馬海英，張 鵬，郭志軍

（1.黃河交通學(xué)院汽車工程學(xué)院，河南武陟 454950；2.河南科技大學(xué)車輛與交通工程學(xué)院，河南洛陽(yáng) 471003）

隨著液壓系統(tǒng)技術(shù)的研究不斷深入，實(shí)現(xiàn)高精度運(yùn)動(dòng)控制與動(dòng)力性能提升成為人們研究的熱點(diǎn)課題。由于軸向柱塞泵屬于液壓系統(tǒng)的一種重要?jiǎng)恿C(jī)構(gòu)，可以實(shí)現(xiàn)液壓系統(tǒng)的穩(wěn)定動(dòng)力保障，具體工作機(jī)制是利用柱塞往復(fù)運(yùn)動(dòng)的形式，調(diào)控腔體的空間尺寸，并達(dá)到吸油與排油的控制效果［1-3］。可以將柱塞泵的故障診斷過程分成3 個(gè)步驟，包括故障數(shù)據(jù)采集、特征參數(shù)提取與分類［4-5］。由于柱塞泵運(yùn)行期間會(huì)產(chǎn)生有明顯波動(dòng)性的信號(hào)，呈現(xiàn)明顯時(shí)變趨勢(shì)，根據(jù)上述研究結(jié)果，應(yīng)同時(shí)選擇能夠使信號(hào)時(shí)頻域數(shù)據(jù)進(jìn)行全局處理的方法，由此完成時(shí)頻分析［6］。還有學(xué)者通過卷積神經(jīng)網(wǎng)絡(luò)自適應(yīng)的方法進(jìn)行故障參數(shù)提取，有效避免人為因素產(chǎn)生的波動(dòng)影響，顯著提升了分析結(jié)果的穩(wěn)定性。此外，不少學(xué)者通過上述方法實(shí)現(xiàn)對(duì)不同類型故障信息進(jìn)行分析的功能，從而獲得精確的故障信號(hào)特征［7-10］。學(xué)者們針對(duì)柱塞泵空化的作用機(jī)制與相關(guān)影響因素開展全面分析。例如，魏曉良等［11］在振動(dòng)信號(hào)頻譜分析基礎(chǔ)上加入卷積神經(jīng)網(wǎng)絡(luò)分析的方法對(duì)故障實(shí)施診斷，結(jié)果顯示采用帶通濾波方法可以明顯抑制頻譜圖的噪聲信號(hào)。經(jīng)仿真測(cè)試，能對(duì)多種復(fù)雜信噪比柱塞泵故障實(shí)現(xiàn)準(zhǔn)確識(shí)別。張凱等［12］運(yùn)用局部均值重構(gòu)和支持向量機(jī)來達(dá)到精確診斷柱塞泵故障的效果，結(jié)果表明，重構(gòu)信號(hào)能夠同時(shí)促進(jìn)準(zhǔn)確性與測(cè)試精度的同步提升功能，使整體識(shí)別性能獲得顯著改善。

在對(duì)一些復(fù)雜參數(shù)或分類進(jìn)行處理時(shí)，深層卷積神經(jīng)網(wǎng)絡(luò)（DCNN）算法相對(duì)淺層卷積神經(jīng)網(wǎng)絡(luò)表現(xiàn)出了更優(yōu)特征提取能力，同時(shí)促進(jìn)了映射精度的顯著優(yōu)化［13］。對(duì)于圖像分析過程，DCNN也獲得了廣泛使用，并表現(xiàn)出了優(yōu)異綜合性能。柱塞泵出現(xiàn)故障時(shí)將會(huì)產(chǎn)生非平穩(wěn)變化的信號(hào)參數(shù)，可根據(jù)時(shí)頻方法判斷信號(hào)頻譜變化規(guī)律，從而獲得比傳統(tǒng)時(shí)域、頻域分析方法更優(yōu)的性能［14］。對(duì)柱塞泵故障進(jìn)行1DCNN診斷時(shí)，可通過初始信號(hào)分析的方法，避免外部因素對(duì)特征提取結(jié)果產(chǎn)生的影響，從而滿足智能診斷需求。但考慮到以傳統(tǒng)1DCNN模型進(jìn)行分析時(shí)，無法完成深度學(xué)習(xí)的過程，對(duì)最終數(shù)據(jù)精度造成不利影響。因此，本研究利用增加1DCNN深度的方式，在設(shè)計(jì)模型時(shí)加入更高比例的卷積層，由此促進(jìn)D-1DCNN模型特征提取效率的顯著提高。

1 柱塞泵故障診斷實(shí)驗(yàn)系統(tǒng)

柱塞泵故障診斷實(shí)驗(yàn)原理如圖1所示。電源連接之后，電機(jī)進(jìn)入轉(zhuǎn)動(dòng)階段并使軸向柱塞泵獲得驅(qū)動(dòng)力，缸體開始方式旋轉(zhuǎn)，柱塞呈現(xiàn)往復(fù)運(yùn)動(dòng)的狀態(tài)，實(shí)現(xiàn)油液的吸排過程。實(shí)驗(yàn)設(shè)置了加速度測(cè)試儀對(duì)泵殼的振動(dòng)信號(hào)數(shù)據(jù)實(shí)施采集，同時(shí)采集液壓泵流量與泵運(yùn)行壓力。柱塞泵運(yùn)行階段泵殼在振動(dòng)狀態(tài)下形成了大量的沖擊作用信號(hào)，根據(jù)這些信號(hào)變化規(guī)律對(duì)柱塞泵的故障特征進(jìn)行綜合分析。

本次測(cè)試選擇型號(hào)為25YCY的軸向柱塞泵，數(shù)據(jù)采集以NI-USB-6343-10 采集卡實(shí)現(xiàn)。本次獲得的具體參數(shù)見表1。

表1 采集參數(shù)設(shè)置Tab.1 Collection parameter Settings

2 模型建立

2.1 深度一維卷積神經(jīng)網(wǎng)絡(luò)

1DCNN 對(duì)一維振動(dòng)信號(hào)可以實(shí)現(xiàn)直接分析的功能?？蓪?DCNN與卷積核都作為一維結(jié)構(gòu)進(jìn)行處理，對(duì)應(yīng)的卷積核是1×n。1DCNN 結(jié)構(gòu)如圖2所示。根據(jù)圖中數(shù)據(jù)獲得一維池化的具體步驟，將步長(zhǎng)設(shè)定在3。利用卷積核濃縮數(shù)據(jù)后，得到了濃縮程度更大的特征數(shù)據(jù)。

圖2 1DCNN結(jié)構(gòu)Fig.2 Structure diagram of 1DCNN

2.2 基于D-1DCNN的柱塞泵故障診斷

本實(shí)驗(yàn)針對(duì)振動(dòng)信號(hào)的具體狀態(tài)共設(shè)置樣本參數(shù)為176 萬個(gè)，按照比例為4∶1 的條件設(shè)置訓(xùn)練與測(cè)試樣本。

2.2.1 D-1DCNN網(wǎng)絡(luò)構(gòu)建與參數(shù)設(shè)置

D-1DCNN結(jié)構(gòu)參數(shù)見表2，同時(shí)輸入9 000×1規(guī)模的信號(hào)。對(duì)所有層數(shù)據(jù)經(jīng)過卷積后，再利用tanh函數(shù)對(duì)其進(jìn)行激活。以Adam優(yōu)化器優(yōu)化本文設(shè)計(jì)的分析模型，將學(xué)習(xí)率設(shè)置為0.01，共經(jīng)過50次計(jì)算得到最終結(jié)果。

表2 D-1DCNN網(wǎng)絡(luò)參數(shù)設(shè)置Tab.2 D-1DCNN network parameter Settings

2.2.2 D-1DCNN網(wǎng)絡(luò)參數(shù)調(diào)節(jié)

學(xué)習(xí)率對(duì)網(wǎng)絡(luò)性能的影響見表3。當(dāng)學(xué)習(xí)率增大后，將會(huì)引起模型訓(xùn)練時(shí)間的進(jìn)一步增加。將學(xué)習(xí)率設(shè)定在較小的狀態(tài)，為0.01，此時(shí)模型故障診斷率達(dá)到最高。學(xué)習(xí)率為0.3 的情況下，準(zhǔn)確率降低到65%；而將學(xué)習(xí)率提高到0.5 之后，則無法實(shí)現(xiàn)模型收斂的功能。

表3 學(xué)習(xí)率對(duì)網(wǎng)絡(luò)性能的影響Tab.3 Influence of learning rate on network performance

針對(duì)卷積核導(dǎo)致D-1DCNN 的變化開展分析，應(yīng)固定D-1DCNN的其余參數(shù)條件。本研究中只單獨(dú)調(diào)節(jié)卷積核的大小，連接網(wǎng)絡(luò)后，再對(duì)訓(xùn)練時(shí)間與識(shí)別精度開展對(duì)比分析。將卷積核設(shè)定在1×1、1×5、1×3、1×10的4種狀態(tài)，最后評(píng)估了每種樣本的準(zhǔn)確率結(jié)果。測(cè)試參數(shù)顯示見表4，逐漸提高卷積核規(guī)模后，將需要更長(zhǎng)時(shí)間進(jìn)行訓(xùn)練，同時(shí)需更新更多的模型參數(shù)。隨卷積核尺寸增加后，識(shí)別準(zhǔn)確率先增大后減小，在卷積核處于高度3 的條件下，測(cè)試得到的準(zhǔn)確率最優(yōu)。

表4 卷積核大小對(duì)網(wǎng)絡(luò)性能影響Tab.4 Influence of convolution kernel size on network performance

以各組樣本組成批處理的模式，數(shù)據(jù)顯示見表5，當(dāng)批處理量保持50的情況下，模型準(zhǔn)確率最高。批處理量過低時(shí)則會(huì)引起訓(xùn)練時(shí)間顯著增加。

表5 批處理量對(duì)網(wǎng)絡(luò)性能影響Tab.5 Impact of batch volume on network performance

在測(cè)試期間設(shè)置了最大和平均池化參數(shù)，如圖3所示，以模型進(jìn)行訓(xùn)練得到的網(wǎng)絡(luò)精度。1DCNN處于最大池化模型下時(shí)收斂效率獲得大幅提升，屬于本模型的最大池化參數(shù)。

圖3 不同池化方法對(duì)識(shí)別準(zhǔn)確率影響Fig.3 Influence of different pooling methods on recognition accuracy

通過SGD 和Adam 二個(gè)優(yōu)化器進(jìn)行參數(shù)調(diào)整。故障診斷準(zhǔn)確率測(cè)試結(jié)果如圖4 所示。經(jīng)對(duì)比可知，Adam 相對(duì)SGD 獲得了比本實(shí)驗(yàn)?zāi)Ｐ透鼉?yōu)性能，實(shí)現(xiàn)了收斂性的顯著增強(qiáng)。

圖4 不同優(yōu)化器對(duì)網(wǎng)絡(luò)性能影響Fig.4 Influence of different optimizers on network performance

2.3 實(shí)驗(yàn)結(jié)果

為D-1DCNN 設(shè)置樣本參數(shù)后，再以隨機(jī)方式分配訓(xùn)練與測(cè)試樣本，保持兩種樣本數(shù)比值4∶1，在10 次迭代后再進(jìn)行第二次迭代時(shí)達(dá)到100%準(zhǔn)確率，如圖5所示。整個(gè)訓(xùn)練過程的時(shí)間共124 s。最后測(cè)試表明，D-1DCNN 能夠滿足對(duì)軸向柱塞泵故障進(jìn)行準(zhǔn)確診斷。

圖5 實(shí)驗(yàn)結(jié)果Fig.5 Experimental results

從模型處理效率層面考慮，D-1DCNN 時(shí)間比1DCNN 更短，并且結(jié)果準(zhǔn)確率也達(dá)到100%，因此D-1DCNN具備更優(yōu)性能。而1DCNN因缺乏信號(hào)特征完整性，最終準(zhǔn)確率只有94.2%。以本文深度一維卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行處理時(shí)，對(duì)故障信號(hào)識(shí)別準(zhǔn)確性達(dá)到100%，完全符合智能故障診斷指標(biāo)，見表6。

表6 模型網(wǎng)絡(luò)性能比較Tab.6 Comparison of model network performance

3 結(jié)論

（1）對(duì)D-1DCNN 進(jìn)行網(wǎng)絡(luò)參數(shù)調(diào)節(jié)優(yōu)化確定，學(xué)習(xí)率為0.3，卷積核高度3，批處理量保持50，最大池化模型下，Adam優(yōu)化器。

（2）在10 次迭代后再進(jìn)行第二次迭代時(shí)達(dá)到100%準(zhǔn)確率，訓(xùn)練時(shí)間共124 s，表明D-1DCNN 能夠滿足對(duì)軸向柱塞泵故障進(jìn)行準(zhǔn)確診斷，完全符合智能故障診斷指標(biāo)。