陳書輝，章猛，劉輝，張超勇

（華中科技大學(xué) 數(shù)字制造裝備與技術(shù)國(guó)家重點(diǎn)實(shí)驗(yàn)室，武漢 430074）

液壓系統(tǒng)各個(gè)元件與工作介質(zhì)在封閉的油路中工作，故障發(fā)生不直觀，排查難度大，診斷困難。液壓系統(tǒng)的壓力、流量信號(hào)具有明顯的非線性，伴隨外部噪聲與振動(dòng)干擾，其故障特征提取十分困難。液壓泵與蓄能器均為液壓系統(tǒng)核心零件，直接影響液壓系統(tǒng)的健康與性能，因此準(zhǔn)確可靠的診斷液壓泵和蓄能器狀態(tài)非常重要。

現(xiàn)有液壓系統(tǒng)故障診斷常借鑒機(jī)械系統(tǒng)故障診斷模型，例如隱馬爾科夫模型[1]、支持向量機(jī)[2]等。隨著深度學(xué)習(xí)的發(fā)展，BP 神經(jīng)網(wǎng)絡(luò)[3]、深度置信網(wǎng)絡(luò)[4]、卷積神經(jīng)網(wǎng)絡(luò)[5]、堆棧自編碼[6]等神經(jīng)網(wǎng)絡(luò)模型開始大量應(yīng)用于故障診斷。其中卷積神經(jīng)網(wǎng)絡(luò)是一種典型的深度前饋神經(jīng)網(wǎng)絡(luò)，主要用于圖像處理，進(jìn)行故障診斷時(shí)需要將一維信號(hào)轉(zhuǎn)換為二維信號(hào)，常用的方法主要有灰度圖像[7]、連續(xù)小波變換[8]、Hibert-Huang 變換[9]、經(jīng)驗(yàn)?zāi)B(tài)分解EEMD[10]等。

傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)一般為二維CNN，Kiranyaz等[11]提出了一種一維CNN 網(wǎng)絡(luò)，其能有效處理一維信號(hào)，直接由神經(jīng)網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)處理、特征提取、特征選擇、狀態(tài)識(shí)別等步驟，完成端到端的的故障診斷，極大簡(jiǎn)化了故障診斷流程[12]，并在故障診斷方面取得良好的效果[13]。 Wu 等[14]使用一維卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)原始振動(dòng)信號(hào)進(jìn)行故障診斷，結(jié)果顯示1D-CNN 的測(cè)試準(zhǔn)確度達(dá)到了99.3%，效果優(yōu)于傳統(tǒng)方法。Wang 等[15]融合了聲音與振動(dòng)信號(hào)，結(jié)合1D-CNN 診斷軸承故障，該方法的診斷準(zhǔn)確率可達(dá)99.85%。 Wang等[16]提出一種多傳感器數(shù)據(jù)融合的CNN 模型對(duì)旋轉(zhuǎn)機(jī)械故障進(jìn)行診斷，對(duì)風(fēng)電試驗(yàn)臺(tái)和離心泵的診斷結(jié)果分別為99.47%和97.32%，表明模型具有更高的識(shí)別精度和更快的收斂速度。Huang 等[17]使用多尺度卷積神經(jīng)網(wǎng)絡(luò)對(duì)軸承進(jìn)行故障診斷，結(jié)果表明多尺度的卷積核可以提取更多的故障特征，提高診斷精度。

與軸承、齒輪等轉(zhuǎn)子系統(tǒng)相比，液壓系統(tǒng)中傳感器信息數(shù)量較多，其中壓力與流量信號(hào)是液壓系統(tǒng)的特有信號(hào)，還有噪聲、溫度、振動(dòng)等輔助信號(hào)，需要綜合考慮多傳感器信息診斷[18-19]。本文提出了一種多尺度一維卷積神經(jīng)網(wǎng)絡(luò)與多傳感器信息融合的故障診斷模型，對(duì)蓄能器與液壓泵進(jìn)行故障診斷。在提出方法中，采用多尺度卷積核提取不同維度的故障特征，用多傳感器信息融合方法提高診斷精度，使用Softmax 進(jìn)行狀態(tài)識(shí)別。通過實(shí)驗(yàn)驗(yàn)證和比較，驗(yàn)證提出模型的優(yōu)越性。

1 一維卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)（CNN）通常由輸入層、卷積層、池化層、全連接層和輸出層5 個(gè)模塊組成。一維卷積神經(jīng)網(wǎng)絡(luò)（1D-CNN）結(jié)構(gòu)如圖1 所示。

圖1 1D-CNN 結(jié)構(gòu)圖

卷積層通過卷積核對(duì)上一層輸出進(jìn)行卷積運(yùn)算，實(shí)現(xiàn)特征提取與降維，表達(dá)式為

激活函數(shù)對(duì)輸入值執(zhí)行非線性變換，增強(qiáng)神經(jīng)網(wǎng)絡(luò)的非線性。本文采用ReLU 作為激活函數(shù)，即

式中：x為輸入值；f(x)為激活值。

池化層旨在降低特征面的分辨率，對(duì)數(shù)據(jù)進(jìn)行采樣操作可以減少參數(shù)量，提高計(jì)算速度，通常使用最大池化層，其模型為

全連接層不再提取特征，而是對(duì)提取的特征進(jìn)行組合，然后映射至樣本標(biāo)記空間，結(jié)合Softmax 分類器實(shí)現(xiàn)分類結(jié)果的輸出，分類過程為

式中：yj為 樣本的分類值；zj為第j個(gè)神經(jīng)元的節(jié)點(diǎn)值；M為類別總數(shù)。

2 深度神經(jīng)網(wǎng)絡(luò)

2.1 多尺度卷積神經(jīng)網(wǎng)絡(luò)

一般的卷積神經(jīng)網(wǎng)絡(luò)在提取故障特征時(shí)，使用單一大小的卷積核，有可能會(huì)遺漏局部重要特征，導(dǎo)致模型準(zhǔn)確度低，泛化性能差。因此本文基于CNN的基本原理，提出了多尺度一維卷積神經(jīng)網(wǎng)絡(luò)（Multi scale one dimensional convolutional neural network，MS1D-CNN）模型，結(jié)構(gòu)圖如圖2 所示。傳感器信號(hào)預(yù)處理之后輸入卷積神經(jīng)網(wǎng)絡(luò)，第一層卷積層使用大卷積核獲取較大的特征接受域，可以作為低頻濾波器，捕捉低頻特征的同時(shí)抑制高頻噪聲。第一層卷積之后使用多尺度分支并行提取特征，將信號(hào)分為3 個(gè)分支，利用3 個(gè)不同尺寸的卷積核進(jìn)行卷積操作，不同的濾波器獲取信號(hào)不同頻段的故障特征，實(shí)現(xiàn)提高模型預(yù)測(cè)精度，每個(gè)分支都有兩層卷積層和兩層池化層；提取特征后將3 種特征展平，并輸入全連接層并進(jìn)行分類。

圖2 MS1D-CNN 模型結(jié)構(gòu)圖

2.2 多傳感器信息融合

多傳感器信息融合（Multi sensor information fusion，MSIF）是將不同傳感器獲取的信息，通過某種方法融合在一起進(jìn)行綜合分析，以獲得更準(zhǔn)確的狀態(tài)識(shí)別。與單傳感器相比，多傳感器系統(tǒng)的準(zhǔn)確度、容錯(cuò)能力均有較大提升。本文基于MS1D-CNN神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)多傳感器數(shù)據(jù)的特征層融合，提出了多尺度一維卷積神經(jīng)網(wǎng)絡(luò)與多傳感器信息融合的深度神經(jīng)網(wǎng)絡(luò)模型（MS1D-CNN-MSIF），其結(jié)構(gòu)圖如圖3 所示。

圖3 MS1D-CNN-MSIF 模型結(jié)構(gòu)圖

3 個(gè)傳感器信號(hào)并行處理，首先通過MS1D-CNN卷積模塊提取特征，3 個(gè)模塊共9 個(gè)分支的特征數(shù)據(jù)展平后匯聚到全連接層，然后通過Softmax 進(jìn)行分類，得出最終的診斷結(jié)果。

3 實(shí)驗(yàn)驗(yàn)證與分析

本文實(shí)驗(yàn)數(shù)據(jù)來自德國(guó)薩爾布呂肯機(jī)電一體化和自動(dòng)化技術(shù)中心的液壓系統(tǒng)狀態(tài)監(jiān)測(cè)數(shù)據(jù)集[20]，液壓試驗(yàn)臺(tái)示意圖如圖4 所示，系統(tǒng)以60 s 為周期進(jìn)行恒定負(fù)載循環(huán)，通過壓力PS、流量FS 等傳感器測(cè)量系統(tǒng)狀態(tài)。蓄能器和液壓泵實(shí)驗(yàn)驗(yàn)證分析如下。

圖4 液壓試驗(yàn)臺(tái)示意圖

3.1 蓄能器實(shí)驗(yàn)驗(yàn)證分析

本文對(duì)蓄能器的壓力狀態(tài)進(jìn)行識(shí)別，選用3 個(gè)壓力傳感器信號(hào)（PS1、PS2、PS3）進(jìn)行分析，壓力傳感器采樣頻率為100 Hz，單個(gè)樣本數(shù)據(jù)寬度為6 000。蓄能器的樣本數(shù)據(jù)如表1 所示。

表1 蓄能器樣本數(shù)據(jù)

3.1.1 模型訓(xùn)練與參數(shù)

診斷蓄能器的3 個(gè)傳感器數(shù)據(jù)寬度相同，因此MS1D-CNN 卷積模塊采用相同的參數(shù)設(shè)置。模型中第一層卷積采用16 個(gè)64 × 1 的卷積核，移動(dòng)步長(zhǎng)為12 × 1。多尺度卷積模塊分為3 個(gè)支路，每個(gè)支路上的兩層卷積與兩層池化層參數(shù)相同，其中卷積核大小均為3/7/11 × 1，移動(dòng)步長(zhǎng)均為2 × 1，第二層卷積核數(shù)量為32，第三層卷積核數(shù)量為64；池化層采用最大池化層，池化區(qū)域大小均為4 × 1。模型中所有卷積層均采用ReLU 激活函數(shù)，填充方式均為same。全連接層神經(jīng)元數(shù)量為128，dropout 參數(shù)設(shè)置為0.5，Softmax 層的輸出神經(jīng)元數(shù)量為4，對(duì)應(yīng)蓄能器幾種壓力狀態(tài)。

算法流程圖如圖5 所示，模型訓(xùn)練參數(shù)為：訓(xùn)練批處理大小為100，總訓(xùn)練輪數(shù)eochs 為500；損失函數(shù)采用交叉熵?fù)p失函數(shù)；使用Adam 優(yōu)化算法，學(xué)習(xí)率設(shè)為0.002；為防止過擬合，設(shè)置提前停止法，并保存最優(yōu)模型。

圖5 算法流程圖

3.1.2 模型訓(xùn)練與參數(shù)實(shí)驗(yàn)結(jié)果分析

訓(xùn)練過程中，模型在訓(xùn)練集與測(cè)試集上的損失值與準(zhǔn)確率如圖6 所示，模型訓(xùn)練150 代左右終止。由圖可知，在迭代過程中，隨著迭代次數(shù)的增加，精度曲線均呈上升趨勢(shì)，損失值曲線均呈下降趨勢(shì)，模型性能越來越好。經(jīng)過多輪迭代之后，模型在訓(xùn)練集上的損失最終趨近于零，識(shí)別準(zhǔn)確率也達(dá)到100%。在測(cè)試集上，模型的損失值逐漸下降，然后保持波動(dòng)狀態(tài)；識(shí)別準(zhǔn)確率則由最初的40%迅速提高而后逐漸穩(wěn)定下來，訓(xùn)練過程中的最高識(shí)別準(zhǔn)確率為99.50%，約在75 代左右。

圖6 蓄能器診斷實(shí)驗(yàn)訓(xùn)練過程中模型的損失值與準(zhǔn)確率

測(cè)試結(jié)果的混淆矩陣如圖7 所示，矩陣網(wǎng)格上的數(shù)值分別代表每一類樣本中預(yù)測(cè)正確的數(shù)量以及所占比例。由圖可知，在最佳壓力與接近失效類別的預(yù)測(cè)中，正確預(yù)測(cè)達(dá)到100 個(gè)，所占比例為100%；輕微減壓與嚴(yán)重減壓類別的預(yù)測(cè)中，正確預(yù)測(cè)99 個(gè)，占比99.0%；測(cè)試樣本集總的預(yù)測(cè)正確率為99.50%，從測(cè)試的結(jié)果來看本文模型可以有效識(shí)別出蓄能器的4 種壓力狀態(tài)。

圖7 蓄能器診斷混淆矩陣

為更加直觀的研究蓄能器狀態(tài)在神經(jīng)網(wǎng)絡(luò)每一層中分類效果，采用t-分布隨機(jī)近鄰嵌入（t-SNE）算法對(duì)原始信號(hào)、多尺度卷積輸出信號(hào)、多傳感器融合信號(hào)、全連接層輸出信號(hào)、模型輸出信號(hào)進(jìn)行二維可視化，如圖8 所示。

圖8 t-SNE 降維可視化

圖8a）~圖8c）為傳感器原始信號(hào)，原始信號(hào)特征混雜，蓄能器各個(gè)狀態(tài)分散且混合在一起，難以區(qū)分。圖8d）~圖8f）為單傳感器信號(hào)經(jīng)過多尺度卷積之后的輸出信號(hào)，對(duì)比原始信號(hào)，多尺度卷積輸出信號(hào)開始聚集，可分性明顯增強(qiáng)。圖8g）為3 個(gè)傳感器融合輸出信號(hào)，大部分區(qū)域的信號(hào)已經(jīng)分離并聚合在一起，僅有局部區(qū)域信號(hào)點(diǎn)混雜，可分性進(jìn)一步增強(qiáng)。圖8h）為模型全連接層的輸出信號(hào)，蓄能器的各個(gè)特征已基本分離并聚合，達(dá)到了線性可分的效果。圖8i）為模型最終輸出信號(hào)，相比于全連接層輸出信號(hào)，最終輸出信號(hào)中蓄能器4 類狀態(tài)達(dá)到最佳聚集效果，有了明顯的線性分界線。

3.1.3 模型效果對(duì)比

選取一維卷積神經(jīng)網(wǎng)絡(luò)（1D-CNN）、多尺度一維卷積神經(jīng)網(wǎng)絡(luò)（MS1D-CNN）、極限學(xué)習(xí)機(jī)（ELM）、支持向量機(jī)（SVM）、堆棧稀疏自編碼器（SSAE）進(jìn)行對(duì)比實(shí)驗(yàn)。1D-CNN、MS1D-CNN 模型參數(shù)與訓(xùn)練參數(shù)與本文模型一致；同時(shí)，選擇文獻(xiàn)[9]中的ELM、SVM、SSAE 的模型與本文模型進(jìn)行對(duì)比。每種模型進(jìn)行10 次測(cè)試，取平均值進(jìn)行對(duì)比，對(duì)比結(jié)果如表2 所示。可以看出，本文MS1D-CNN-MSIF模型的平均識(shí)別準(zhǔn)確率可達(dá)99.20%，明顯高于ELM、SVM、SSAE 模型，證明本文模型對(duì)蓄能器狀態(tài)識(shí)別的有效性。從1D-CNN到MS1D-CNN 模型，3 個(gè)傳感器的準(zhǔn)確率分別提升了2% ~ 6%不等，顯示多尺度卷積策略能有效提高故障診斷的準(zhǔn)確率。本文MS1D-CNN-MSIF 模型得出的識(shí)別準(zhǔn)確率高于3 種MS1D-CNN 單傳感器模型，表明多傳感器信息融合策略有助于提升識(shí)別準(zhǔn)確率。

表2 蓄能器章臺(tái)識(shí)別結(jié)果對(duì)比

3.2 液壓泵實(shí)驗(yàn)驗(yàn)證與分析

本文對(duì)液壓泵的泄漏狀態(tài)進(jìn)行識(shí)別，使用兩個(gè)壓力傳感器信號(hào)（PS2、PS3）與一個(gè)流量傳感器信號(hào)（FS1）進(jìn)行分析，流量傳感器采樣頻率為10 Hz，單個(gè)樣本數(shù)據(jù)寬度為600。液壓泵的樣本數(shù)據(jù)如表3所示。

表3 液壓泵樣本數(shù)據(jù)

3.2.1 模型訓(xùn)練與參數(shù)

診斷液壓泵的數(shù)據(jù)來自兩種傳感器數(shù)據(jù)，其中壓力傳感器（PS2、PS3）對(duì)應(yīng)的MS1D-CNN 卷積模塊參數(shù)設(shè)置與上文蓄能器模型對(duì)應(yīng)的模塊參數(shù)完全一致；流量傳感器（FS1）對(duì)應(yīng)的MS1D-CNN 卷積模塊參數(shù)大部分與上文蓄能器模型相同，不同之處在于由于數(shù)據(jù)寬度不同，第一層卷積層的移動(dòng)步長(zhǎng)減小為6，第二與第三層卷積層移動(dòng)步長(zhǎng)減小為1。此外全連接層、dropout 層參數(shù)與上文蓄能器模型一致，但Softmax 層的輸出神經(jīng)元數(shù)量為3，對(duì)應(yīng)液壓泵的3 種泄漏狀態(tài)。

模型訓(xùn)練參數(shù)與上文蓄能器模型一致，算法流程相同。劃分測(cè)試樣本時(shí)每一類液壓泵狀態(tài)均隨機(jī)選擇125 個(gè)樣本作為測(cè)試集，約占30%。

3.2.2 實(shí)驗(yàn)結(jié)果分析

訓(xùn)練過程中，模型在訓(xùn)練集與測(cè)試集上的損失值與準(zhǔn)確率如圖9 所示。模型訓(xùn)練70 代左右就提前停止，相比于蓄能器診斷，液壓泵狀態(tài)的識(shí)別速度更快，識(shí)別效果更好。由圖可知，在20 代左右模型在訓(xùn)練集與驗(yàn)證集上的準(zhǔn)確率就接近1，損失值趨近于0，證明了本文模型良好的故障診斷能力。模型在測(cè)試集上的識(shí)別準(zhǔn)確率在40 代左右達(dá)到最大值，為100%，此后一直穩(wěn)定在99.73%左右。

圖9 液壓泵診斷實(shí)驗(yàn)訓(xùn)練過程中模型的損失值與準(zhǔn)確率

測(cè)試結(jié)果的混淆矩陣如圖10 所示。由圖可知，在輕微泄漏與嚴(yán)重泄漏類別中，模型的識(shí)別正確率均為100，無泄漏類別中正確預(yù)測(cè)124 個(gè)，所占比例為99.2%；測(cè)試樣本集總的預(yù)測(cè)正確率為99.73%，從測(cè)試的結(jié)果來看，本文模型可以有效識(shí)別出液壓泵的3 種泄漏狀態(tài)。

圖10 液壓泵診斷混淆矩陣

為更直觀的分析本文模型分類效果，采用t-分布隨機(jī)近鄰嵌入（t-SNE）算法對(duì)原始信號(hào)、多尺度卷積輸出信號(hào)、多傳感器融合信號(hào)、全連接層輸出信號(hào)、模型輸出信號(hào)進(jìn)行二維可視化，如圖11 所示。

圖11 t-SNE 降維可視化

圖11a）~圖11c）分別為PS2、PS3、FS1 傳感器原始信號(hào)，圖11d）~圖11f）為單傳感器信號(hào)經(jīng)過多尺度卷積之后PS2、PS3、FS1 的輸出信號(hào)，圖11g）為3 個(gè)傳感器融合輸出信號(hào)，圖11h）為模型全連接層的輸出信號(hào)，圖11i）為模型最終輸出信號(hào)?？梢钥闯?，傳感器原始信號(hào)特征混雜，液壓泵各狀態(tài)難以區(qū)分；經(jīng)多尺度卷積模塊提取特征之后，液壓泵狀態(tài)信號(hào)開始聚集，可分性明顯增強(qiáng)；再經(jīng)傳感器信號(hào)融合之后，多數(shù)區(qū)域的信號(hào)已經(jīng)分離并聚合；到模型全連接層，液壓泵各狀態(tài)已經(jīng)完全分離并聚合，基本達(dá)到了線性可分的效果；最終輸出信號(hào)中3 類數(shù)據(jù)達(dá)到最佳聚集效果，有了明顯的線性分界線。

3.2.3 模型效果對(duì)比

為驗(yàn)證本文模型對(duì)液壓泵的識(shí)別效果，選取一維卷積神經(jīng)網(wǎng)絡(luò)（1D-CNN）、多尺度一維卷積神經(jīng)網(wǎng)絡(luò)（MS1D-CNN）、極限學(xué)習(xí)機(jī)（ELM）、支持向量機(jī)（SVM）、長(zhǎng)短期記憶網(wǎng)絡(luò)（LSTM）、堆棧稀疏自編碼器（SSAE）、深度置信網(wǎng)絡(luò)（DBN）做對(duì)比實(shí)驗(yàn)。1D-CNN、MS1D-CNN 模型來自本文模型；由于文獻(xiàn)[6]與文獻(xiàn)[4]的診斷數(shù)據(jù)與診斷對(duì)象與本文一致，因此選擇文獻(xiàn)[6]中的ELM、SVM、SSAE 的模型以及DBN 模型與本文的模型進(jìn)行了對(duì)比。每種模型進(jìn)行10 次實(shí)驗(yàn)，取平均值進(jìn)行對(duì)比，對(duì)比的結(jié)果如表4 所示。

表4 液壓泵狀態(tài)識(shí)別結(jié)果對(duì)比

可以看出，本文MS1D-CNN-MSIF 模型的平均識(shí)別準(zhǔn)確率可達(dá)99.79%，明顯高于ELM、SVM、SSAE、DBN 模型，證明了本文模型對(duì)液壓泵狀態(tài)的優(yōu)秀識(shí)別效果。從1D-CNN 到MS1-DCNN 模型，3 個(gè)傳感器的準(zhǔn)確率分別提升了1% ~ 3%，MS1D-CNN-MSIF模型得出的準(zhǔn)確率要高于3 種MS1D-CNN 單傳感器模型，進(jìn)一步證明了多尺度卷積策略、多傳感器信息融合策略有助于提高故障診斷準(zhǔn)確率。

4 結(jié)論

1）MS1D-CNN-MSIF 模型為端到端的故障診斷模型，適合處理一維時(shí)序信號(hào)，無須復(fù)雜的特征提取與選擇等操作，診斷方法簡(jiǎn)單便捷，解決了液壓系統(tǒng)難以診斷的問題。

2）使用多尺度卷積策略提取傳感器信號(hào)不同頻率的故障特征，模型的診斷精度較單尺度卷積更高。

3）使用多傳感器信息融合策略實(shí)現(xiàn)了多傳感器數(shù)據(jù)的特征層融合，模型的診斷精度較單傳感器診斷更高。

4）對(duì)比ELM、SVM、SSAE、DBN 等模型，本文提出模型對(duì)蓄能器與液壓泵的故障診斷具有更好的效果。