周亦人，邱小林，郭志強(qiáng)

（南昌理工學(xué)院，南昌 330044）

0 引言

發(fā)動(dòng)機(jī)是各類(lèi)機(jī)械系統(tǒng)中故障率最高的設(shè)備之一，正確診斷和識(shí)別發(fā)動(dòng)機(jī)故障并采取相應(yīng)措施及時(shí)排除故障是關(guān)乎各類(lèi)機(jī)械設(shè)備安全運(yùn)行的大事。其中發(fā)動(dòng)機(jī)的氣門(mén)機(jī)構(gòu)是發(fā)動(dòng)機(jī)故障頻發(fā)的運(yùn)動(dòng)部件，直接影響發(fā)動(dòng)機(jī)的正常運(yùn)行。氣門(mén)在工作過(guò)程中經(jīng)常受到機(jī)械沖擊、熱沖擊和高速氣流的沖擊，易造成氣門(mén)間隙異常、氣閥漏氣等故障[1]。

發(fā)動(dòng)機(jī)缸蓋振動(dòng)信號(hào)中包含著豐富的發(fā)動(dòng)機(jī)內(nèi)部零部件的工作狀態(tài)信息，利用缸蓋振動(dòng)信號(hào)診斷發(fā)動(dòng)機(jī)氣門(mén)機(jī)構(gòu)故障是一種有效的方法[2]。在了解發(fā)動(dòng)機(jī)的工作原理，振動(dòng)激振源和傳播機(jī)理的基礎(chǔ)上，獲取發(fā)動(dòng)機(jī)缸蓋表面的振動(dòng)信號(hào)。氣門(mén)機(jī)構(gòu)的典型故障類(lèi)型有氣門(mén)漏氣、氣門(mén)間隙過(guò)小、氣門(mén)間隙過(guò)大，對(duì)這些故障的實(shí)時(shí)監(jiān)測(cè)和診斷可通過(guò)振動(dòng)信號(hào)中的一些時(shí)域及頻域特征來(lái)實(shí)現(xiàn)，并將這些特征作為判斷氣門(mén)機(jī)構(gòu)故障的判別指標(biāo)，但是，這些判別指標(biāo)之間信息界限不明顯，存在著模糊疊加現(xiàn)象，這會(huì)導(dǎo)致故障類(lèi)型的誤判。隨著設(shè)備結(jié)構(gòu)不斷復(fù)雜化和故障診斷技術(shù)的發(fā)展，一些傳統(tǒng)的單一信號(hào)分析技術(shù)已日益不能滿(mǎn)足要求[3]。

深度學(xué)習(xí)[4]，由HITON在2006年提出，是一個(gè)不同于其他機(jī)器學(xué)習(xí)算法的訓(xùn)練機(jī)制，是機(jī)器學(xué)習(xí)領(lǐng)域劃時(shí)代意義的突破。類(lèi)似于人腦的多層學(xué)習(xí)機(jī)制，深度整體上是一個(gè)逐層的訓(xùn)練機(jī)制，首先學(xué)習(xí)到低層次的特征，然后從低層次的特征中進(jìn)一步學(xué)習(xí)到更高一層的特征表示[5]。這樣經(jīng)過(guò)逐層學(xué)習(xí)，就可以自適應(yīng)的根據(jù)輸入數(shù)據(jù)本身的數(shù)據(jù)結(jié)構(gòu)與特點(diǎn)來(lái)提取隱含在輸入數(shù)據(jù)中更本質(zhì)更深層的特征，利用這些特征，該模型可以有效區(qū)分不同類(lèi)型的信號(hào)，有非常強(qiáng)大的表達(dá)能力和泛化能力。深度學(xué)習(xí)算法已在語(yǔ)音識(shí)別，文本語(yǔ)義分類(lèi)，圖像分類(lèi)等領(lǐng)域中獲得了成功應(yīng)用[6]，然而對(duì)適用于機(jī)械早期故障識(shí)別領(lǐng)域的深度學(xué)習(xí)算法的研究還非常少。

因此本文在深度學(xué)習(xí)理論的基礎(chǔ)上提出了基于EMD-SSAE的氣門(mén)機(jī)構(gòu)故障識(shí)別算法，算法流程如圖1所示。獲取發(fā)動(dòng)機(jī)氣門(mén)機(jī)構(gòu)不同故障狀態(tài)下的缸蓋振動(dòng)信號(hào)作為模型的訓(xùn)練集，用EMD對(duì)振動(dòng)信號(hào)進(jìn)行分解，選擇幾個(gè)最能反映原信號(hào)特征的IMF分量，提取各IMF分量的時(shí)域和頻域指標(biāo)構(gòu)成特征向量，利用堆棧式稀疏自編碼器對(duì)特征向量進(jìn)行進(jìn)一步的特征學(xué)習(xí)和分類(lèi)，來(lái)實(shí)現(xiàn)精準(zhǔn)的氣門(mén)機(jī)構(gòu)故障識(shí)別。用提出的算法與EMD-SVM和EMD-BPNN進(jìn)行了實(shí)驗(yàn)對(duì)比，結(jié)果表明本文提出的算法故障識(shí)別率最高，性能穩(wěn)定，具有極高的應(yīng)用價(jià)值。

1 原始信號(hào)處理

發(fā)動(dòng)機(jī)缸蓋的振動(dòng)信號(hào)中包含了內(nèi)部零件的工作狀態(tài)信息，其不同頻率段的信號(hào)特征對(duì)應(yīng)著不同種類(lèi)的故障信息，當(dāng)發(fā)動(dòng)機(jī)某部位發(fā)生故障時(shí)，相應(yīng)頻帶內(nèi)信號(hào)特征會(huì)發(fā)生變化。首先對(duì)缸蓋振動(dòng)信號(hào)進(jìn)行EMD分解，分解出從高到低各頻段的本征模態(tài)分量，各IMF分量隨著信號(hào)本身的變化而變化，具有自適應(yīng)性。然后提取各個(gè)IMF分量時(shí)域和頻域特征，構(gòu)造故障特征向量。

圖1 算法流程圖

1.1 經(jīng)驗(yàn)?zāi)B(tài)分解

經(jīng)驗(yàn)?zāi)B(tài)分解是一種適用于處理非線(xiàn)性非平穩(wěn)信號(hào)的方法，它可以根據(jù)信號(hào)本身結(jié)構(gòu)的組成成分和特點(diǎn)，經(jīng)過(guò)循環(huán)的分解計(jì)算，把信號(hào)分解為一系列具有不同時(shí)間尺度的分量，此分量稱(chēng)為本征模態(tài)函數(shù)[7]。本征模態(tài)函數(shù)的特點(diǎn)是：其極值點(diǎn)和過(guò)零點(diǎn)數(shù)目相等，或最多只差一個(gè)，或者連接其局部極大值與極小值所形成的上下兩條包絡(luò)線(xiàn)的均值在任意一點(diǎn)處為零或近似為零。

設(shè)s(t)為采集到的缸蓋振動(dòng)信號(hào)，對(duì)輸入信號(hào)s(t)進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解的步驟如下：

2）求x(t)的所有極大值點(diǎn)和極小值點(diǎn)。

3）分別構(gòu)造s(t)的上包絡(luò)線(xiàn)Lk(t)和下包絡(luò)線(xiàn)Dk(t)，并求出上下包絡(luò)線(xiàn)的均值函數(shù)

程序計(jì)算中，為了提高計(jì)算效率，判斷前后兩次求得的hk(t)和hk-1(t)的標(biāo)準(zhǔn)差sd是否滿(mǎn)足0.2≤sd≤0.3，作為本征模態(tài)函數(shù)的判據(jù)。

5） 定義ri(t)=x(t)-ci(t)。

6）判斷ri(t)是否滿(mǎn)足終止條件：ri(t)單調(diào)或如不滿(mǎn)足則另x(t)=ri(t)，i=i+1，k=0，然后重復(fù)(2)～(6)步。如果滿(mǎn)足終止條件，則EMD分解結(jié)束。

7） ri(t)為原始信號(hào)EMD分解后的殘余項(xiàng)。

原始信號(hào)s(t)經(jīng)過(guò)EMD分解后，可以重構(gòu)為：

式中ci(t)代表本征模態(tài)函數(shù)分量；rn(t)稱(chēng)為殘余函數(shù)，代表信號(hào)的平均趨勢(shì)。

1.2 構(gòu)建特征向量

由于缸蓋振動(dòng)信號(hào)中包含大量的噪聲和隨機(jī)干擾信號(hào)的頻率成分，所以經(jīng)過(guò)EMD分解后會(huì)得到多個(gè)IMF分量，為了既能保證故障識(shí)別的實(shí)時(shí)性，又能防止模型產(chǎn)生過(guò)擬合，選擇其中幾個(gè)最能反映故障特性的IMF分量來(lái)提取特征信息。

當(dāng)發(fā)動(dòng)機(jī)內(nèi)部某個(gè)零部件發(fā)生故障時(shí)，相應(yīng)激振力的振動(dòng)響應(yīng)信號(hào)的能量將發(fā)生變化，不同的激振力對(duì)應(yīng)著不同的頻帶，所以選擇IMF分量的能量分布做歸一化處理后作為特征向量。通過(guò)對(duì)缸蓋振動(dòng)信號(hào)的時(shí)域分析得知，峭度、峰度和方差對(duì)故障狀態(tài)的變化比較敏感，也可以作為特征向量。按照如下步驟提取缸蓋振動(dòng)信號(hào)的特征向量：

1）發(fā)動(dòng)機(jī)缸蓋實(shí)時(shí)振動(dòng)信號(hào)進(jìn)行EMD分解，選取包含主要故障信息的n個(gè)IMF分量。

2）分別計(jì)算前n個(gè)IMF分量的能量。

式中，Ei為第i個(gè)IMF分量ci的能量；dt為采樣間隔；N為分析點(diǎn)數(shù)。

3）計(jì)算前n個(gè)IMF分量的總能量，并歸一化處理，歸一化公式為：

4）計(jì)算前n個(gè)IMF分量的峰度、峭度和方差。

5）利用前n個(gè)IMF分量的歸一化能量、峰度、峭度和方差構(gòu)建特征向量。

2 深度學(xué)習(xí)理論

2.1 自編碼器

自編碼器是一個(gè)具有對(duì)稱(chēng)結(jié)構(gòu)的三層神經(jīng)網(wǎng)絡(luò)，如圖2所示，包括輸入層，隱含層和輸出層。

圖2 自編碼器結(jié)構(gòu)

自動(dòng)編碼器是一種無(wú)監(jiān)督特征學(xué)習(xí)算法，分為編碼器和解碼器兩部分，其目標(biāo)函數(shù)為輸入。輸入向量x通過(guò)非線(xiàn)性激活函數(shù)f(z)映射到隱含層激活函數(shù)值h(x)，這個(gè)過(guò)程為編碼過(guò)程，可用式(5)描述。

隱含層的特征描述h(x)通過(guò)非線(xiàn)性激活函數(shù)g(z)映射為輸入空間的重構(gòu)向量，這個(gè)過(guò)程為解碼重構(gòu)過(guò)程[12]，可用式(6)描述。

式中：m為訓(xùn)練樣本的數(shù)量，第二項(xiàng)為用于防止過(guò)擬合的l2范數(shù)權(quán)重衰減項(xiàng)，λ為權(quán)重衰減系數(shù)，sl為第l層的的神經(jīng)單元個(gè)數(shù)。

2.2 稀疏自編碼器

式中：s2為隱含神經(jīng)元的個(gè)數(shù)，ρj為隱含神經(jīng)元的平均激活度，ρ是稀疏性參數(shù)，通常是一個(gè)接近于0的較小的值，為隱含神經(jīng)元j的激活度。

2.3 基于堆棧式稀疏自編碼器的無(wú)監(jiān)督預(yù)訓(xùn)練

為了提取模型輸入數(shù)據(jù)更深層更抽象的特征，可N個(gè)SAE堆棧在一起組成一個(gè)具有N個(gè)隱含層的深度學(xué)習(xí)模型SSAE。首先采用大量無(wú)標(biāo)簽訓(xùn)練樣本分層訓(xùn)練各層參數(shù)，這一步可以看作是一個(gè)無(wú)監(jiān)督預(yù)訓(xùn)練過(guò)程，在這個(gè)過(guò)程中，每一個(gè)已訓(xùn)練好的SAE的隱含層激活值作為下一層SAE的輸入，完成預(yù)訓(xùn)練后，將輸入層與每一個(gè)SAE結(jié)構(gòu)的隱含層合并構(gòu)成一個(gè)多層的深度學(xué)習(xí)模型。在非監(jiān)督預(yù)訓(xùn)練階段，訓(xùn)練每一層參數(shù)的過(guò)程中，會(huì)固定其它各層參數(shù)保持不變。因?yàn)槊恳粚覵AE訓(xùn)練得到的特征是稀疏的，所以整個(gè)深層網(wǎng)絡(luò)也是稀疏的。

2.4 基于誤差反向傳播的監(jiān)督微調(diào)

當(dāng)SSAE預(yù)訓(xùn)練好之后，在其最后一層SAE的輸出之后連接一個(gè)具有判別能力的softmax分類(lèi)器，來(lái)實(shí)現(xiàn)故障分類(lèi)識(shí)別的功能。為了進(jìn)一步提高深度學(xué)習(xí)模型的分類(lèi)性能，在上述預(yù)訓(xùn)練過(guò)程完成之后，將N層SAE和最后的softmax分類(lèi)器作為一個(gè)整體，用少量帶標(biāo)簽的樣本數(shù)據(jù)，通過(guò)隨機(jī)梯度下降法來(lái)有監(jiān)督地同時(shí)調(diào)整整個(gè)模型的參數(shù)，調(diào)整過(guò)程如式(11)、式(12)所示，這個(gè)優(yōu)化過(guò)程稱(chēng)為“有監(jiān)督微調(diào)”，可提高模型的故障識(shí)別準(zhǔn)確率和泛化能力。

3 實(shí)驗(yàn)分析

本實(shí)驗(yàn)在四沖程水冷直噴發(fā)動(dòng)機(jī)上進(jìn)行，發(fā)動(dòng)機(jī)型號(hào)為SAA6D102E-2。實(shí)驗(yàn)裝置如圖3所示。第1、2、5、6缸分別為正常、氣門(mén)漏氣、氣門(mén)間隙過(guò)大、氣門(mén)間隙過(guò)小四類(lèi)故障狀態(tài)，分別用0、1、2、3代表四種故障狀態(tài)，設(shè)置發(fā)動(dòng)機(jī)的運(yùn)轉(zhuǎn)速度為1500r/min，同時(shí)采集四個(gè)缸缸蓋的振動(dòng)信號(hào)，采樣頻率為40kHz，采樣時(shí)間為160s，截取每?jī)蓚€(gè)工作循環(huán)的數(shù)據(jù)即6400個(gè)點(diǎn)為一個(gè)樣本，數(shù)據(jù)截取時(shí)的重復(fù)率為50%，每種故障狀態(tài)下的樣本集有2000個(gè)樣本，其中1500個(gè)樣本作為訓(xùn)練集，剩下的500個(gè)樣本作為測(cè)試集。每種故障狀態(tài)下的訓(xùn)練數(shù)據(jù)樣本中，隨機(jī)選取1000個(gè)無(wú)標(biāo)簽樣本作為預(yù)訓(xùn)練階段的樣本數(shù)據(jù)，500個(gè)帶標(biāo)簽的樣本作為微調(diào)階段的樣本數(shù)據(jù)。如表1所示。

圖3 實(shí)驗(yàn)裝置

以氣門(mén)間隙過(guò)小故障狀態(tài)為例，原始信號(hào)的時(shí)域波形如圖4所示。對(duì)原始的缸蓋振動(dòng)信號(hào)進(jìn)行EMD分解，共分解出6個(gè)IMF分量，分解結(jié)果如圖5所示。選擇前5個(gè)IMF分量分別提取歸一化能量、峰度、峭度、方差，按照2.2節(jié)的步驟構(gòu)建故障特征向量。

圖4 原始信號(hào)的時(shí)域波形圖

圖5 原始信號(hào)EMD分解結(jié)果

將上述故障特征向量進(jìn)行標(biāo)準(zhǔn)化處理之后與相應(yīng)的故障標(biāo)簽一起輸入到基于SSAE深度學(xué)習(xí)的故障識(shí)別模型中進(jìn)行訓(xùn)練。故障識(shí)別模型包含2個(gè)隱含層，隱含層神經(jīng)元的個(gè)數(shù)分別為30、10；輸入層神經(jīng)元的個(gè)數(shù)與故障特征向量的維數(shù)相等，為15；輸出層神經(jīng)源的個(gè)數(shù)為4；激活函數(shù)為Sigmoid函數(shù)。每次實(shí)驗(yàn)?zāi)Ｐ蚭poch次數(shù)為20。

為進(jìn)一步驗(yàn)證本文提出方法的有效性，采用EMDBPNN模型和EMD-SVM模型進(jìn)行對(duì)比實(shí)驗(yàn)，對(duì)原始信號(hào)進(jìn)行EMD分解之后構(gòu)成的特征向量作為BPNN和SVM的輸入。神經(jīng)網(wǎng)絡(luò)模型的層數(shù)與各層神經(jīng)元的個(gè)數(shù)均與SSAE相同，使用Sigmoid作為激活函數(shù)，使用隨機(jī)梯度下降算法作為模型訓(xùn)練算法；支持向量機(jī)選擇高斯徑向基函數(shù)G-RBF作為核函數(shù)，并使用網(wǎng)格搜索法進(jìn)行核函數(shù)參數(shù)優(yōu)化。每種模型進(jìn)行10次實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果如表2所示。表中結(jié)果為10次實(shí)驗(yàn)的平均測(cè)試集故障識(shí)別正確率。同時(shí)，列出了三種模型的10次實(shí)驗(yàn)結(jié)果，如圖6所示。

表1 實(shí)驗(yàn)數(shù)據(jù)描述

表2 實(shí)驗(yàn)結(jié)果

圖6 三種模型的10次實(shí)驗(yàn)結(jié)果

從結(jié)果可以看出，本文提出的EMD-SSAE模型本章提出的方法具有最高的平均診斷精度99.3%，比EMDBPNN模型和EMD-SVM模型均有更好的故障診斷效果；同時(shí)，從圖6也能夠看出本章提出方法具有較穩(wěn)定的單次結(jié)果。以上實(shí)驗(yàn)結(jié)果均證明，本章提出的方法能夠更有效的自適應(yīng)提取特征，同時(shí)更精準(zhǔn)的對(duì)發(fā)動(dòng)機(jī)氣門(mén)機(jī)構(gòu)故障狀態(tài)進(jìn)行識(shí)別。

4 結(jié)束語(yǔ)

本文提出了一種基于EMD-SSAE的深度學(xué)習(xí)故障識(shí)別模型，對(duì)原始輸入信號(hào)進(jìn)行EMD分解后，提取其中幾個(gè)主要IMF分量的歸一化能量、峰度、峭度和方差構(gòu)成特征向量，作為SSAE故障判別模型的輸入。采用大量訓(xùn)練樣本對(duì)SSAE模型進(jìn)行無(wú)監(jiān)督預(yù)訓(xùn)練和參數(shù)微調(diào)，最后用訓(xùn)練好的模型進(jìn)行故障識(shí)別。

EMD-SSAE模型可提取原始輸入信號(hào)中的深層低維的抽象特征，以發(fā)動(dòng)機(jī)的氣門(mén)機(jī)構(gòu)為實(shí)驗(yàn)監(jiān)測(cè)對(duì)象，用EMD-SSAE模型識(shí)別氣門(mén)機(jī)構(gòu)的四類(lèi)故障狀態(tài)，并用EMD-BPNN模型和EMD-SVM模型進(jìn)行對(duì)比實(shí)驗(yàn)。由實(shí)驗(yàn)結(jié)果可知，本文提出的算法具有較高的故障識(shí)別準(zhǔn)確率，且模型性能穩(wěn)定，對(duì)于實(shí)現(xiàn)發(fā)動(dòng)機(jī)的無(wú)拆卸故障診斷具有較強(qiáng)的應(yīng)用價(jià)值。

[1]胡以懷,劉永長(zhǎng),楊叔子.柴油機(jī)排氣閥門(mén)漏氣故障診斷的試驗(yàn)研究[J].內(nèi)燃機(jī)工程,1997,18(3)：51-58.

[2]紀(jì)少波.基于柴油機(jī)缸蓋振動(dòng)加速度信號(hào)提取缸內(nèi)燃燒過(guò)程信息的研究[D].濟(jì)南：山東大學(xué),2008.

[3]宋震.柴油機(jī)典型故障特征提取及故障診斷研究[D].天津：天津大學(xué),2012.

[4]G. Hinton, R.R. Salakhutdinov. Reducing the dimensionality of data with neural networks[J].Science,2006(313)：504-507.

[5]Y. Bengio,O. Delalleau. On the expressive power of deep architectures[A].14th International Conference on Discovery Science[C].Berlin：Springer-Verlag,2011：18-36.

[6]Y.LeCun,Y. Bengio,G.Hinton.Deep learning[J].Nature,2015(521)：436-444.

[7]喬卉卉.挖掘機(jī)遠(yuǎn)程狀態(tài)監(jiān)測(cè)與故障診斷系統(tǒng)研究[D].石家莊：石家莊鐵道大學(xué),2016.