馬斌彬， 馬紅占, 褚學(xué)寧， 李玉鵬

(1. 上海交通大學(xué) 機械與動力工程學(xué)院， 上海 200240； 2. 中國礦業(yè)大學(xué) 礦業(yè)工程學(xué)院， 江蘇 徐州 221116)

隨著運行時間的增長，產(chǎn)品功能模塊的性能逐漸退化，而產(chǎn)品的薄弱環(huán)節(jié)通常是退化嚴(yán)重、對產(chǎn)品的安全性和可靠性產(chǎn)生重大不利影響的功能模塊[1]，因此，設(shè)計人員往往采用再設(shè)計的方法對產(chǎn)品的薄弱環(huán)節(jié)進行重新設(shè)計.其中，再設(shè)計功能模塊識別方法是通過找出產(chǎn)品的薄弱環(huán)節(jié)并對其重新展開設(shè)計，從而進一步提高產(chǎn)品的可靠性和服務(wù)水平.目前，國內(nèi)外學(xué)者基于產(chǎn)品的故障數(shù)據(jù)和運行數(shù)據(jù)對再設(shè)計功能模塊識別方法進行了研究.例如：Francesco等[2]提出了改進的產(chǎn)品失效模式、影響和危害性分析(FMECA)方法；全睿等[3]通過建立模糊故障樹來識別影響燃料電池發(fā)動機安全性的薄弱環(huán)節(jié).但是，由于船舶、起重機等復(fù)雜機械產(chǎn)品具有可靠性高、壽命長的特點，偶發(fā)的故障數(shù)據(jù)不能真實反映產(chǎn)品在一段時間內(nèi)的連續(xù)狀態(tài)變化情況，所以基于故障數(shù)據(jù)的產(chǎn)品再設(shè)計模塊識別的結(jié)果不能很好地反映功能模塊間退化水平的差異.隨著傳感器和無線技術(shù)的發(fā)展，獲取產(chǎn)品運行狀態(tài)的實時數(shù)據(jù)變得可行[4].Shin等[5]基于產(chǎn)品性能時變數(shù)據(jù)，利用聚類方法分析了產(chǎn)品的失效情況，通過建立性能參數(shù)與設(shè)計參數(shù)之間的關(guān)聯(lián)矩陣來對產(chǎn)品再設(shè)計進行改進，但利用聚類方法進行失效分析需要預(yù)先設(shè)定運行工況的個數(shù)，而產(chǎn)品的運行工況具有復(fù)雜性和多變性，因此，很難預(yù)先確定運行工況的個數(shù)；Ma等[6]以履帶起重機的功能模塊的性能參數(shù)為輸入，通過建立混合高斯模型來擬合性能參數(shù)的取值區(qū)間，以用于產(chǎn)品再設(shè)計模塊的識別.但是，混合高斯模型需要在每個狀態(tài)點更新退化模型，其計算過程復(fù)雜，不利于實時處理.而神經(jīng)網(wǎng)絡(luò)模型可用于處理具有多狀態(tài)(非線性)的性能特征參數(shù)，適用于描述運行工況復(fù)雜的產(chǎn)品退化狀態(tài)[7]，因此，本文利用產(chǎn)品在健康狀態(tài)下的性能時變數(shù)據(jù)構(gòu)建稀疏自編碼神經(jīng)網(wǎng)絡(luò)(SAENN)模型，以用于產(chǎn)品功能模塊退化程度的評估，并通過對比模塊功能間的退化差異來識別需要再設(shè)計的功能模塊.

1 基于SAENN的產(chǎn)品功能退化建模

1.1 稀疏自編碼神經(jīng)網(wǎng)絡(luò)

在產(chǎn)品運行過程中，傳感器采集到的各種性能特征參數(shù)在一定程度上反映了產(chǎn)品功能退化的程度，這些狀態(tài)信息對產(chǎn)品再設(shè)計具有重要的價值.然而，產(chǎn)品的退化過程復(fù)雜，其功能退化的規(guī)律與性能特征參數(shù)之間存在著復(fù)雜的非線性時變關(guān)系，難以利用確定的解析模型來評估，而神經(jīng)網(wǎng)絡(luò)模型可以表征產(chǎn)品性能參數(shù)之間的非線性關(guān)系，因此，它可用于評估產(chǎn)品功能的退化程度，進而比較不同功能模塊間的退化差異.

自編碼神經(jīng)網(wǎng)絡(luò)(AENN)模型是一種無監(jiān)督的神經(jīng)網(wǎng)絡(luò)模型，包括輸入層、隱含層和輸出層，其主要通過編碼-重構(gòu)過程來表征輸入樣本的數(shù)據(jù)特性[8].通過建立AENN模型、訓(xùn)練產(chǎn)品在健康狀態(tài)下各功能模塊的性能特征數(shù)據(jù)，能夠提取在健康狀態(tài)下產(chǎn)品性能參數(shù)之間的抽象特征.當(dāng)產(chǎn)品功能發(fā)生退化時，這些性能參數(shù)的特征與健康狀態(tài)下的具有明顯差異，通過分析其差異即可評估各功能模塊的退化程度.而SAENN模型是在AENN模型的基礎(chǔ)上在隱含層神經(jīng)元引入了稀疏性限制條件，從而增強了模型的泛化能力(模型對于健康狀態(tài)下性能特征的識別能力).稀疏性限制條件能夠使AENN模型的隱含層通過特征選擇來找出高維數(shù)據(jù)中重要的若干維，從而學(xué)習(xí)相對稀疏、簡明的數(shù)據(jù)特征，以更好地表達輸入數(shù)據(jù)，它克服了AENN模型泛化能力較差、不能提取數(shù)據(jù)內(nèi)在特征的缺點.

1.2 產(chǎn)品功能退化評估模型的建立

以下為建立產(chǎn)品功能退化評估模型的步驟.

(1) 構(gòu)建產(chǎn)品功能退化評估模型.首先，劃分功能模塊.對于機械產(chǎn)品來說，功能模塊可以按照實現(xiàn)功能的不同劃分為機、電、液等系統(tǒng)，每個系統(tǒng)均采用對應(yīng)的性能特征參數(shù)來表征其功能模塊的退化程度.假設(shè)產(chǎn)品由N個功能組成，第n個功能表示為Fn(n=1,2,…,N)，功能Fn有M個性能特征，則功能Fn的性能時變特征可用矩陣形式表示為

(1)

qi=sf(Wpi+b1)

(2)

式中：sf為從輸入層到隱含層的激活函數(shù)，也就是Sigmoid函數(shù)f(x)=1/(1+e-x)；W∈Rd×M，為隱含層的權(quán)重矩陣；b1∈Rd×1，為隱含層的偏置向量.從隱含層到輸出層進行特征重構(gòu)，將qi經(jīng)過計算后所得與pi具有相同維度的性能特征向量為

(3)

圖1 功能退化的評估模型Fig.1 Assessment model of function degradation

(4)

(2) 增加稀疏性限制條件.在重構(gòu)誤差C的基礎(chǔ)上增加稀疏性限制條件.對于PM×t中M個輸入性能特征向量，假設(shè)隱含層中第k(k=1,2,…,d)個神經(jīng)元的平均活躍度為

(5)

稀疏性限制條件可以表示為

(6)

(7)

因此，加入稀疏性限制條件后的重構(gòu)誤差可以表示為

(8)

式中：β為稀疏性懲罰因子的權(quán)重，決定了對稀疏性限制條件的重視程度.

2 產(chǎn)品再設(shè)計功能模塊識別

2.1 功能退化程度的評估

(9)

將評估矩陣中的性能時變特征向量逐次作為模型輸入，計算每一時刻的劣化指數(shù)DI，從而得到Fn的退化趨勢.

2.2 性能特征重要度的分配

性能特征重要度是性能參數(shù)對功能退化的影響程度.對于功能Fn的M個性能特征，其數(shù)值與正常的性能特征范圍的偏差對Fn層次的功能退化的影響程度有所不同.例如，液壓系統(tǒng)失壓比油溫偏高對功能造成的影響更嚴(yán)重，因此，在計算DI時，需給油壓分配更大的權(quán)重，以便于合理描述功能退化的程度.在實際應(yīng)用中，對于性能特征重要度的分配，主要依靠工程人員的知識和經(jīng)驗確定.假設(shè)性能特征重要度的權(quán)重向量為V，第j個性能特征的權(quán)重為vj，則

(10)

考慮到性能特征重要度權(quán)重的影響，修正后的劣化指數(shù)為

(11)

2.3 再設(shè)計功能模塊的識別

首先，對產(chǎn)品的N個功能模塊分別建立功能退化評估模型，以分析功能退化趨勢與性能時變特征的關(guān)系；然后，采用修正后的劣化指數(shù)DI表征其退化程度.在對產(chǎn)品的薄弱功能模塊進行識別時，應(yīng)比較相同時間內(nèi)不同功能模塊的DI的變化趨勢.DI值越大，說明退化越嚴(yán)重，該模塊再設(shè)計的必要性越高，在再設(shè)計過程中需要格外關(guān)注.

3 案例分析

本文以國內(nèi)某大型工程機械制造企業(yè)的水平定向鉆產(chǎn)品為例進行案例分析.該企業(yè)的水平定向鉆產(chǎn)品包括小型機系列、中型機系列以及重型機系列，主要型號有SDD100型、SDD330型、SDD3000型等，本文的研究對象為重型機產(chǎn)品.

3.1 產(chǎn)品功能模塊的劃分

表1 功能模塊的性能特征及重要度Tab.1 Performance feature and importance rate of the function module

3.2 功能退化評估與再設(shè)計的必要性

首先，定義水平定向鉆在未出廠時的調(diào)試過程采集的性能時變數(shù)據(jù)為健康狀態(tài)下的產(chǎn)品性能特征，用該時段的數(shù)據(jù)訓(xùn)練退化評估模型；然后，對水平定向鉆出廠后投入運行3 a內(nèi)各功能退化的程度進行評估.每隔30 min采集一次各功能模塊的性能特征.其中，主軸時域信號采用振動信號的方均根(RMS)作為特征參數(shù).對于每個功能模塊，將采集的 1 620 組健康狀態(tài)下的性能特征數(shù)據(jù)作為訓(xùn)練集數(shù)據(jù)，隨機抽取其中 1 296 組數(shù)據(jù)用于模型訓(xùn)練，324組數(shù)據(jù)用于模型驗證；將產(chǎn)品運行過程中的 6 000 組性能時變數(shù)據(jù)作為測試集數(shù)據(jù)，以評估功能模塊的退化程度.評估過程分為3個步驟：

(1) 數(shù)據(jù)預(yù)處理.由于產(chǎn)品功能模塊的性能時變數(shù)據(jù)的量綱和數(shù)值區(qū)間不同，直接進行訓(xùn)練會導(dǎo)致數(shù)值區(qū)間大的性能特征過分支配數(shù)值區(qū)間小的性能特征，所以需要采用數(shù)據(jù)標(biāo)準(zhǔn)化的方法將其統(tǒng)一變換為無單位數(shù)據(jù).本文采用0-1標(biāo)準(zhǔn)化方法[10]對訓(xùn)練集數(shù)據(jù)進行縮放，并將縮放比例應(yīng)用于測試集數(shù)據(jù).

(3) 評估功能退化程度.獲取不同性能特征重要度的權(quán)重(見表1).采用步驟(2)中訓(xùn)練好的退化模型評估測試集數(shù)據(jù)，計算得到修正后的劣化指數(shù)DI.所得3 a內(nèi)不同功能模塊的劣化指數(shù)的變化趨勢如圖2所示.由圖2可見，隨著運行時間增加，各功能劣化指數(shù)均逐漸增大.而劣化指數(shù)越大，說明功能退化越嚴(yán)重.

圖2 不同功能模塊劣化指數(shù)的變化趨勢Fig.2 Degradation tendency of each function module

由圖2還可以看出，液壓系統(tǒng)F1的功能劣化指數(shù)隨時間變化而迅速增長，其變化幅度遠超過其他功能；而機械系統(tǒng)F2相比初始時刻也有較明顯的增長趨勢.通過比較各功能模塊的劣化指數(shù)的最大值和變化趨勢發(fā)現(xiàn)，液壓系統(tǒng)的功能退化最嚴(yán)重.

另外，由企業(yè)調(diào)研中與產(chǎn)品設(shè)計師和相關(guān)技術(shù)人員的訪談可知，液壓系統(tǒng)中子系統(tǒng)眾多，但由于缺乏足夠的設(shè)計和工藝操作經(jīng)驗的積累，所以液壓系統(tǒng)的性能指標(biāo)和可靠性與國外同行業(yè)的先進水平還存在差距，提升該功能模塊的可靠性對于提升產(chǎn)品整體服務(wù)水平有著重要作用，因此，從實際工程的角度也說明液壓系統(tǒng)功能模塊再設(shè)計的必要性最高.

3.3 結(jié)果分析

為了驗證SAENN模型的精度，采用3.2節(jié)中F1的 1 620 組訓(xùn)練集數(shù)據(jù)及AENN和SAENN模型對于產(chǎn)品在健康狀態(tài)下的性能特征提取效果進行對比，其結(jié)果見表2.由表2可以看出：SAENN模型訓(xùn)練數(shù)據(jù)的平均重構(gòu)誤差略大于AENN模型，這是由于增加稀疏性限制條件的正則項的緣故，但其對模型精度的影響很小，且驗證數(shù)據(jù)的平均重構(gòu)誤差小于AENN模型，說明SAENN模型的泛化能力更強.因此，在訓(xùn)練數(shù)據(jù)重構(gòu)誤差差距不大的情況下，增加稀疏性限制條件能夠提高模型的泛化能力，減少訓(xùn)練過程中的過擬合現(xiàn)象.

表2 不同模型的重構(gòu)誤差Tab.2 Reconstruction error of each model

為進一步驗證SAENN模型的應(yīng)用效果，本文采用改進FMECA方法[2]、聚類方法[5]和混合高斯模型(GMM)方法[6]識別薄弱功能模塊(液壓系統(tǒng))，所得功能模塊的再設(shè)計必要性見表3.其中，根據(jù)方法的不同，模塊之間再設(shè)計必要性的高低有所區(qū)別.改進FMECA方法是通過分析不同功能模塊發(fā)生的故障模式及其可能造成的影響，按照故障的嚴(yán)重性、難檢度和發(fā)生頻次進行歸納，對各功能模塊的再設(shè)計必要性進行排序；聚類方法是通過預(yù)先設(shè)定健康狀態(tài)類別數(shù)，根據(jù)時變性能特征向量與聚類中心的距離計算功能模塊的退化程度，進而比較功能模塊間的退化差異；GMM方法是通過建立混合高斯模型，將健康衰退指數(shù)作為功能模塊退化程度的評估指標(biāo)，以確定各功能模塊再設(shè)計的必要性.由表3可見，利用產(chǎn)品故障數(shù)據(jù)進行識別時，無法確定功能模塊F2和F3的再設(shè)計必要性，其原因是產(chǎn)品故障數(shù)據(jù)來源于水平定向鉆的返廠維修記錄和用戶反饋信息，而水平定向鉆出廠投入運行3 a后只有2次返廠維修記錄，分別為液壓系統(tǒng)故障(表現(xiàn)為液壓管顫抖)以及液壓泵聲音異常和泥漿系統(tǒng)故障(表現(xiàn)為管路堵塞).因此，僅靠維修記錄無法評估F2和F3的再設(shè)計必要性.考慮性能時變數(shù)據(jù)后，采用聚類方法所得結(jié)果與GMM、SAENN方法的結(jié)果不同，其原因是聚類方法需預(yù)先確定工況個數(shù)，產(chǎn)品運行環(huán)境的多變性影響了產(chǎn)品退化趨勢的評估；采用GMM模型與SAENN模型的結(jié)果一致，但GMM模型訓(xùn)練和評估的耗時較多，因此，采用SAENN模型進行再設(shè)計功能模塊識別的整體性能最優(yōu).

表3 不同方法識別的再設(shè)計功能模塊的必要性Tab.3 Different identified functions using different methods

4 結(jié)語

本文將產(chǎn)品在健康狀態(tài)下的性能時變數(shù)據(jù)應(yīng)用于產(chǎn)品功能退化評估，提出了利用性能時變數(shù)據(jù)來指導(dǎo)產(chǎn)品再設(shè)計的思路，并將SAENN模型用于產(chǎn)品功能退化程度的評估，提高了再設(shè)計功能模塊識別方法的準(zhǔn)確性和客觀性.具體方法：將產(chǎn)品在健康狀態(tài)下的性能數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，通過訓(xùn)練神經(jīng)網(wǎng)絡(luò)來學(xué)習(xí)性能參數(shù)深層次的特征，并引入稀疏性限制條件，以增強模型的泛化能力；利用產(chǎn)品運行階段的性能時變數(shù)據(jù)評估產(chǎn)品功能退化的趨勢；對比各功能模塊間性能退化的差異，以識別需要改進的功能模塊.所得識別結(jié)果可作為產(chǎn)品再設(shè)計的依據(jù)，對提高產(chǎn)品可靠性具有重要意義.

然而，文中采用專家打分法對性能特征重要度進行評估，其主觀性較強，下一步將考慮依據(jù)性能特征對產(chǎn)品在健康狀態(tài)下的敏感性和產(chǎn)品性能的退化程度來確定性能特征重要度.