shì)項(xiàng)信號(hào)呈現(xiàn)大幅度降低。而SSA處理后得到的周期項(xiàng)能夠在一定程度上去除噪聲的同時(shí),更好地刻畫(huà)故障特性,保留更多故障細(xì)節(jié),從熱圖中可以看出,周期項(xiàng)對(duì)正常信號(hào)和周期性故障信號(hào)的細(xì)節(jié)還原效果最好。

(a) 正常信號(hào)

4.2 分類(lèi)結(jié)果分析

所提出的SSA-attBiLSTM算法在透平出口溫度數(shù)據(jù)集上的分類(lèi)結(jié)果混淆矩陣如圖6所示,圖中1-7分別代表正常信號(hào)、偏置故障、單值脈沖故障、漂移故障、周期性故障、噪聲故障和短路故障,該算法與對(duì)比算法的精確度、召回率和F分?jǐn)?shù)見(jiàn)表2～表4,不同算法的準(zhǔn)確率對(duì)比見(jiàn)圖7。

圖6 SSA-attBiLSTM分類(lèi)結(jié)果混淆矩陣

表2 各算法分類(lèi)精確度

表3 各算法分類(lèi)召回率

表4 各算法分類(lèi)F分?jǐn)?shù)

試驗(yàn)結(jié)果表明,該模型在不平衡的燃?xì)廨啓C(jī)傳感器信號(hào)數(shù)據(jù)集上表現(xiàn)良好,準(zhǔn)確率可以達(dá)到96.5%。各類(lèi)信號(hào)的精確度和F分?jǐn)?shù)均優(yōu)于對(duì)比算法,除正常信號(hào)之外,其他信號(hào)的召回率均優(yōu)于對(duì)比算法;偏置故障、周期性故障、噪聲故障和短路故障的F分?jǐn)?shù)可以達(dá)到1.000;單值脈沖故障的精確度可以達(dá)到1.000。

對(duì)比SSA-attBiLSTM算法和attBiLSTM算法的4項(xiàng)評(píng)價(jià)指標(biāo)可以看出:經(jīng)過(guò)SSA處理后再輸入attBiLSTM進(jìn)行分類(lèi)的表現(xiàn)要優(yōu)于直接將原始信號(hào)輸入attBiLSTM進(jìn)行分類(lèi);attBiLSTM無(wú)法對(duì)漂移故障進(jìn)行識(shí)別,會(huì)將其全部歸為正常信號(hào),其對(duì)偏置故障、單值脈沖故障、周期性故障和噪聲故障的識(shí)別效果較差。增加SSA對(duì)信號(hào)進(jìn)行預(yù)處理之后,其對(duì)故障信號(hào)的敏感性提升。由SSA-attBiLSTM與SSA-單層BiLSTM算法的4項(xiàng)評(píng)價(jià)指標(biāo)對(duì)比可以看出:SSA-單層BiLSTM對(duì)多種信號(hào)的識(shí)別效果均不佳,而帶有注意力機(jī)制的BiLSTM深度網(wǎng)絡(luò)可以更好地捕獲信號(hào)特征,對(duì)多種故障有較好的識(shí)別效果。與SSA-SVM的分類(lèi)結(jié)果進(jìn)行比較,SSA-attBiLSTM算法在多種故障的識(shí)別上更具優(yōu)勢(shì)。除了SSA-attBiLSTM之外,其他對(duì)比算法在漂移故障的精確度和召回率均為0,說(shuō)明所提方法能夠更好地提取到信號(hào)特征,獲得更好的分類(lèi)表現(xiàn)。

本文所提方法克服了其他對(duì)比算法無(wú)法有效識(shí)別微小故障的問(wèn)題,但對(duì)微小漂移故障的識(shí)別表現(xiàn)仍然有待提高。將數(shù)據(jù)集中故障幅度增加到10%～30%后,SSA-attBiLSTM算法的表現(xiàn)進(jìn)一步提升,分類(lèi)結(jié)果混淆矩陣見(jiàn)圖8。由圖8可以看出,對(duì)較大幅度漂移故障的診斷精確度和召回率有大幅度提升,可以達(dá)到90%以上,能夠有效解決漂移故障與正常信號(hào)混淆問(wèn)題。

圖8 故障程度較大時(shí)SSA-attBiLSTM分類(lèi)結(jié)果混淆矩陣

5 結(jié) 論

(1) 所提出的SSA-attBiLSTM故障診斷方法能有效診斷出各類(lèi)傳感器故障,且診斷準(zhǔn)確率可達(dá)96.5%。

(2) 該方法能有效處理故障數(shù)據(jù)稀疏的不平衡數(shù)據(jù)集,且能準(zhǔn)確獲取其特征,高精度診斷出數(shù)據(jù)量稀少的6種故障信號(hào)。

(3) 所提方法能夠有效獲取小幅度故障的信號(hào)特征。對(duì)于小幅度偏置故障、周期性故障和噪聲故障的識(shí)別在精確度、召回率和F分?jǐn)?shù)3項(xiàng)評(píng)價(jià)指標(biāo)上可以達(dá)到100%;對(duì)于小幅度單值脈沖故障的識(shí)別在3項(xiàng)評(píng)價(jià)指標(biāo)上相對(duì)其他對(duì)比算法有很大提升,精確度可以達(dá)到100%,召回率和F分?jǐn)?shù)在90%以上;對(duì)于其他算法無(wú)法識(shí)別的小幅度漂移故障,所提方法也能在一定程度上獲取其特征,有一定的識(shí)別能力。