宮建成，楊小強(qiáng)，潘 凡,2，朱文婷

（1.陸軍工程大學(xué)，南京210007；2.32214部隊(duì)，南京211100；3.中國船舶集團(tuán)公司第七〇七研究所，天津300131）

0 引言

某裝備是典型的機(jī)電液一體化裝備，構(gòu)成較為復(fù)雜，其架設(shè)操作必須依據(jù)一定的操作程序和安全規(guī)定實(shí)施。在該裝備的作戰(zhàn)保障和日常訓(xùn)練過程中，由于裝備操作人員的技術(shù)水平和架設(shè)展開場(chǎng)地等因素的限制，以及裝備在管理維護(hù)方面的不當(dāng)行為和裝備潛在的結(jié)構(gòu)缺陷、環(huán)境與氣象因素的影響等因素，都會(huì)給裝備的使用操作帶來各種問題并引發(fā)故障，如果在裝備的使用、維護(hù)過程中未能對(duì)其健康狀態(tài)進(jìn)行適時(shí)的檢測(cè)、診斷，排除各種故障，則必然會(huì)造成裝備的性能劣化和使用故障，嚴(yán)重時(shí)會(huì)引起裝備毀壞和人員傷亡等重大后果。由于該裝備故障特性復(fù)雜，僅依靠傳統(tǒng)的故障診斷算法難以實(shí)現(xiàn)故障的精確識(shí)別與診斷，而卷積神經(jīng)網(wǎng)絡(luò)、專家系統(tǒng)等智能診斷算法和技術(shù)的出現(xiàn)為該裝備故障診斷提供了新的解決方案[1-2]。為有效提高工程裝備故障診斷效率，縮短排障時(shí)間，提升維修人員的技術(shù)水平，節(jié)約各方面資源，本文提出一套針對(duì)性強(qiáng)的裝備故障診斷系統(tǒng)[3]。該系統(tǒng)可對(duì)該裝備的液壓、電控等系統(tǒng)進(jìn)行實(shí)時(shí)狀態(tài)監(jiān)測(cè)和故障報(bào)警，輔助指導(dǎo)維修操作人員進(jìn)行裝備的架設(shè)操作，預(yù)測(cè)預(yù)報(bào)裝備故障并指導(dǎo)裝備維修人員進(jìn)行及時(shí)維護(hù)、保養(yǎng)調(diào)試和故障的預(yù)先檢測(cè)排除，降低故障的發(fā)生概率。

1 故障診斷系統(tǒng)設(shè)計(jì)

1.1 總體方案

如圖1所示，故障檢測(cè)系統(tǒng)采用上、下位機(jī)的分布式網(wǎng)絡(luò)模式[4]。上位機(jī)由電腦、無線通信單元、USB電纜及其他附件構(gòu)成。無線通信單元選用了SM500工業(yè)級(jí)物聯(lián)網(wǎng)無線數(shù)傳模塊，由其接收下位機(jī)無線傳輸?shù)墓收蠑?shù)據(jù)并通過USB接口上傳到電腦中，由電腦中的故障檢測(cè)軟件進(jìn)行處理。

圖1 故障檢測(cè)系統(tǒng)總體結(jié)構(gòu)

下位機(jī)由若干無線檢測(cè)終端組成，采用多跳自組網(wǎng)方式進(jìn)行信號(hào)（數(shù)據(jù)）傳輸。下位機(jī)主要功能是檢測(cè)該裝備各個(gè)液壓回路的壓力、橋梁結(jié)構(gòu)應(yīng)變、液壓油溫度、電氣系統(tǒng)供電電壓、電液比例閥驅(qū)動(dòng)電流、液壓馬達(dá)轉(zhuǎn)速、液壓缸位移等信號(hào)，并通過無線傳輸方式，以自組多跳的網(wǎng)絡(luò)方式傳送到上位機(jī)中。

1.2 無線檢測(cè)終端（下位機(jī)）設(shè)計(jì)

下位機(jī)主要用于裝備運(yùn)行過程中的工作參數(shù)采集，所采集的參數(shù)主要包括溫度、形變、壓力、液位、電壓、電流、位移、轉(zhuǎn)速等。下位機(jī)分散布置于該裝備工作裝置的多個(gè)需要監(jiān)測(cè)的部位。為確保其工作可靠，對(duì)下位機(jī)采用了密閉封裝式結(jié)構(gòu)，無線檢測(cè)終端及其所有附件均采用整體外殼封裝。檢測(cè)終端的工作電源采用經(jīng)濟(jì)方便的可充電鋰電池，同時(shí)在電路中設(shè)計(jì)了額外的監(jiān)測(cè)模塊，負(fù)責(zé)對(duì)電源電壓進(jìn)行監(jiān)測(cè)。當(dāng)該模塊監(jiān)測(cè)到電池電壓不足時(shí)，將向系統(tǒng)報(bào)警提示，使得系統(tǒng)能夠向用戶發(fā)出需要更換電池的提醒。下位機(jī)的組成原理如圖2所示。無線傳感器組成的下位機(jī)之間通過無線通訊方式組成網(wǎng)絡(luò)式結(jié)構(gòu)，與上位機(jī)保持通訊。

圖2 無線檢測(cè)終端功能原理

2 故障診斷關(guān)鍵技術(shù)

本文選取卷積神經(jīng)網(wǎng)絡(luò)算法對(duì)故障診斷系統(tǒng)進(jìn)行模型構(gòu)建與故障診斷。由于該裝備結(jié)構(gòu)復(fù)雜，故障種類繁多，利用卷積神經(jīng)網(wǎng)絡(luò)建模和學(xué)習(xí)訓(xùn)練時(shí)，獲取疑難故障數(shù)據(jù)比較困難，影響了故障診斷模型的的訓(xùn)練效果，導(dǎo)致設(shè)計(jì)的裝備故障診斷系統(tǒng)準(zhǔn)確性與實(shí)用性降低。因此，故障診斷系統(tǒng)中應(yīng)用了專家系統(tǒng)，利用其可在豐富先驗(yàn)知識(shí)的前提下解決困難問題的優(yōu)點(diǎn)，與卷積神經(jīng)網(wǎng)絡(luò)優(yōu)勢(shì)互補(bǔ)，以實(shí)現(xiàn)裝備的實(shí)時(shí)故障精確診斷與健康狀態(tài)監(jiān)測(cè)。

2.1 故障診斷系統(tǒng)結(jié)構(gòu)

故障診斷系統(tǒng)結(jié)構(gòu)如圖3所示。通過安裝于該裝備各個(gè)被測(cè)部件的傳感器采集相關(guān)的工作狀態(tài)信號(hào)，分為兩路分別傳送給卷積神經(jīng)網(wǎng)絡(luò)診斷系統(tǒng)和故障診斷專家系統(tǒng)。其中卷積神經(jīng)網(wǎng)絡(luò)診斷系統(tǒng)對(duì)數(shù)據(jù)進(jìn)行運(yùn)算處理，一方面對(duì)自身網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化升級(jí)，另一方面實(shí)現(xiàn)了對(duì)裝備的實(shí)時(shí)健康狀態(tài)監(jiān)測(cè)和故障診斷。而對(duì)于一些疑難故障及罕見故障等特殊情況，卷積神經(jīng)網(wǎng)絡(luò)無法得出有效診斷結(jié)論，則利用故障診斷專家系統(tǒng)，結(jié)合傳感器所采集的數(shù)據(jù)和領(lǐng)域?qū)＜业墓收现R(shí)，利用專家系統(tǒng)推理引擎完成故障的診斷。兩者的結(jié)合改善了故障診斷的能力和診斷準(zhǔn)確率。

圖3 故障診斷系統(tǒng)結(jié)構(gòu)

2.2 基于卷積神經(jīng)網(wǎng)絡(luò)的故障診斷技術(shù)

為了對(duì)裝備進(jìn)行故障診斷及實(shí)時(shí)狀態(tài)監(jiān)測(cè)，利用卷積神經(jīng)網(wǎng)絡(luò)技術(shù)，進(jìn)行故障特征提取與診斷，對(duì)某裝備作業(yè)裝置的實(shí)時(shí)狀態(tài)進(jìn)行評(píng)估分析。診斷故障診斷步驟如下。

（1）故障數(shù)據(jù)采集

根據(jù)故障診斷系統(tǒng)實(shí)際工作狀況及液壓系統(tǒng)故障表現(xiàn)，對(duì)于卷積神經(jīng)網(wǎng)絡(luò)，其輸入層神經(jīng)元的數(shù)目應(yīng)與推橋馬達(dá)支路中的傳感器數(shù)目保持一致，而其輸入信號(hào)則分別為無線檢測(cè)終端所采集的傳感器信號(hào)再經(jīng)相關(guān)預(yù)處理后的數(shù)據(jù)。采集的數(shù)據(jù)包括推橋液壓馬達(dá)轉(zhuǎn)速和流量、主油路液壓油的油溫及油壓、支路中的液壓油油壓等相關(guān)數(shù)據(jù)。因此，對(duì)該支路卷積神經(jīng)網(wǎng)絡(luò)模型輸入層初始神經(jīng)元數(shù)目設(shè)定為5。

對(duì)于本案例，液壓系統(tǒng)中可能產(chǎn)生的主要故障共有5種情況：系統(tǒng)內(nèi)液壓油受到污染；液壓泵故障產(chǎn)生的工作異常；液壓馬達(dá)故障產(chǎn)生的工作異常；液壓缸故障產(chǎn)生的工作異常；液壓管路損壞導(dǎo)致的漏油。針對(duì)每種故障，本文根據(jù)其對(duì)裝備整體性能影響程度和故障維修工作量進(jìn)行等級(jí)劃分，分為輕微故障、一般故障、嚴(yán)重故障。因此，再考慮正常工況的情況，該支路卷積神經(jīng)網(wǎng)絡(luò)的輸出層共有16種分類結(jié)果，分別對(duì)應(yīng)一種典型的裝備性能健康狀態(tài)。

（2）數(shù)據(jù)的預(yù)處理

以表1所示的10組某裝備作業(yè)裝置中的推橋馬達(dá)液壓支路故障數(shù)據(jù)為例進(jìn)行分析討論，說明如何進(jìn)行相應(yīng)的數(shù)據(jù)預(yù)處理。其中表格中P1～P5分別代表著測(cè)量得到的推橋馬達(dá)轉(zhuǎn)速和流量、主油路液壓油油溫和油壓以及該支路液壓油路油壓。由表可知，不同種類傳感器采集到的數(shù)據(jù)具有不同的量綱和量綱單位，如果直接對(duì)這樣的數(shù)據(jù)進(jìn)行計(jì)算將會(huì)影響到數(shù)據(jù)分析的準(zhǔn)確度。因此在將數(shù)據(jù)輸入卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練之前，還需對(duì)數(shù)據(jù)進(jìn)行歸一化處理（模糊處理），使各參數(shù)處于同一數(shù)量級(jí)，實(shí)現(xiàn)數(shù)據(jù)指標(biāo)之間的可比性。

表1 推橋馬達(dá)支路故障數(shù)據(jù)

對(duì)系統(tǒng)讀取到的數(shù)據(jù)使用分段函數(shù)的形式進(jìn)行處理，將數(shù)據(jù)進(jìn)行歸一化處理從而轉(zhuǎn)換到[0,1]的取值區(qū)間上來，以更加直觀地展現(xiàn)數(shù)據(jù)值的大小及與對(duì)應(yīng)理想值的偏差情況。其中0.5代表數(shù)據(jù)參數(shù)值達(dá)到最佳標(biāo)準(zhǔn)值，即對(duì)應(yīng)的目標(biāo)理想值；而0.2、0.8分別代表參數(shù)值較低和較高的情況，即脫離了正常參數(shù)值范圍，可能存在某種故障情況。圖4所示為提出的分段函數(shù)簡化圖。

圖4 分段函數(shù)曲線

將表1樣本數(shù)據(jù)點(diǎn)按參考文獻(xiàn)[3]的方法進(jìn)行處理得到表2所示數(shù)據(jù)。所有數(shù)據(jù)都依照此處理方式，然后利用C語言在LabWindows/CVI平臺(tái)調(diào)用MATLAB函數(shù)進(jìn)行批量處理。

表2 神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本輸入向量

該診斷系統(tǒng)中，共設(shè)置5個(gè)傳感器，每個(gè)傳感器采集200個(gè)數(shù)據(jù)，共測(cè)得1 000個(gè)數(shù)據(jù)。由于該系統(tǒng)包括5個(gè)傳感器，單種信號(hào)每組數(shù)據(jù)實(shí)際分析200個(gè)點(diǎn)，因此每組數(shù)據(jù)5個(gè)信號(hào)共計(jì)1 000個(gè)數(shù)據(jù)。將1 000個(gè)數(shù)據(jù)順次連接，并按圖5轉(zhuǎn)換原理進(jìn)行一維至二維的變換，即將長度為1 000的數(shù)據(jù)按照順序依次填入k×k的矩陣之中，若矩陣還有空位，則由0補(bǔ)上。其中，k由公式k=[n]+1確定，n為數(shù)據(jù)點(diǎn)數(shù)，[n]表示對(duì)n的開方結(jié)果進(jìn)行取整處理，此處n=1 000，可推算出k=32，因此在需將1 000個(gè)數(shù)據(jù)補(bǔ)上24個(gè)0（32×32-1 000=24）構(gòu)成1 024個(gè)數(shù)據(jù)，作為卷積神經(jīng)網(wǎng)絡(luò)輸入層信號(hào)，如圖6所示。

圖5 數(shù)據(jù)轉(zhuǎn)換原理

圖6 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

（3）卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)

根據(jù)液壓系統(tǒng)的故障情況統(tǒng)計(jì)，總結(jié)出液壓系統(tǒng)5種故障，即油液污染、液壓泵工作異常、液壓馬達(dá)工作異常、油缸壓力異常和液壓管路泄漏，作為卷積神經(jīng)網(wǎng)絡(luò)的5個(gè)輸入節(jié)點(diǎn)。目前對(duì)卷積神經(jīng)網(wǎng)絡(luò)卷積層和池化層的層數(shù)的確定尚無有效的理論方法，一般是依據(jù)經(jīng)驗(yàn)反復(fù)試驗(yàn)確定，本文綜合考慮信號(hào)種類、數(shù)據(jù)通道和數(shù)據(jù)點(diǎn)數(shù)及信號(hào)頻率，經(jīng)仿真試驗(yàn)，參照文獻(xiàn)[5-6]的構(gòu)建方法，確定包含2個(gè)卷積層和2個(gè)池化層相互連接，1個(gè)全連接層，以及共16個(gè)節(jié)點(diǎn)的輸出層。限于時(shí)間及樣本特性，本文未窮盡所有可能性，僅從可行性角度，試驗(yàn)確定第一層卷積層的卷積核數(shù)量為6，大小為5×5；第二層卷積層的卷積核數(shù)量為12，綜合考慮提升分析精度和縮小運(yùn)算量的需求，確定大小為3×3。池化層步長設(shè)置為2，采用均值池化方法。輸出層采用Softmax分類器，其余激活函數(shù)均為ReLU函數(shù)。學(xué)習(xí)率設(shè)定為0.01，訓(xùn)練批量為40。最大迭代次數(shù)200次，最大容許誤差為0.1。卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖6所示。將該裝備作業(yè)裝置的健康狀態(tài)從無故障到徹底損壞分為16個(gè)等級(jí)。與卷積神經(jīng)網(wǎng)絡(luò)的輸出層共有16種分類結(jié)果相對(duì)應(yīng)。

（4）診斷結(jié)果分析

針對(duì)16種工況狀態(tài)條件，分別重復(fù)實(shí)驗(yàn)進(jìn)行數(shù)據(jù)采集并保留相應(yīng)數(shù)據(jù)。采樣頻率設(shè)定為128 Hz，每種工況條件下各傳感器分別采集150組數(shù)據(jù)；每組數(shù)據(jù)采集時(shí)間為10 s，即單個(gè)傳感器每組數(shù)據(jù)共得到1 280個(gè)數(shù)據(jù)點(diǎn)。為了便于計(jì)算，在不影響診斷精度的情況下加快診斷速度，對(duì)每組數(shù)據(jù)進(jìn)行重采樣處理。根據(jù)奈奎斯特采樣定律，將重采樣頻率設(shè)定為20 Hz。此外，在實(shí)際采集實(shí)驗(yàn)中，要在裝備平穩(wěn)運(yùn)行時(shí)才能進(jìn)行數(shù)據(jù)采集。因此，實(shí)際分析時(shí)，單個(gè)傳感器每組數(shù)據(jù)包含200個(gè)數(shù)據(jù)點(diǎn)。

在每種工況150個(gè)樣本中各隨機(jī)抽取130個(gè)樣本作為訓(xùn)練樣本進(jìn)行卷積神經(jīng)網(wǎng)絡(luò)的初始訓(xùn)練，而每種工況剩余的20個(gè)樣本則作為訓(xùn)練后的卷積神經(jīng)網(wǎng)絡(luò)準(zhǔn)確度測(cè)試樣本（共計(jì)2 080個(gè)訓(xùn)練樣本，320個(gè)測(cè)試樣本）。為驗(yàn)證本文設(shè)計(jì)的卷積神經(jīng)網(wǎng)絡(luò)性能可靠性，本文在選擇上述網(wǎng)絡(luò)模型參數(shù)后，共進(jìn)行5次卷積神經(jīng)網(wǎng)絡(luò)故障診斷測(cè)試實(shí)驗(yàn)，表3所示為每次實(shí)驗(yàn)的迭代收斂次數(shù)和測(cè)試準(zhǔn)確率。從表中可以看出，最低診斷準(zhǔn)確率為95.93%，最高為98.75%，證明本文所構(gòu)造的診斷系統(tǒng)具有比較理想的診斷準(zhǔn)確性。

表3 卷積神經(jīng)網(wǎng)絡(luò)測(cè)試結(jié)果

3 結(jié)束語

本文根據(jù)某裝備作業(yè)裝置的故障特點(diǎn)及分布情況，設(shè)計(jì)基于無線傳感網(wǎng)絡(luò)的傳感器數(shù)據(jù)采集方案，為故障診斷系統(tǒng)提供了監(jiān)測(cè)數(shù)據(jù)。以推橋馬達(dá)支路為例，設(shè)計(jì)了一種基于多分類器Softmax的卷積神經(jīng)網(wǎng)絡(luò)故障診斷系統(tǒng)，能夠?qū)Σ杉募茉O(shè)系統(tǒng)工況數(shù)據(jù)進(jìn)行故障診斷。在實(shí)際應(yīng)用中，能夠不斷繼續(xù)學(xué)習(xí)，更新其網(wǎng)絡(luò)參數(shù)。最后基于面向?qū)ο蠹夹g(shù)和模塊化技術(shù)，在虛擬儀器集成開發(fā)平臺(tái)LabWindows/CVI上利用C語言開發(fā)了故障診斷系統(tǒng)上位機(jī)故障診斷應(yīng)用軟件。本文設(shè)計(jì)的算法程序具有較好魯棒性、靈活性和實(shí)用性，滿足了多層次部隊(duì)維修人員的使用需求，其推廣應(yīng)用可有效地提高部隊(duì)裝備維修保障的能力。