梁海英 許昕 潘宏俠 付志敏 張航

摘要：對于供輸彈系統(tǒng)早期故障信號成分復(fù)雜，潛在故障征兆難以識別的問題，提出基于堆疊式降噪自動編碼器（sDA）和核主成分分析（KPcA）特征融合的早期故障識別方法。所采集的供輸彈系統(tǒng)信號經(jīng)過去趨勢項和五點三次平滑法處理后，首先將不同狀態(tài)的振動信號和聲壓信號分別通過sDA進行特征提取;然后用KPcA對提取的振動信號和聲壓信號特征進行融合;最后運用支持向量機（sVM）對融合前后的特征分別進行識別并對比。試驗結(jié)果表明，該方法能有效地對供輸彈系統(tǒng)早期故障進行識別，且識別準確率達92.4%。

關(guān)鍵詞：供輸彈系統(tǒng);堆棧降噪自動編碼器;核主成分分析;信息融合;故障識別

中圖分類號：TJ303.3文獻標志碼：A 文章編號：1674-5124（2019）04-0141-05

0引言

供輸彈系統(tǒng)作為火炮等武器裝備的重要組成部分，運動過程復(fù)雜，伴有劇烈的撞擊、振動和摩擦等，其工作可靠性一直是制約復(fù)雜兵器裝備性能和實用性的障礙，也成為武器裝備狀態(tài)監(jiān)測與故障診斷領(lǐng)域的焦點。因此，尋找一種高效、快速的自動供輸彈系統(tǒng)早期故障預(yù)示方法十分必要。

堆棧自動編碼器是深度學(xué)習(xí)理論的一種常用模型，可實現(xiàn)數(shù)據(jù)降維和特征提取的基本功能。馮旭松等將堆棧自動編碼器應(yīng)用到泵站機組的故障分析中，得到較高的機組故障平均分類準確率。崔江等將一種改進的堆棧自動編碼器用于航空發(fā)電機旋轉(zhuǎn)整流器的故障特征提取，具有良好的故障診斷效果。堆棧自動編碼器克服了單層自動編碼器學(xué)習(xí)速度緩慢、訓(xùn)練效率低的局限性，但其抗噪能力差。而堆棧降噪自動編碼器（sDA）通過在輸人的數(shù)據(jù)中增加一定的噪聲信號，使堆棧自動編碼器具備抗噪能力。潘磊等將堆棧降噪自動編碼器用于軸承和齒輪箱的故障診斷，并取得理想的試驗結(jié)果。以此為基礎(chǔ)，針對供輸彈系統(tǒng)早期故障信號成分復(fù)雜，潛在故障征兆難以識別的問題，本文提出將堆棧降噪自動編碼器運用到供輸彈系統(tǒng)的早期故障識別。

對于供輸彈系統(tǒng)的故障識別，許海倫基于小波理論和支持向量機對其電流信號進行分析，付志敏等基于PCA-KLD方法對其振動信號進行了分析，但并未應(yīng)用信息融合方法對供輸彈系統(tǒng)的故障進行研究，識別率有待提高。針對供輸彈系統(tǒng)的故障特征之間存在較強的非線性關(guān)系，同時充分利用異類傳感器之間的互補信息，提高故障識別的準確率，本文引入核主成分分析（KPCA）進行異類型傳感器的特征級融合。相比同類傳感器特征融合，此方法可提高故障識別準確率，為供輸彈系統(tǒng)的早期故障識別開辟新途徑。

本文將SDA和KPCA特征融合運用于供輸彈系統(tǒng)的早期故障識別，并經(jīng)試驗驗證方法的準確性。

1堆疊式降噪自動編碼器（SDA）

由于單層的自動編碼器在訓(xùn)練過程中往往會出現(xiàn)學(xué)習(xí)速度緩慢、訓(xùn)練效率低下的困擾，本文引人了堆疊式降噪自動編碼器。堆疊式降噪自動編碼器把每個去噪自動編碼器的中間層當(dāng)成下一個自動編碼器的輸人層，經(jīng)過層層疊加，組成一個深層網(wǎng)絡(luò)，通過這種方式可以大幅度提升訓(xùn)練效率。構(gòu)建堆疊式降噪自動編碼器的具體步驟如下：

1）首先對第1個降噪自動編碼器進行預(yù)訓(xùn)練，其中X為經(jīng)過編碼和解碼之后降噪自動編碼器輸出層的數(shù)據(jù)，X是未添加噪聲成分的原始數(shù)據(jù)，y是添加噪聲成分后的輸人數(shù)據(jù)，σ（·）為Sigmoid函數(shù)。其原理如圖1所示。

3）按照步驟2）對下一個降噪自動編碼器進行預(yù)訓(xùn)練，并引人更新規(guī)則，直到重構(gòu)誤差的收斂標準達到最小值，則滿足訓(xùn)練結(jié)束條件。所有降噪自動編碼器訓(xùn)練完成后，去掉最后的重構(gòu)層，將隱含層數(shù)據(jù)視為滿足條件的數(shù)據(jù)降維后的特征值。

2核主成分分析（1gdJCA）

核主成分分析（KPCA）是對主成分分析法（PCA）的非線性擴展，與PCA不同的是KPCA引入了非線性映射函數(shù)Ф，用來處理非線性數(shù)據(jù)。KPCA還引入了一個非常重要的定理：空間中的任何向量，都能夠用這個空間的所有樣本線性表示。KPCA可理解為通過某種途徑將輸入空間映射到某個高維空間（通常為特征空間），并在特征空間中實現(xiàn)PCA提取數(shù)據(jù)的非線性結(jié)構(gòu)信息。核主成分分析（KPCA）的具體計算步驟如下：

3實驗分析與論證

3.1實驗測點布置

依據(jù)供輸彈系統(tǒng)工作機理和結(jié)構(gòu)及常見的故障種類，與實際測試的某型轉(zhuǎn)管火炮的結(jié)構(gòu)結(jié)合，對該型火炮開展多場信息測試工作。共布置8個測點，包括振動測點6處，各振動測點均采集3個方向的加速度信號，2個聲壓測點。采樣頻率設(shè)為25.6kHz，采用32通道LMS信號采集系統(tǒng)。測點分布如表1所示，測點分布圖如圖3所示。

3.2實驗記錄

本次試驗射速為450發(fā)/min，射擊過程如下：2連發(fā)，兩次6連發(fā)，實驗完成且未發(fā)生故障;40連發(fā)，雖完成射擊任務(wù)，但在射擊至26～27發(fā)時射速降低;60連發(fā)，80連發(fā)，全程射速平穩(wěn)，機構(gòu)正常運行，無任何故障現(xiàn)象。本文將某型號火炮的工作狀態(tài)共劃分為3種，即正常工況（60連發(fā)、80連發(fā)）、惡化中工況（2連發(fā)、6連發(fā)）、故障工況（40連發(fā)）。

3.3實驗結(jié)果分析

選取射擊試驗中振動測點3（x向）的振動信號和聲壓測點2的聲壓信號對供輸彈系統(tǒng)進行分析。使用線性去趨勢項和五點三次平滑法對信號進行預(yù)處理。將每一發(fā)信號進行單獨截取以便后續(xù)處理，如圖4所示為6連發(fā)射擊3x方向截取第l發(fā)信號時域圖。

3.3.1基于堆疊降噪自動編碼器的特征提取

在應(yīng)用堆疊自動編碼器提取特征前，基于最優(yōu)特征提取思想和模型簡化的考慮，確定堆疊自動編碼器的隱含層層數(shù)為4、特征值維度為5，且當(dāng)隱含層節(jié)點數(shù)目為輸人層節(jié)點數(shù)目的一半左右，信號的重構(gòu)誤差最小，提取出的特征值最有效。

在試驗數(shù)據(jù)中，正常和故障工況數(shù)據(jù)的2/3作為訓(xùn)練數(shù)據(jù)，剩余1/3作為測試數(shù)據(jù)，惡化工況數(shù)據(jù)的1/2作為訓(xùn)練數(shù)據(jù)，剩余1/2作為測試數(shù)據(jù)。

在堆棧降噪自動編碼器中訓(xùn)練完成后輸入測試數(shù)據(jù)進行特征提取。由于篇幅限制，只列出部分信號特征值，部分振動信號特征值如表2所示，部分聲壓信號特征值如表3所示。

3.3.2基于核主成分分析（KPCA）的特征融合

將振動信號特征值和聲壓信號特征值進行核主成分分析特征融合，提取信息互補的故障信號特征值，圖5為經(jīng)過核主成分分析后提取的貢獻率較大的核主元及其累計貢獻率。

由圖可知，前4個核主元的累計貢獻率超過90%，已滿足大于85%的理論要求，因此選取前4個核主元作為特征值。為了對比核主成分分析前后對故障診斷最后結(jié)果的影響，分別選取振動加速度信號、聲壓信號和融合后的二維特征值在二維空間的投影，以觀察不同工況下特征值的聚類效果，其結(jié)果如圖6所示。

很明顯，經(jīng)過KPCA融合處理后，特征值的聚類效果優(yōu)于振動信號和聲壓信號特征值的聚類效果，不同工況的特征值彼此分離，同種工況的特征值互相聚集，有助于后續(xù)的早期故障識別。

3.3.3基于支持向量機（SVM）的早期故障識別

將融合前后的特征值分別輸入到支持向量機，中進行故障識別，所得識別結(jié)果如圖7所示。

由診斷結(jié)果可知，66個測試樣本，通過單一振動信號進行識別，有59個測試樣本識別正確，識別準確率為89.4%;通過單一聲信號進行識別，有54個測試樣本識別正確，識別準確率為81.9%;通過經(jīng)KPCA融合振動信號與聲信號后進行識別，有60個測試樣本識別正確，識別準確率達92.4%。可得結(jié)論，多場信號經(jīng)KPCA融合處理后再進行故障識別可顯著提高供輸彈系統(tǒng)早期故障識別的準確率。

4結(jié)束語

本文基于SDA和KPCA特征融合對供輸彈系統(tǒng)進行了早期故障識別。結(jié)果表明：堆疊降噪自動編碼器網(wǎng)絡(luò)模型，可實現(xiàn)故障特征值的自適應(yīng)提取，有效彌補故障特征值不是最優(yōu)特征值而導(dǎo)致的故障識別準確率低的問題;KPCA信息融合方法可得到信息互補的特征值，提高故障識別準確率，且識別準確率達92.4%。本文提出的方法可為供輸彈系統(tǒng)的早期故障特征提取與狀態(tài)識別提供一種新思路。