基于改進CNN-GRU網(wǎng)絡(luò)的多源傳感器故障診斷方法

馬立玲， 郭建， 汪首坤， 王軍政

(北京理工大學(xué) 自動化學(xué)院,北京 100081)

傳感器是實現(xiàn)自動檢測和自動控制的重要基礎(chǔ)，實時準(zhǔn)確的故障診斷在實際生產(chǎn)中具有重要研究價值[1]. 復(fù)雜系統(tǒng)需要更多的傳感器，增加了故障發(fā)生的頻率，多源傳感器數(shù)據(jù)之間的耦合關(guān)系增大了故障診斷的難度.

數(shù)據(jù)驅(qū)動的方法憑借其適應(yīng)性強、準(zhǔn)確率高的優(yōu)點在傳感器故障診斷領(lǐng)域得到了廣泛應(yīng)用，具體可分為基于多元統(tǒng)計的方法[2-3]、基于信號分析的方法[4]和基于機器學(xué)習(xí)的方法等. 近年來，采用數(shù)據(jù)驅(qū)動結(jié)合機器學(xué)習(xí)的故障診斷工作取得了許多成果. HUNDMAN等[5]使用長短期記憶網(wǎng)絡(luò)對時序數(shù)據(jù)建模來求取誤差向量，并設(shè)計了一種自適應(yīng)的誤差閾值設(shè)定方法. CHENGLIN等[6]將SVM與混沌粒子算法結(jié)合，避免了診斷算法陷入局部最優(yōu)問題. 謝迎新等[7]提出了一種結(jié)合變精度粗糙集(VPRS)和RBF神經(jīng)網(wǎng)絡(luò)的診斷方法，提高了對具有顯著不確定性的無線傳感器網(wǎng)絡(luò)節(jié)點的故障診斷準(zhǔn)確性.

運用數(shù)據(jù)驅(qū)動結(jié)合機器學(xué)習(xí)進行故障診斷時存在一些問題 ：①故障診斷工作不全面，多數(shù)診斷算法只是實現(xiàn)了是否發(fā)生故障的判斷功能，但無法獲取故障的嚴(yán)重程度和故障參數(shù). ②在采用深度學(xué)習(xí)的算法中常常會為了更高的準(zhǔn)確率而增加網(wǎng)絡(luò)的深度，導(dǎo)致運行速度下降，訓(xùn)練難度增加. ③診斷算法的運算復(fù)雜度高，不滿足實時性要求. 針對以上問題，本文提出了改進式卷積-門控循環(huán)網(wǎng)絡(luò)(CNN-GRU)架構(gòu)，能夠?qū)崟r處理多源傳感器數(shù)據(jù)，一次性準(zhǔn)確得出故障類型和故障參數(shù)等信息，同時優(yōu)化了網(wǎng)絡(luò)的訓(xùn)練方式，使得網(wǎng)絡(luò)快速收斂穩(wěn)定，這一方法在多源導(dǎo)航傳感器平臺得到了驗證.

1 基于改進式CNN-GRU網(wǎng)絡(luò)的故障診斷策略

CNN-GRU網(wǎng)絡(luò)的主體由卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network，CNN)和門控循環(huán)單元網(wǎng)絡(luò)(gated recurrent unit，GRU)構(gòu)成，CNN常用于圖像的特征提取，GRU常用于時序數(shù)據(jù)預(yù)測，二者一般采用串聯(lián)結(jié)構(gòu)結(jié)合在一起，可用于序列數(shù)據(jù)的轉(zhuǎn)換.

單一傳感器數(shù)據(jù)是一維的時序序列，當(dāng)使用多源傳感器時增加了傳感器種類這一維度，就構(gòu)成了二維的時序序列. 不同傳感器之間存在相互聯(lián)系，例如用編碼器檢測到的車輪轉(zhuǎn)速，在汽車的偏航角較小時應(yīng)該與GNSS解算出的速度成正相關(guān). 這種相互聯(lián)系存在于在同一時刻或者很小時間段內(nèi)不同傳感器之間，稱為為傳感器數(shù)據(jù)的空間特征. 在數(shù)據(jù)上，通過二維數(shù)據(jù)的橫向特征表現(xiàn). 同一個傳感器在時間上的變化情況也具有一定特點，包括變化率的幅值、變化的幅值、數(shù)據(jù)大小和符號等，這種特點稱為傳感器的時間特征. 在數(shù)據(jù)上，通過二維數(shù)據(jù)的縱向特征表現(xiàn).

串聯(lián)式CNN-GRU混合網(wǎng)絡(luò)的診斷計算流程如圖1所示. 首先將多條傳感器數(shù)據(jù)統(tǒng)一為相同的采樣頻率，然后按照時間順序?qū)R，拼接為二維矩陣的形式并進行切片化處理，然后利用CNN提取空間特征，時間窗口大小為T的傳感器數(shù)據(jù)可以得到特征圖(feature map)，門控循環(huán)網(wǎng)絡(luò)將特征圖視為序列數(shù)據(jù)，可以進一步提取特征圖的時序特征，最終得到故障信息.

圖1 CNN-GRU網(wǎng)絡(luò)的前向計算流程示意圖Fig.1 The calculation process of CNN-GRU network

針對傳感器與普通圖像數(shù)據(jù)的區(qū)別，本文對串聯(lián)式CNN-GRU混合網(wǎng)絡(luò)進行改進，分別在卷積網(wǎng)絡(luò)計算中加入傳感器數(shù)據(jù)標(biāo)定模塊(sensor calibration)，在循環(huán)網(wǎng)絡(luò)計算中加入故障類別解析模塊(fault class analysis). 傳感器數(shù)據(jù)標(biāo)定模塊嵌入在卷積網(wǎng)絡(luò)之中，根據(jù)模塊之前的特征圖，計算出每個傳感器的權(quán)重參數(shù)，并作用在模塊之后的后續(xù)計算中. 故障類別解析模塊的作用是將一個網(wǎng)絡(luò)進行復(fù)用，既負(fù)責(zé)故障類別的識別，又負(fù)責(zé)故障參數(shù)的估計. 故障類別解析模塊提取循環(huán)網(wǎng)絡(luò)的中間層特征計算出故障的類別信息，并進一步將類別信息解析，傳遞給負(fù)責(zé)參數(shù)估計的網(wǎng)絡(luò). 流程如圖2所示.

圖2 故障診斷算法整體流程Fig.2 Flow chart of fault diagnosis algorithm

基于神經(jīng)網(wǎng)絡(luò)的故障診斷算法屬于有監(jiān)督學(xué)習(xí)的一種，具體的算法步驟如下：

① 采集原始故障數(shù)據(jù)與正常數(shù)據(jù)，對數(shù)據(jù)進行歸一化處理，然后切片為序列數(shù)據(jù)，并將處理后的數(shù)據(jù)分為兩部分：訓(xùn)練集和測試集.

② 將訓(xùn)練集輸入改進CNN-GRU網(wǎng)絡(luò)中，調(diào)整網(wǎng)絡(luò)的超參數(shù)，訓(xùn)練到損失函數(shù)滿足要求或者訓(xùn)練固定輪數(shù).

③ 輸入測試集一個樣本，根據(jù)GRU網(wǎng)絡(luò)故障類別解析的數(shù)值判斷測試數(shù)據(jù)是否為故障數(shù)據(jù).

④ 如果數(shù)值為0，那么測試數(shù)據(jù)不是故障數(shù)據(jù)，取測試集的下一個樣本.

⑤ 如果數(shù)值非0，那么測試數(shù)據(jù)是故障數(shù)據(jù)，則根據(jù)GRU網(wǎng)絡(luò)末端輸出的數(shù)值得到故障參數(shù).

2 方法原理及實現(xiàn)

2.1 帶有傳感器標(biāo)定模塊的卷積神經(jīng)網(wǎng)絡(luò)

卷積是一種非常有效的特征提取方式[8]，主要的運算對象為二維或三維數(shù)據(jù). 計算方法為：給定一個尺寸為s×t的卷積核，使用圖像長×圖像寬×通道數(shù)的三維矩陣格式表示圖像，將卷積運算應(yīng)用在在圖像的某一個通道上，神經(jīng)網(wǎng)絡(luò)中卷積的計算公式為

(1)

式中：H為卷積運算輸出的特征響應(yīng)；F為輸入圖像；G為卷積核；?表示卷積運算. 卷積核的參數(shù)決定了其提取特征的類型，較為初級的特征包括邊緣和突變等，通過多層網(wǎng)絡(luò)堆疊可以實現(xiàn)復(fù)雜特征的提取.

傳感器數(shù)據(jù)與普通圖像的區(qū)別是多路傳感器數(shù)據(jù)之間的排列順序是不固定的，采集到的數(shù)據(jù)X=[x1x2…xn]也可以排列成X=[xnx5x2…xm]的形式，而卷積神經(jīng)網(wǎng)絡(luò)是根據(jù)感受野范圍去提取特征，這樣與故障傳感器排列距離較近的數(shù)據(jù)可能會更多地影響特征矩陣. 這種特征提取方式對于圖像數(shù)據(jù)顯然是合理的，但是對于傳感器數(shù)據(jù)，排列距離最近的傳感器并不一定是與故障傳感器最相關(guān)的傳感器，例如測量車輪轉(zhuǎn)速的傳感器發(fā)生故障時，慣性導(dǎo)航系統(tǒng)測量的偏航角參考價值就小于全球?qū)Ш叫l(wèi)星系統(tǒng)GNSS測量的位置信息. 為了減小傳感器排列順序帶來的干擾，本文設(shè)計了一個傳感器標(biāo)定模塊，其結(jié)構(gòu)如圖3所示，傳感器數(shù)據(jù)N代表采樣點個數(shù)，n代表傳感器個數(shù).

圖3 傳感器數(shù)據(jù)標(biāo)定模塊結(jié)構(gòu)Fig.3 Structure diagram of sensor data calibration module

如果在卷積網(wǎng)絡(luò)中某一特征經(jīng)常被激活，則使用全局平均池化計算的值會更大. 根據(jù)這一特點，本文在正常特征提取支路(左支)外附加了全局平均池化對n路傳感器數(shù)據(jù)進行全局池化(右支)，然后使用全連接網(wǎng)絡(luò)構(gòu)建一種非線性映射得到n路傳感器對應(yīng)的權(quán)重，將權(quán)重與基礎(chǔ)特征相乘即可得到標(biāo)定后數(shù)據(jù).

事實上，如果只是進行權(quán)重的計算然后就執(zhí)行乘法的運算會造成網(wǎng)絡(luò)中特征的劇烈變化，從而降低網(wǎng)絡(luò)的魯棒性，因此池化層后面的全連接網(wǎng)絡(luò)就不可忽略，它起到了在權(quán)重通道上進行適當(dāng)調(diào)整的作用. 如果在運行速度要求不高的前提下，可以在標(biāo)定傳感器數(shù)據(jù)后再加入更多層網(wǎng)絡(luò)進行解碼，可以更好地提取傳感器的特征以及相互依賴關(guān)系.

2.2 帶有類別解析模塊的門控循環(huán)網(wǎng)絡(luò)

門控循環(huán)單元GRU是循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network, RNN)的一種，有效緩解了傳統(tǒng)RNN訓(xùn)練困難的等問題[9]. 循環(huán)神經(jīng)網(wǎng)絡(luò)使用循環(huán)核提取特征，循環(huán)核內(nèi)的記憶體ht負(fù)責(zé)將不同時刻的信息傳遞下去. GRU的結(jié)構(gòu)圖如圖4所示.

圖4 GRU結(jié)構(gòu)圖Fig.4 Structure diagram of GRU

(2)

式中：σ為sigmod激活函數(shù)，將zt和rt限制在0到1之間，從而發(fā)揮門控的作用. 在記憶體信息ht的計算過程中既包含了過去數(shù)據(jù)的信息ht-1也包含了當(dāng)前輸入信息h′t，從而使得網(wǎng)絡(luò)具有了記憶和遺忘的功能. 傳感器數(shù)據(jù)就是一種典型的時間序列，將每個采樣點的數(shù)據(jù)依次輸入到網(wǎng)絡(luò)中，訓(xùn)練之后網(wǎng)絡(luò)就可以學(xué)習(xí)到某一種傳感器數(shù)據(jù)之間在時間維度上的前后聯(lián)系，進而完成分類預(yù)測等任務(wù).

傳統(tǒng)的深度網(wǎng)絡(luò)采用直接堆疊的方式，如圖5所示，左側(cè)為堆疊形式，右側(cè)為按照時間步的展開形式. 這種方式的缺點是輸出方式單一，訓(xùn)練困難. 本文設(shè)計了一種具有類別解析模塊的門控循環(huán)網(wǎng)絡(luò)，通過跳躍連接和設(shè)置輔助函數(shù)的方式，降低網(wǎng)絡(luò)的訓(xùn)練難度. 改進的帶有類別解析的循環(huán)神經(jīng)網(wǎng)絡(luò)由兩部分組成，主支路逐層的提取特征，主支路外附加的跳躍連接主要由平均值運算、全連接網(wǎng)絡(luò)等組成. 故障的類別與故障的參數(shù)存在密切聯(lián)系，例如固定偏差故障需要估計的參數(shù)為偏差的幅值，漂移偏差需要估計的參數(shù)為偏差變化的導(dǎo)數(shù)，因此在識別故障的類別之后，將類別信息傳遞到估計參數(shù)的主網(wǎng)絡(luò)上將有利于整體的診斷性能. 故障類別的信息解析可以由全連接網(wǎng)絡(luò)或者循環(huán)網(wǎng)絡(luò)實現(xiàn)，當(dāng)選擇后者時可以將解析用的循環(huán)網(wǎng)絡(luò)和參數(shù)估計的網(wǎng)絡(luò)合并，最終帶有故障類別解析的門控循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖6所示.

圖5 傳統(tǒng)多層循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.5 Structure diagram of traditional multilayer recurrent neural network

圖6 帶有故障類別解析的門控循環(huán)神經(jīng)網(wǎng)絡(luò)Fig.6 Gated recurrent neural network with fault class analysis

為了更加有效地訓(xùn)練這個網(wǎng)絡(luò)，設(shè)計了一種動態(tài)損失函數(shù)

L=mcLc+mpLp

式中：Lc為交叉熵?fù)p失函數(shù)，用來衡量故障類別的準(zhǔn)確程度，稱作輔助損失函數(shù)；Lp為均方差損失函數(shù)，用來衡量故障參數(shù)的精度，稱為主損失函數(shù)；mc和mp分別為二者的權(quán)重參數(shù)，在網(wǎng)絡(luò)訓(xùn)練前期，mcmp，這樣可以保證網(wǎng)絡(luò)將網(wǎng)絡(luò)較淺的部分訓(xùn)練充分，提高網(wǎng)絡(luò)表現(xiàn)情況.

2.3 改進式CNN-GRU網(wǎng)絡(luò)相關(guān)參數(shù)

網(wǎng)絡(luò)的具體結(jié)構(gòu)如圖7所示：共使用了2個卷積層和4個循環(huán)層，在卷積網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)之間設(shè)置了數(shù)據(jù)處理層，用于將網(wǎng)絡(luò)中的數(shù)據(jù)的格式進行轉(zhuǎn)換，以滿足循環(huán)網(wǎng)絡(luò)的輸入要求.

圖7 改進式CNN-GRU網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.7 Structure diagram of the improved CNN-GRU network

網(wǎng)絡(luò)的輸入為傳感器數(shù)據(jù)，輸出為傳感器故障類別和故障參數(shù). 網(wǎng)絡(luò)的參數(shù)設(shè)為：卷積核大小為2×2，卷積核個數(shù)為3，激活函數(shù)選擇Relu函數(shù)，循環(huán)層神經(jīng)元個數(shù)依次設(shè)置為80，100，100，50，時間步設(shè)置為60個采樣時刻，按照20%的概率在每一層后設(shè)置隨機失活. 損失函數(shù)為前文提到的動態(tài)損失函數(shù)，初始學(xué)習(xí)率為0.001，批次大小設(shè)置為64，默認(rèn)訓(xùn)練次數(shù)為50輪.

3 實驗驗證及分析

3.1 實驗數(shù)據(jù)

在汽車的導(dǎo)航系統(tǒng)中需要使用到多種類型的傳感器，是非常適合多源傳感器實驗的平臺. 本文依托于麻省理工大學(xué)的開源車載傳感器數(shù)據(jù)，文獻[10]對其有詳細(xì)描述. 本文使用了其中部分?jǐn)?shù)據(jù)，包括13路傳感器，分別為x，y，z軸加速度，俯仰角，偏航角，橫滾角，速度，高度，經(jīng)度，緯度，車輪轉(zhuǎn)速，x，y軸光流速度.

不同傳感器的故障原因有所不同，但表現(xiàn)形式有很多共同點. 傳感器故障可以分為4類：完全失效故障、漂移偏差故障、漂移偏差故障和精度下降. 固定偏差故障指傳感器的測量值和真實值相差某一恒定常數(shù)的一類故障，漂移故障是指傳感器測量值與真實值的差值隨時間而變化的一類故障，二者都不易被發(fā)現(xiàn)，是本文主要關(guān)注的問題.

假設(shè)發(fā)生故障的傳感器為第j路傳感器，則

H=1

當(dāng)發(fā)生漂移偏差故障時

H=2

故障的主要信息F包括故障種類和相應(yīng)的參數(shù)即

F={H,k1,k2,t1,t2}

原始數(shù)據(jù)為正常駕駛數(shù)據(jù)，共有859條，通過注入故障的方式，最終得到859條正常數(shù)據(jù)，1 718條故障數(shù)據(jù). 訓(xùn)練集和測試集數(shù)據(jù)劃分的比例為8∶2.

3.2 算法訓(xùn)練

網(wǎng)絡(luò)深度是影響神經(jīng)網(wǎng)絡(luò)的重要因素，網(wǎng)絡(luò)過淺的缺點是學(xué)習(xí)能力不足，難以達到較高的準(zhǔn)確率；網(wǎng)絡(luò)過深的缺點是訓(xùn)練難度加大，易出現(xiàn)梯度消失現(xiàn)象，導(dǎo)致網(wǎng)絡(luò)中的前幾層缺乏有效的訓(xùn)練，最終網(wǎng)絡(luò)的準(zhǔn)確率也較低. 如2.2節(jié)中提到，本文通過設(shè)置跳躍連接，為網(wǎng)絡(luò)在中層附近增加了一個輔助損失函數(shù)，與網(wǎng)絡(luò)的末端損失函數(shù)進行復(fù)合，共同實現(xiàn)對網(wǎng)絡(luò)的監(jiān)督訓(xùn)練.

將改進式網(wǎng)絡(luò)分別按照固定損失函數(shù)與動態(tài)復(fù)合損失函數(shù)進行訓(xùn)練，結(jié)果如圖8所示. 采用固定損失函數(shù)的網(wǎng)絡(luò)在訓(xùn)練40輪左右后逐漸穩(wěn)定. 采用動態(tài)損失函數(shù)的網(wǎng)絡(luò)，先按照主損失函數(shù)與輔助損失函數(shù)的權(quán)重比值為3∶1訓(xùn)練10輪，再按照1∶3訓(xùn)練15輪，其余階段按照1∶1訓(xùn)練，在30輪左右接接近穩(wěn)定. 對比可知，動態(tài)復(fù)合損失函數(shù)的設(shè)置可以有效縮減訓(xùn)練時長，本文提出的故障診斷算法避免了深度神經(jīng)網(wǎng)絡(luò)常見的訓(xùn)練困難的問題.

圖8 改進式CNN-GRU網(wǎng)絡(luò)使用不同損失函數(shù)的訓(xùn)練效果Fig.8 The training effect of the improved CNN-GRU network based on different loss functions

3.3 算法準(zhǔn)確率

為簡便描述，將本文提出的具有2項改進的CNN-GRU網(wǎng)路稱為網(wǎng)絡(luò)1，將僅僅改進了卷積網(wǎng)絡(luò)部分的網(wǎng)絡(luò)稱為網(wǎng)絡(luò)2，將僅僅改進了循環(huán)網(wǎng)絡(luò)部分的網(wǎng)絡(luò)稱為網(wǎng)絡(luò)3，將沒有改進的CNN-GRU網(wǎng)絡(luò)稱為網(wǎng)絡(luò)4. 首先比較網(wǎng)絡(luò)的訓(xùn)練情況，如圖9所示：4個網(wǎng)絡(luò)都能夠收斂，收斂精度上網(wǎng)絡(luò)1的損失函數(shù)數(shù)值最小，網(wǎng)絡(luò)2和網(wǎng)絡(luò)3訓(xùn)練曲線介于網(wǎng)絡(luò)1和網(wǎng)絡(luò)4之間，網(wǎng)絡(luò)4的訓(xùn)練過程存在劇烈震蕩.

圖9 不同網(wǎng)絡(luò)的損失函數(shù)下降曲線Fig.9 Loss function decline curve of different networks

經(jīng)過訓(xùn)練后，在樣本數(shù)為188的測試集上對4個模型進行測試，統(tǒng)計故障類別識別的準(zhǔn)確率. 如圖10所示，網(wǎng)絡(luò)1表現(xiàn)最好，在漂移偏差、固定偏差故障和總的準(zhǔn)確率上都是最高的，網(wǎng)絡(luò)4表現(xiàn)較差. 結(jié)果表明2項改進均有利于提高算法的準(zhǔn)確率，并且它們的有益效果是兼容的，最終診斷算法的總準(zhǔn)確率達到了98.9%，說明本文提出的故障診斷算法具有較高的準(zhǔn)確率，可以應(yīng)用于實際場景.

圖10 不同網(wǎng)絡(luò)的識別準(zhǔn)確率Fig.10 Recognition accuracy of different networks

3.4 算法精度

算法精度指故障參數(shù)的估計精度，本文使用平均絕對誤差(mean absolute error，MAE)進行評價,計算公式為

(3)

式中：yi為第i個樣本的真實故障參數(shù)；hi為第i個樣本的預(yù)測故障參數(shù).

因為對于正常數(shù)據(jù)僅需要判斷類別，因此僅統(tǒng)計兩類故障的誤差. 如圖11所示，網(wǎng)絡(luò)1的精度最高，誤差最小，總計平均誤差為2.18%，網(wǎng)絡(luò)4表現(xiàn)最差，其平均絕對誤差超過了10%，難以應(yīng)用于實際場景. 由此可見，本文提出的故障診斷算法能夠使用同一段傳感器數(shù)據(jù)，一次性較好地完成故障類別識別和故障參數(shù)估計2項任務(wù)，是一種較為全面的故障診斷方法.

圖11 不同網(wǎng)絡(luò)的平均絕對誤差Fig.11 Mean absolute error of different networks

3.5 算法運行速度

在網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計中，本文通過減小卷積核尺寸，減少循環(huán)層神經(jīng)元個數(shù)，減少網(wǎng)絡(luò)層數(shù)，優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)等方法降低了網(wǎng)絡(luò)的參數(shù)個數(shù)，尤其是針對循環(huán)網(wǎng)絡(luò)的改進，使得一個網(wǎng)絡(luò)可以解決兩類問題. 整體網(wǎng)絡(luò)模型的參數(shù)數(shù)量為1.4×106，在實驗環(huán)境下(Acer A3-572G電腦)，網(wǎng)絡(luò)每輪平均訓(xùn)練速度為28 s，網(wǎng)絡(luò)可處理傳感器數(shù)據(jù)幀率可以達到70 fps，考慮到數(shù)據(jù)集中的傳感器數(shù)據(jù)采集頻率僅為30 fps，可知本文提出的改進式CNN-GRU網(wǎng)絡(luò)是一種實時的故障診斷算法.

3.6 算法魯棒性

在精度和準(zhǔn)確率測試中，訓(xùn)練集和測試集是具有相同分布規(guī)律的不同時刻普通故障采樣數(shù)據(jù)，然而含有故障信息的傳感器數(shù)據(jù)數(shù)量有限，因此在訓(xùn)練集和測試集中未能包括每種傳感器故障的全部參數(shù)，而在實際環(huán)境中，故障參數(shù)的分布范圍會更廣，因此考察一個網(wǎng)絡(luò)對于更大范圍內(nèi)的故障參數(shù)的表現(xiàn)是必要的. 本文使用普通故障的訓(xùn)練集進行訓(xùn)練，使用幅值為普通故障的150%的嚴(yán)重故障數(shù)據(jù)集進行測試，結(jié)果如圖12所示：準(zhǔn)確率為94.6%，平均絕對誤差為4.23%. 網(wǎng)絡(luò)在嚴(yán)重故障數(shù)據(jù)集上準(zhǔn)確率和精度都有所下降，其原因主要是故障模式的幅值增大會嚴(yán)重影響原始傳感器數(shù)據(jù)的變化規(guī)律，造成故障特征提取困難，但總體效果還是令人滿

圖12 在嚴(yán)重故障數(shù)據(jù)集上的誤差情況Fig.12 Error on an untrained test data set

意的，證明了本文提出的診斷算法具有較好的魯棒性，做到了根據(jù)學(xué)習(xí)的故障知識進行合理外推.

4 結(jié) 論

多源傳感器的應(yīng)用給故障診斷提供了更多的數(shù)據(jù)也帶來了更多的約束. 為了發(fā)揮出多源傳感器數(shù)據(jù)豐富的優(yōu)點，本文首先設(shè)計了CNN-GRU基本網(wǎng)絡(luò)模型，來充分的提取傳感器數(shù)據(jù)中隱藏的時空特征. 為了提高網(wǎng)絡(luò)的準(zhǔn)確度和精度，本文從網(wǎng)絡(luò)的前端和后端分別入手，分別設(shè)計了傳感器標(biāo)定模塊來提高模型對傳感器數(shù)據(jù)的魯棒性和跳躍連接模塊來增強類別信息和參數(shù)信息的互相聯(lián)系，實驗證明了2項改進通過不同方式提高了網(wǎng)絡(luò)模型的性能. 最終改進式的診斷算法的準(zhǔn)確率達到98.9%，參數(shù)估計的平均絕對誤差約為2.18%. 改進式診斷算法是基于傳感器的檢測序列進行檢測的，檢測速率達到70 fps，根據(jù)同一批次數(shù)據(jù)就可以判斷是否發(fā)生故障、故障類別和故障參數(shù)的診斷工作，具有實用價值. 在本文提及的方法中，網(wǎng)絡(luò)結(jié)構(gòu)中部分參數(shù)的選擇方法有待做進一步的深入.