基于深度自編碼模型和馬氏距離的起重機(jī)泵健康評估

屈 斌 李 彬

1 長江三峽通航管理局 2 微特技術(shù)有限公司

1 引言

起重機(jī)作為一種應(yīng)用廣泛的工程機(jī)械，常年暴露在各種惡劣的環(huán)境和工作條件下。起重機(jī)泵作為起重機(jī)液壓系統(tǒng)的關(guān)鍵部件，在自然老化過程中會(huì)出現(xiàn)各種可能的故障。任何起重機(jī)泵的故障都會(huì)造成不必要的停機(jī)時(shí)間和昂貴的維修成本，甚至人員傷亡[1]。為了確保起重機(jī)持續(xù)可靠的運(yùn)行，起重機(jī)泵的健康評估已成為當(dāng)前學(xué)術(shù)研究的熱點(diǎn)問題之一[2]。

近年來，由于傳感器技術(shù)的快速發(fā)展和計(jì)算機(jī)計(jì)算性能的大幅提升[3]，出現(xiàn)了許多基于數(shù)據(jù)驅(qū)動(dòng)方法的泵健康評估研究，一些深度學(xué)習(xí)技術(shù)被廣泛應(yīng)用于起重機(jī)泵的健康評估[4]。深度自編碼模型作為深度學(xué)習(xí)的一個(gè)重要分支，能夠從原始信號(hào)中進(jìn)行無監(jiān)督的特征學(xué)習(xí)，在許多故障診斷和健康預(yù)后應(yīng)用中得到廣泛應(yīng)用。例如，張生等[5]開發(fā)了一種名為Ensemble Deep Autocoding Ders(EDAEs)的新方法，用于軸承智能故障診斷；姚云峰等[6]將數(shù)字小波幀(DWF)和堆疊自動(dòng)編碼模型相結(jié)合提取故障信號(hào)特征；Lu等[7]研究了一種堆疊去噪自動(dòng)編碼模型(SDA)，旨在對含有噪聲和波動(dòng)的原始信號(hào)進(jìn)行某些健康狀態(tài)識(shí)別。同時(shí)，度量學(xué)習(xí)本質(zhì)上就是確定一個(gè)合適的距離度量來量化不同類別數(shù)據(jù)的差異[8]，它通常用于評估性能下降和運(yùn)行狀況，如Zhao等[9]提出了一個(gè)結(jié)合拉普拉斯算子和馬爾科夫距離的性能退化和健康狀況評估方法。

2 起重機(jī)泵健康評估方法

2.1 起重機(jī)泵測試環(huán)境

現(xiàn)有的數(shù)據(jù)驅(qū)動(dòng)健康評估方法研究數(shù)據(jù)來源大多來自臺(tái)架試驗(yàn)，即借助先進(jìn)的測試平臺(tái)對真實(shí)工作環(huán)境進(jìn)行室內(nèi)模擬。這些研究無法充分體現(xiàn)算法在實(shí)際機(jī)械工作環(huán)境的性能。這是由于機(jī)械工作模式、工作環(huán)境、環(huán)境噪聲等在模擬試驗(yàn)和實(shí)際操作之間存在明顯差異。針對起重機(jī)泵健康評估中的這一問題，通過對幾種不同使用年限、不同健康狀態(tài)的起重機(jī)進(jìn)行實(shí)際試驗(yàn)，獲取起重機(jī)實(shí)際運(yùn)行過程中的泵信號(hào)，提出了一種基于原始信號(hào)的深度自編碼模型(DAE)+馬氏距離(MD)組合策略以完成健康評估任務(wù)。

實(shí)際工作中，在起重機(jī)泵出口安裝了一個(gè)壓力傳感器來記錄壓力信號(hào)，每隔一定時(shí)間間隔對目標(biāo)信號(hào)采樣，生成新的時(shí)間序列。采樣頻率為200 Hz。起重機(jī)的1次起升和下降運(yùn)動(dòng)為1個(gè)周期，每臺(tái)起重機(jī)運(yùn)行2個(gè)周期，測試持續(xù)約100次，從1臺(tái)起重機(jī)獲得的每個(gè)時(shí)間序列為頻率與測試次數(shù)的成績，約為20 000次。

2.2 起重機(jī)泵健康評估算法整體框架

提出了一種具有3層堆疊自編碼模型(DAE)。每一層的訓(xùn)練步驟與自編碼器(AE)相同，都是通過從最低的單個(gè)自動(dòng)編碼模型逐層構(gòu)建[10]。圖1展示了一個(gè)具有3層堆疊自動(dòng)編碼器的DAE的逐層訓(xùn)練過程。每個(gè)堆疊層的隱含層大小分別為100,50,25。首先利用維度為200的歸一化樣本訓(xùn)練第一個(gè)自動(dòng)編碼器，學(xué)習(xí)特征集為I(100維低級隱藏特征)。然后將特征集I作為第二個(gè)自動(dòng)編碼器的輸入數(shù)據(jù)，學(xué)習(xí)特征集II(50維中層隱藏特征)。第三層同上。最后，選擇學(xué)習(xí)到的特征集III作為起重機(jī)泵運(yùn)行狀況的特征表征，并將其引入度量學(xué)習(xí)中對運(yùn)行狀況指數(shù)進(jìn)行量化。

圖1 自編碼模型3層結(jié)構(gòu)

2.2.1 度量學(xué)習(xí)

(1)

CY=E[(Yi-E(Yi))(Yi-E(Yi))T]

(2)

式中，E(Yi)為基礎(chǔ)樣本數(shù)據(jù)的期望。Mdi反映了基礎(chǔ)樣本數(shù)據(jù)與測試起重機(jī)泵數(shù)據(jù)的相似性，Mdi越大說明其相似性越高。

2.2.2 健康狀態(tài)評估

健康狀況指數(shù)的定義為：當(dāng)起重機(jī)泵運(yùn)行狀態(tài)良好且樣本更接近基線(MD小)時(shí)，健康指數(shù)更接近1；反之，當(dāng)起重機(jī)性能老化嚴(yán)重(MD大)，健康指數(shù)更接近0。設(shè)H表示健康指數(shù)，則有：

H=e-βMS

(3)

式中，β為約束因子，使得H的區(qū)間為0至1，健康指數(shù)的表達(dá)更為直觀。

3 實(shí)驗(yàn)結(jié)果及分析

在工作中的起重機(jī)進(jìn)行算法測試，測試結(jié)果見圖2。隨著起重機(jī)使用時(shí)間的增加，MD指數(shù)呈增大趨勢。這也說明隨著起重機(jī)泵工作時(shí)間的增加，其性能也逐步下降。起重機(jī)使用時(shí)間越長，MD指數(shù)越大，泵的健康狀況越差。

圖2 基于工作時(shí)間的起重機(jī)泵健康狀態(tài)評估實(shí)驗(yàn)結(jié)果

為了證明所提方法的優(yōu)越性，使用幾種經(jīng)典的特征學(xué)習(xí)方法和一些最新的深度學(xué)習(xí)方法對起重機(jī)泵的疲勞度進(jìn)行比較:①統(tǒng)計(jì)特征[12]，廣泛統(tǒng)計(jì)起重機(jī)工作中的特征實(shí)現(xiàn)起重機(jī)泵健康狀態(tài)評估；②EMD[13]，利用熵特征的經(jīng)驗(yàn)實(shí)現(xiàn)起重機(jī)泵工作狀態(tài)解析；③MLP，將輸入原始數(shù)據(jù)的多層神經(jīng)感知器實(shí)現(xiàn)健康狀態(tài)評估；④CNN[14]，利用基礎(chǔ)樣本數(shù)據(jù)訓(xùn)練CNN實(shí)現(xiàn)起重機(jī)泵健康狀態(tài)評估。實(shí)驗(yàn)結(jié)果見表1。

表1 經(jīng)典起重機(jī)泵健康評估算法疲勞度對比實(shí)驗(yàn)結(jié)果

由表1可知，隨著起重機(jī)工作時(shí)間的增加，其疲勞度逐漸增加，健康狀態(tài)逐步下降。通過實(shí)驗(yàn)結(jié)果可以看出，EMD、MLP、CNN等算法在評估起重機(jī)泵健康狀態(tài)過程中性能有所不足，如END算法在評估起重機(jī)泵健康狀態(tài)過程中，起重機(jī)泵在工作65個(gè)月后的健康轉(zhuǎn)態(tài)反而優(yōu)于工作58個(gè)月的健康狀態(tài)。由此可見，所提出的DAE/MD結(jié)合的算法對起重機(jī)泵的健康狀態(tài)評估有較好的效果。

4 結(jié)語

提出了一種基于深度自編碼模型(DAE)與馬氏距離(MD)的起重機(jī)泵健康評估方法，選用不同工作時(shí)間的起重機(jī)采集泵壓信號(hào)，對起重機(jī)泵的老化趨勢進(jìn)行了研究。對比統(tǒng)計(jì)特征、EMD、MLP、CNN等方法的性能，表明該方法具有更佳的性能。