王 娜， 李 楊， 彭 錕

(1. 天津工業(yè)大學(xué) 控制科學(xué)與工程學(xué)院， 天津 300387； 2. 天津市電氣裝備智能控制重點實驗室， 天津 300387)

舵機作為控制系統(tǒng)的執(zhí)行機構(gòu)，常用于對空導(dǎo)彈、無人飛行器、制導(dǎo)炮彈等領(lǐng)域[1].若舵機發(fā)生故障，將會造成嚴(yán)重?fù)p失，導(dǎo)彈不能按照制導(dǎo)指令飛向目標(biāo)，甚至造成控制系統(tǒng)失控、失控導(dǎo)彈威脅載機等重大安全事故，為此對舵機進(jìn)行準(zhǔn)確故障診斷，以排除后續(xù)的飛行安全隱患[2].舵機故障包括舵面卡死、舵機電機繞組開路等嚴(yán)重卻容易診斷的故障，包括機械磨損、參數(shù)漂移等引起的舵機抖動，其影響舵機的正常工作狀態(tài)但卻難以直接診斷故障[3].

目前舵機的故障診斷方法一般分為基于模型和數(shù)據(jù)驅(qū)動兩種.模型法需要獲取精確參數(shù)，計算復(fù)雜度較高[4-5].基于數(shù)據(jù)驅(qū)動的方法不需要求取舵機內(nèi)部部件的精確特性和先驗專家知識，僅通過對離線的歷史數(shù)據(jù)和在線的實時數(shù)據(jù)進(jìn)行挖掘，提取出隱含在數(shù)據(jù)中的有用信息即可進(jìn)行故障診斷[6-8]，簡單有效，適用于復(fù)雜多變的實際舵機運行環(huán)境.

傳統(tǒng)數(shù)據(jù)驅(qū)動方法，如卷積神經(jīng)網(wǎng)絡(luò)等[9]，選擇輸入變量時一般采用主元分析法.將待辨識數(shù)據(jù)的頻率、峰值等信息作為網(wǎng)絡(luò)的輸入，這些信息易于獲得，但卻難以準(zhǔn)確反映舵機數(shù)據(jù)的本質(zhì).例如舵機中的電流和位置數(shù)據(jù)一般具有較豐富的非線性和時變性，抖動故障往往蘊含于其中.若采用傳統(tǒng)降維方法獲得輸入變量，很可能難以準(zhǔn)確捕捉數(shù)據(jù)中重要的動態(tài)信息，導(dǎo)致所選的輸入變量顯著性不強，進(jìn)而影響后續(xù)故障診斷的準(zhǔn)確性.考慮數(shù)據(jù)間時變性的影響，以雙向長短時記憶(bidirectional long-short term memory,BLSTM)循環(huán)神經(jīng)網(wǎng)絡(luò)[10]為典型代表，但其本身結(jié)構(gòu)過于復(fù)雜，在處理高維數(shù)據(jù)時，學(xué)習(xí)參數(shù)多且學(xué)習(xí)速度慢，因此需要在應(yīng)用BLSTM前進(jìn)行數(shù)據(jù)維數(shù)的約簡，以便BLSTM進(jìn)行輸入特征的有效提取.

綜上所述，本文提出一種基于多角度特征提取(multiple angle feature extraction, MAFE)的舵機故障診斷方法，采用短時分析法[11]分幀舵機數(shù)據(jù).應(yīng)用能熵比[12]對幀內(nèi)電流信號提取特征，以增大原始數(shù)據(jù)中微小抖動的特征.應(yīng)用動態(tài)時間規(guī)整[13](dynamic time warping,DTW)特征提取方法提取幀內(nèi)位置信號的特征，以深入挖掘位置指令與位置反饋數(shù)據(jù)的相關(guān)性.在此基礎(chǔ)上，形成舵機的多角度特征，不僅減少了特征提取的計算量，而且為后續(xù)的BLSTM分類提供了有效輸入，從而提高了舵機數(shù)據(jù)分類的正確率.將基于MAFE形成的特征作為BLSTM循環(huán)神經(jīng)網(wǎng)絡(luò)的輸入，有效實現(xiàn)對舵機數(shù)據(jù)的故障分類，并與傳統(tǒng)LSTM及BLSTM方法相比，驗證了所提方法的有效性.

1 舵機故障的描述

舵機作為執(zhí)行器，是由占空比可調(diào)的脈沖進(jìn)行控制，舵機控制系統(tǒng)的基本原理如圖1所示.當(dāng)控制器接收到位置指令時，由電機帶動轉(zhuǎn)臂，此時檢測電流值作為電流反饋，經(jīng)過傳動機構(gòu)形成角度輸出，并給出位置反饋.

圖1 舵機控制系統(tǒng)的基本原理Fig.1 Basic principle of the actuator control system

舵機抖動主要來源于電機轉(zhuǎn)子和定子的故障，其中轉(zhuǎn)子失磁導(dǎo)致輸出力矩減小、電流反饋偏小.轉(zhuǎn)子偏心導(dǎo)致舵機抖動，電流反饋和位置反饋不穩(wěn)定.定子匝間短路導(dǎo)致三相電流顯著上升，系統(tǒng)出現(xiàn)較大震蕩，導(dǎo)致舵機抖動.

舵機的故障首先體現(xiàn)于電流信號，因電流作為控制系統(tǒng)的過程量，能更精確地反映當(dāng)前舵機的工作狀態(tài).通過不同的電流反饋，體現(xiàn)出舵機不同的內(nèi)部位置，當(dāng)舵機由于磨損等原因?qū)⒁霈F(xiàn)抖動趨勢時，通常會在電流反饋的某一個或某幾個電流反饋中出現(xiàn)異常波動，主要體現(xiàn)在波動頻率更高、幅值激增、尖峰脈沖持續(xù)時間增加等，因此對電流反饋的監(jiān)測有利于預(yù)先發(fā)現(xiàn)故障.故障也體現(xiàn)于位置信號，位置指令和位置反饋作為控制系統(tǒng)的輸入和輸出，能夠更加明顯判定舵機是否故障.當(dāng)舵機受到到外部干擾或突發(fā)故障導(dǎo)致抖動時，從位置數(shù)據(jù)上能明顯體現(xiàn)出舵機位置反饋無法跟隨位置指令，主要體現(xiàn)在位置反饋不跟隨位置輸入、位置反饋超調(diào)過大或位置反饋無法穩(wěn)定等.

本文使用的舵機數(shù)據(jù)為某型舵機的實測數(shù)據(jù).舵機測試在常溫常壓的條件下，輸入階躍信號，使舵機每次轉(zhuǎn)動2°～15°，期間以5 ms的采樣間隔采集位置反饋數(shù)據(jù)和電流反饋數(shù)據(jù)，其中電流數(shù)據(jù)采集自舵機中三相270 V直流無刷電機的U，V兩相.舵機數(shù)據(jù)的具體采集方式為：在使用某舵機前，會對該舵機進(jìn)行測試檢查，如果舵機無法轉(zhuǎn)動或出現(xiàn)其他嚴(yán)重故障，則直接換下一個舵機進(jìn)行測試，不進(jìn)行接下來的數(shù)據(jù)采集和波形檢查；若舵機可以轉(zhuǎn)動且無明顯故障，則以5 ms的采樣間隔采集舵機數(shù)據(jù)，其中包括10個反饋點的電流反饋A=[a1,…,a10]，以及2個反饋點的位置信號B=[b1,b2]，其中位置指令數(shù)據(jù)為b1，位置反饋數(shù)據(jù)為b2，人工檢查波形圖，校對波形是否正常，若正常則投入使用，否則更換舵機繼續(xù)檢查.由于在數(shù)據(jù)采集的過程中已經(jīng)預(yù)先排除舵機卡死、搖臂不動等嚴(yán)重故障，因此該實驗數(shù)據(jù)僅包括正常舵機數(shù)據(jù)和舵機抖動數(shù)據(jù).利用電流反饋數(shù)據(jù)A及位置數(shù)據(jù)B診斷舵機是否故障.

2 基于多角度特征提取的舵機數(shù)據(jù)故障診斷方法

2.1 多角度特征提取的基本原理

圖2 MAFE的基本原理Fig.2 Basic principle of MAFE

m=(N-l1)/l2+1 .

(1)

式中：N為舵機數(shù)據(jù)的總采樣點數(shù)；l1為幀長；l2為幀移.

2.1.1 基于短時分析的舵機數(shù)據(jù)分幀

短時分析是將信號分成小段來分析其蘊含的動態(tài)特征，每小段信號即為1“幀”.雖然舵機電流信號在整個階段表現(xiàn)為非穩(wěn)態(tài)、時變的特性，但其在很短的時間范圍內(nèi)特征變化較小、信號穩(wěn)定，即具有短時平穩(wěn)性，將整個信號拆分成多個連續(xù)的短時間段來處理[11]，即分幀.實際操作中分幀即利用舵機數(shù)據(jù)信號乘以一個有限長的窗函數(shù)[14].窗函數(shù)如式(2)，式(3)所示.

漢明窗：

(2)

矩形窗：

(3)

對舵機位置數(shù)據(jù)選用式(3)所示幀長為l1的矩形窗分幀，舵機位置數(shù)據(jù)為階躍信號，矩形窗能保留原始信號的趨勢.對于舵機電流數(shù)據(jù)，選用式(2)所示幀長為l1的漢明窗分幀，漢明窗能減小因電流數(shù)據(jù)時域信號截斷而產(chǎn)生頻譜泄露[15].

圖3 舵機數(shù)據(jù)的分幀過程Fig.3 Process of separating frame for actuator data

舵機數(shù)據(jù)分幀過程中幀長l1取20，幀移l2取10的原因是：對于采集的該型號舵機樣本數(shù)據(jù)，在位置指令下達(dá)后，舵機內(nèi)的驅(qū)動電機快速啟動，響應(yīng)位置指令，在其間的電流會有相應(yīng)變化，位置處于動態(tài)調(diào)整之中，這個過程會由位置角度調(diào)整的大小不同，而有不同的持續(xù)時間，當(dāng)指令執(zhí)行完成后，舵機重新回到穩(wěn)定狀態(tài).對于正常舵機，變化較為平穩(wěn)，持續(xù)時間一般在40～90 ms，數(shù)據(jù)的采集間隔為5 ms.為了使該變化過程能完全處于某個窗函數(shù)中，以至于能完整采集該變化過程并作為后續(xù)的特征，選定100 ms數(shù)據(jù)為1幀，即幀長l1為20.為實現(xiàn)幀與幀之間的平滑過渡，幀移一般為幀長的25%～50%，故本文取幀移l2為10，即在分幀時使相鄰幀存在50%的數(shù)據(jù)重復(fù).

2.1.2 基于能熵比的舵機電流數(shù)據(jù)特征提取

由于舵機抖動故障表現(xiàn)為非線性、存在噪聲、包含冗余信息的電流數(shù)據(jù).為了將舵機抖動特征完全從電流中提取，引入能熵比.能熵比能夠有效增強信號中的微小沖擊，提高信號信噪比[16].以能熵比提取的特征代替電流幀數(shù)據(jù)，提高舵機電流抖動數(shù)據(jù)區(qū)分度的同時又降低了數(shù)據(jù)量，加快后續(xù)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和故障判別.

第j幀的電流反饋數(shù)據(jù)為

(4)

(5)

(6)

(7)

(8)

(9)

式(9)中fk由式(10)和式(11)的快速傅里葉變換式得到：

(10)

(11)

2.1.3 基于動態(tài)時間規(guī)整的舵機位置特征提取

舵機位置數(shù)據(jù)分為舵機位置指令和舵機位置反饋，位置反饋跟隨位置指令.為了從位置關(guān)系上挖掘抖動故障，引入DTW[17].DTW是基于相似度的測量方法，通過彎曲時間軸來匹配和映射時間序列形態(tài)方式，能測量不同長度時間序列的相似度[18].引入DTW是由于其對舵機位置反饋跟隨位置指令的輕微滯后不敏感，因此相對于計算2個數(shù)據(jù)對的歐氏距離，DTW可以更準(zhǔn)確地實現(xiàn)數(shù)據(jù)間相似性的比較.

分析舵機位置數(shù)據(jù)，正常舵機在位置指令下達(dá)5～15 ms后，開始快速跟隨指令信號進(jìn)行單調(diào)遞增或遞減，整個跟隨過程的消耗時間與當(dāng)前舵機的實際位置和目標(biāo)位置有關(guān).當(dāng)位置指令為階躍信號時，跟隨曲線可近似看作一段短時間滯后的階躍響應(yīng).對于存在抖動現(xiàn)象的故障舵機，位置指令下達(dá)后，位置反饋可能出現(xiàn)長時間高頻率振蕩、跟隨結(jié)果存在靜差、瞬時反應(yīng)出現(xiàn)尖峰值等現(xiàn)象，導(dǎo)致跟隨過程總耗時延長，甚至無法完成跟隨.抖動舵機的跟隨過程難以有效擬合位置指令曲線，即使采用DTW對位置數(shù)據(jù)進(jìn)行全局或局部變形，也不能使位置反饋曲線很好地跟隨位置指令曲線，因此在故障舵機下計算出的這2個時間序列的距離將大于正常舵機計算出來的距離，出現(xiàn)較大誤差.

(12)

式中，cl1,l1的值是DTW的輸出.

2.1.4 基于多角度特征提取的舵機特征提取算法

基于MAFE的舵機特征提取算法描述如下：

步驟4 如舵機樣本中幀xj不為最后一幀xm，則j=j+1并返回步驟 2，否則輸出m個特征樣本數(shù)據(jù)ES=[ES1,ES2,…,ESm].

2.2 基于雙向長短時記憶網(wǎng)絡(luò)的舵機故障診斷

2.2.1 LSTM模型

LSTM基本記憶單元結(jié)構(gòu)如圖4所示，循環(huán)神經(jīng)網(wǎng)絡(luò)LSTM主要包括遺忘門、輸入門、輸出門，使其能夠更有效處理時間序列數(shù)據(jù)[19-20].

圖4 LSTM基本記憶單元結(jié)構(gòu)Fig.4 Basic memory cell structure of LSTM

LSTM基本記憶單元是分層遞階結(jié)構(gòu)，當(dāng)前t時刻輸入xt與t-1時刻的輸出yt-1，經(jīng)過遺忘門和輸入門進(jìn)而影響t-1時刻的單元狀態(tài)Ct-1，而后全部輸入到輸出門并得到當(dāng)前輸出yt.

LSTM的計算過程如式(13)～式(18)所示.xt為當(dāng)前時刻t的輸入變量，yt-1為t-1時刻的輸出變量.

遺忘門的輸入為[xt,yt-1]，輸出為ft，其決定t-1時刻的單元狀態(tài)Ct-1是否應(yīng)該被遺忘：

ft=σ(Wf·[xt,yt-1]+bf) .

(13)

式中：Wf，bf分別為遺忘門的權(quán)重和偏差；σ為sigmoid函數(shù).

輸入門的輸入為[xt,yt-1]，輸出為it，控制在t時刻單元狀態(tài)Ct是否應(yīng)該被xt更新：

it=σ(Wi·[xt,yt-1]+bi) .

(14)

式中：Wi，bi分別為輸入門的權(quán)重和偏差.

輸出門首先輸入[xt,yt-1]，確定需要加入的單元狀態(tài)的新信息Ot：

Ot=σ(Wo·[xt,yt-1]+bo) .

(15)

式中：Wo，bo為輸出門的權(quán)重和偏差.

當(dāng)前時刻的單元狀態(tài)：

(16)

式中，⊙為Hadamard積算子.

當(dāng)前輸入的單元狀態(tài)由上次的輸出和本次輸入共同決定：

(17)

式中：Wc，bc為單元狀態(tài)的權(quán)重和偏差.

當(dāng)前時刻的輸出yt：

yt=Ot⊙tanh(Ct) .

(18)

2.2.2 MAFE-BLSTM模型

BLSTM是LSTM神經(jīng)網(wǎng)絡(luò)的改進(jìn)，繼承了LSTM的優(yōu)點，即依靠遺忘門、輸入門和輸出門的組合，實現(xiàn)將舵機時序中冗余數(shù)據(jù)遺忘.BLSTM能夠在正反兩個時間方向的信息同時運算，解決了LSTM無法處理后文信息的問題[21].對于舵機數(shù)據(jù)，BLSTM能夠處理后文信息，便于網(wǎng)絡(luò)學(xué)習(xí)到數(shù)據(jù)未來的變化趨勢.

為分離出舵機抖動故障，將MAFE與BLSTM循環(huán)神經(jīng)網(wǎng)絡(luò)相結(jié)合，形成MAFE-BLSTM模型，從而提出基于MAFE-BLSTM的舵機故障診斷方法.BLSTM在該舵機故障診斷模型中實現(xiàn)數(shù)據(jù)分類，如圖5所示.利用舵機歷史數(shù)據(jù)和未來數(shù)據(jù)正反兩個方向的信息，提高模型的故障診斷精度.

圖5 BLSTM網(wǎng)絡(luò)的基本結(jié)構(gòu)Fig.5 The basic structure of BLSTM network

(19)

(20)

(21)

其中：w，v，u為不同的權(quán)重；b，c為偏差.

基于MAFE的舵機故障診斷過程如圖6所示.首先進(jìn)行數(shù)據(jù)預(yù)處理，對實時采集的舵機數(shù)據(jù)采用滑動窗口取出樣本集，作為MAFE-BLSTM模型輸入；利用MAFE對此樣本集進(jìn)行特征提取，即短時分析劃分?jǐn)?shù)據(jù)、能熵比提取電流特征和DTW提取位置特征，將原始數(shù)據(jù)集轉(zhuǎn)換為MAFE特征樣本集.用MAFE特征樣本作為輸入，提供給BLSTM神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到最終的故障分類.

圖6 基于MAFE-BLSTM的舵機故障診斷模型Fig.6 Model of actuator fault diagnosis via MAFE-BLSTM

3 仿真研究

采用第1節(jié)中的舵機故障數(shù)據(jù)，采樣間隔為5 ms.采集到某型舵機的原始數(shù)據(jù)17組，其分布如表1所示，其中每個采樣點包括位置指令、位置反饋、電流反饋1～10共12維輸入，數(shù)據(jù)的類型包括舵機抖動故障數(shù)據(jù)和正常數(shù)據(jù).

表1 舵機數(shù)據(jù)分布Table 1 Actuator data distribution

由于舵機數(shù)據(jù)隨時間連續(xù)產(chǎn)生，為保證樣本平滑過渡且能連續(xù)監(jiān)測，采用滑動窗口法采集數(shù)據(jù).選取2 000個采樣點，將其作為一個診斷數(shù)據(jù)集，向后滑動100個時間點再次采樣，形成新診斷數(shù)據(jù)集，以此類推，形成舵機總數(shù)據(jù)集.在后續(xù)仿真階段，數(shù)據(jù)進(jìn)行隨機重組，以保證所獲得的數(shù)據(jù)集更具有代表性，最終得到600個正常數(shù)據(jù)集和600個抖動數(shù)據(jù)集，如表2所示.

表2 舵機的數(shù)據(jù)集屬性描述Table 2 Data set attribute description of actuator

首先驗證所用位置反饋、電流反饋對抖動的敏感性及相互關(guān)系，再驗證所提方法的有效性.

位置變化是舵機抖動最直觀的反應(yīng)，也是相對簡單、快速的故障診斷方法，如圖7所示.某故障舵機測試得到的2 000個位置數(shù)據(jù)能夠明顯看出在第20個、第530個和第1 480個采樣點附近產(chǎn)生了舵機抖動，但位置反饋數(shù)據(jù)對抖動的敏感性僅在位置指令突變時較強，而位置指令保持不變時僅從位置數(shù)據(jù)難以判斷此舵機是否故障，具有局限性.

圖7 故障舵機位置數(shù)據(jù)Fig.7 Position data of faulty actuator

引入電流反饋克服位置反饋的局限性如圖8所示.故障舵機在前500個采樣點的電流反饋與正常舵機500個采樣點的電流反饋對比可知，電流反饋不僅在第20個采樣點將舵機的抖動體現(xiàn)出來，而且在第20個采樣點之后，位置指令保持不變時，也能夠體現(xiàn)出故障，故障具體表現(xiàn)為電流波動頻率更高、峰峰值更大、平均幅值與正常水平相異等.引入電流數(shù)據(jù)診斷故障雖然不如位置數(shù)據(jù)直觀、快速和簡單，但電流對舵機抖動有更高的敏感性，因此將電流數(shù)據(jù)作為位置數(shù)據(jù)的補充，有利于提高故障診斷精度.

圖8 電流反饋對比Fig.8 Comparison of current feedback

利用MAFE對原始信號進(jìn)行特征提取，提高其顯著性并減少訓(xùn)練的數(shù)據(jù)量.利用MAFE-BLSTM模型對舵機抖動情況進(jìn)行故障診斷，驗證MAFE對電流的特征提取.從表1的原始數(shù)據(jù)中隨機抽出正常樣本和抖動樣本各7 500個時間上連續(xù)的電流樣本點如圖9所示.

由圖9可知，在原始電流信號中，前50%采樣點為正常舵機電流，后50%采樣點為抖動舵機電流.原始電流的反饋信號為非線性信號，充滿尖峰電流脈沖，難以區(qū)分舵機是否處于抖動故障中.

圖9 原始舵機電流反饋信號Fig.9 Feedback signals of original actuator current

利用MAFE提取電流特征如圖10所示.本方法減少數(shù)據(jù)量時抖動特征突顯，從提取出的MAFE特征可知抖動舵機電流信號峰峰值更大、平均幅值與正常水平相異.這些突顯出的特征都將提高最終故障診斷的速度與準(zhǔn)確性.

圖10 利用MAFE提取電流特征Fig.10 Extracting current features via MAFE

采用MAFE對位置信號提取特征，舵機要求位置反饋跟隨位置指令，否則即為抖動.從表1隨機取出一段樣本，樣本的15 516個連續(xù)的時間上含有抖動的部分，舵機位置指令與位置反饋信號的采樣如圖11所示.

圖11 原始舵機的位置指令與位置反饋信號Fig.11 Position command signal and position feedback signal of original actuator

通過MAFE對位置信號特征提取，將兩組數(shù)據(jù)融合，得到位置特征，采用幅值指標(biāo)對這兩組數(shù)據(jù)進(jìn)行對比，如圖12所示.幅值越大說明偏離程度越大，抖動的可能性越大，從而突出顯示抖動特征并加快故障識別.

圖12 利用MAFE提取位置特征Fig.12 Extracting location features via MAFE

原始樣本與MAFE特征樣本數(shù)據(jù)對比如表3所示，使用MAFE對數(shù)據(jù)特征提取，原始樣本數(shù)據(jù)總和為100%，則MAFE特征提取后，數(shù)據(jù)個數(shù)僅為原來的9.12%，數(shù)據(jù)量降低90.88%，提取特征信息的同時降低了數(shù)據(jù)量，因此運算復(fù)雜性顯著降低.

表3 原始數(shù)據(jù)與MAFE特征提取后對比Table 3 Comparison of original data and MAFE feature extraction

在上述特征提取基礎(chǔ)上，利用MAFE-BLSTM故障診斷模型進(jìn)行故障診斷.過程如下：BLSTM隱藏層節(jié)點數(shù)為100，全連接層神經(jīng)元2個，最小更新批量設(shè)為16，優(yōu)化器采用Adam，損失函數(shù)取交叉熵函數(shù)：

(22)

將表2所示全部正常和抖動數(shù)據(jù)集用于仿真，取其中的70%用于訓(xùn)練，30%用于測試，對LSTM，BLSTM和MAFE-BLSTM訓(xùn)練110 min，得到測試精度如圖13所示.

圖13 LSTM，BLSTM和MAFE-BLSTM模型的測試 精度比較Fig.13 Comparison of test accuracy for LSTM, BLSTM and MAFE-BLSTM

在圖13中，MAFE-BLSTM與LSTM和BLSTM相比，其整體測試精度明顯上升，收斂時間比其他兩種模型更短，訓(xùn)練20min時正確率為99.72%，而LSTM達(dá)到該正確率需要訓(xùn)練110 min.原因在于MAFE-BLSTM基于MAFE特征，而MAFE特征更突出數(shù)據(jù)中的異常信息，比原特征數(shù)目小，使相同時間內(nèi)BLSTM神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)更多樣本，能在更短時間內(nèi)將測試精度提高到95%以上.

對LSTM，BLSTM和MAFE-BLSTM訓(xùn)練110 min，得到損失值的曲線如圖14所示.

圖14 LSTM，BLSTM和MAFE-BLSTM模型的測試 損失值比較Fig.14 Comparison of test loss value for LSTM, BLSTM and MAFE-BLSTM

在圖14中，當(dāng)MAFE-BLSTM模型訓(xùn)練到20 min時，損失值已達(dá)0.049；當(dāng)LSTM訓(xùn)練到20 min時，損失值為0.29；BLSTM訓(xùn)練20 min時，損失值為0.24.在同一時刻，MAFE-BLSTM模型的損失值相比其他兩種模型很小.當(dāng)訓(xùn)練時間達(dá)到110 min時，MAFE-BLSTM的損失值為0.002 4，LSTM的損失值為0.067，BLSTM的損失值為0.076.由此可知，MAFE-BLSTM模型能夠在較短時間內(nèi)迅速收斂，具有較強的訓(xùn)練調(diào)節(jié)能力，計算效率較高.MAFE-BLSTM與其他診斷模型的整體訓(xùn)練精度及測試精度比較如表4所示.

表4 MAFE-BLSTM模型與其他診斷模型的總體 訓(xùn)練及測試精度比較Table 4 Comparison of MAFE-BLSTM model with the accurate of other models for total train and test accuracy

MAFE-BLSTM模型在整個訓(xùn)練時間段內(nèi)訓(xùn)練精度平穩(wěn)上升，最終收斂于100%的高分類精度，高于LSTM的99.7%和BLSTM的99.6%.測試精度雖然略低于訓(xùn)練精度，但也達(dá)到99.59%的較高精度，高于LSTM的98.06%和BLSTM的97.45%，顯示出模型的優(yōu)越性.表5為不同測試時段下MAFE-BLSTM與其他模型的診斷精度比較.

表5 MAFE-BLSTM模型與其他模型的診斷精度對比Table 5 Test diagnosis accuracy of MAFE-BLSTM model and other diagnosis models %

由表5可知，MAFE-BLSTM模型雖然在第5 min時略低于LSTM和BLSTM模型，但之后的10，20，50，100 min的訓(xùn)練過程中，其測試精度穩(wěn)定上升，最終在110 min達(dá)到99.72%的較高正確率，分類效果優(yōu)于LSTM和BLSTM，顯示較好優(yōu)越性.

表5精度變化的原因在于，MAFE-BLSTM模型的輸入由MAFE特征獲得，該特征在一定程度上突出了舵機數(shù)據(jù)中的抖動信息，提高了舵機特征提取的有效性.同時有個別類似抖動的擾動信息被同時突出，這會導(dǎo)致模型訓(xùn)練初期被這些個別異常點影響，產(chǎn)生測試精度的波動.由于MAFE-BLSTM模型中遺忘門的作用，模型具有一定的魯棒性，使得這些極少數(shù)異常點的擾動僅能在模型訓(xùn)練初期產(chǎn)生影響，之后將被快速遺忘.在克服擾動后，由于MAFE特征比原數(shù)據(jù)特征的計算量小，能在更短時間將精度迅速提高.

4 結(jié) 論

1) 提出一種基于多角度特征提取的故障診斷方法，通過MAFE特征提取出舵機電流和位置數(shù)據(jù)的異常信息，能夠顯著降低原始數(shù)據(jù)量，提高整體算法的計算效率，并結(jié)合BLSTM加快故障診斷模型的訓(xùn)練速度，提高其診斷精度.

2) 仿真結(jié)果表明，MAFE-BLSTM故障診斷模型更適用于多維的長時間序列數(shù)據(jù)，并與LSTM，BLSTM神經(jīng)網(wǎng)絡(luò)的故障診斷結(jié)果比較，顯示其在診斷精度和計算效率上具有較高優(yōu)越性.