基于CNN-BiLSTM 的液壓系統(tǒng)故障診斷

劉付琪，張 達(dá)，宋建華，王海東

（1.青島科技大學(xué)自動(dòng)化與電子工程學(xué)院，山東 青島 266061；2.海軍航空大學(xué)青島校區(qū)六系，山東 青島 266041）

0 引 言

柱塞泵和節(jié)流閥是液壓系統(tǒng)的重要組成部分，當(dāng)柱塞泵和節(jié)流閥發(fā)生故障時(shí)，傳感器采集到的壓力、流量等信號(hào)非線性變化比較明顯。同時(shí)由于受其他零部件運(yùn)行以及外界振動(dòng)等狀況的干擾，對(duì)于傳感器采集到的信號(hào)進(jìn)行特征提取變得十分復(fù)雜［1-2］。及時(shí)準(zhǔn)確地實(shí)現(xiàn)柱塞泵和節(jié)流閥的故障狀態(tài)診斷對(duì)于保障液壓系統(tǒng)的安全穩(wěn)定運(yùn)行具有十分重要的意義。

深度學(xué)習(xí)具備強(qiáng)大的學(xué)習(xí)能力，能夠從原始傳感器數(shù)據(jù)中提取高級(jí)特征，在圖像識(shí)別、文本分類等領(lǐng)域取得了很高的成就［3-4］。為了實(shí)現(xiàn)對(duì)表層數(shù)據(jù)的內(nèi)部特征進(jìn)行提取，提高診斷的準(zhǔn)確度，深度學(xué)習(xí)被引入到液壓系統(tǒng)故障診斷領(lǐng)域。國(guó)外對(duì)此研究起步較早，Irfan等［5］使用卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了水泵軸承的故障診斷，該方法可以直接從振動(dòng)傳感器采集的振動(dòng)信號(hào)中提取特征進(jìn)行分類，實(shí)驗(yàn)結(jié)果表明該方法具有較高的準(zhǔn)確度。Kumar 等［6］采用卷積神經(jīng)網(wǎng)絡(luò)對(duì)離心泵中的缺陷進(jìn)行分析，并且引入一種新的基于熵的發(fā)散函數(shù)對(duì)卷積神經(jīng)網(wǎng)絡(luò)（CNN）進(jìn)行優(yōu)化，實(shí)現(xiàn)了對(duì)離心泵的故障診斷。Ravikumar 等［7］使用主題深度強(qiáng)化學(xué)習(xí)的長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)（MDRL-LSTM）對(duì)內(nèi)燃機(jī)變速箱中不同嚴(yán)重程度的多獨(dú)立和共存的故障進(jìn)行識(shí)別，具有很高的實(shí)用價(jià)值。Cabrera 等［8］采用長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)（LSTM）實(shí)現(xiàn)了往復(fù)式壓縮機(jī)的故障診斷，并用貝葉斯方法對(duì)超參數(shù)進(jìn)行優(yōu)化，實(shí)驗(yàn)結(jié)果表明該方法可靠有效。在國(guó)內(nèi)，雖然對(duì)液壓系統(tǒng)故障診斷的研究相對(duì)稍晚，但是仍然取得了相當(dāng)一部分有實(shí)用價(jià)值的成就。Li 等［9］使用卷積神經(jīng)網(wǎng)絡(luò)對(duì)工業(yè)風(fēng)機(jī)和離心泵進(jìn)行故障診斷，并對(duì)卷積核進(jìn)行自適應(yīng)選取，在診斷精度方面得到了提高。馮東洋等［10］提出了一種雙路特征融合卷積神經(jīng)網(wǎng)絡(luò)與粒子群優(yōu)化支持向量機(jī)的方法對(duì)采集的壓力信號(hào)進(jìn)行處理，并且在特征層進(jìn)行特征信息融合處理，最后送到PSO-SVM 進(jìn)行起落架系統(tǒng)的故障診斷，實(shí)驗(yàn)結(jié)果表明該方法具有更高的診斷精度。Tang 等［11］建立具有批量歸一化策略的卷積神經(jīng)網(wǎng)絡(luò)用于液壓柱塞泵的故障診斷并利用貝葉斯算法自動(dòng)調(diào)整超參數(shù)，實(shí)驗(yàn)結(jié)果表明該方法能夠準(zhǔn)確、穩(wěn)定地完成故障狀態(tài)的分類任務(wù)。孟秋靜等［12］采用長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)對(duì)液壓管路的振動(dòng)信號(hào)進(jìn)行時(shí)序信息分析，在抗噪性能以及診斷精度方面取得了明顯的進(jìn)步。魏曉良等［13］采取長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)與一維卷積神經(jīng)網(wǎng)絡(luò)（1D-CNN）相結(jié)合的方法對(duì)柱塞泵的空化程度進(jìn)行診斷，實(shí)驗(yàn)結(jié)果表明該方法具有很高的魯棒性。Wang 等［14］采用長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)從時(shí)序數(shù)據(jù)中學(xué)習(xí)特征，實(shí)現(xiàn)了小型壓水反應(yīng)堆的故障診斷。

為了解決傳統(tǒng)CNN 網(wǎng)絡(luò)難以獲取長(zhǎng)期依賴關(guān)系的問題以及LSTM 網(wǎng)絡(luò)只能提取時(shí)序數(shù)據(jù)正向特征的問題，提高對(duì)柱塞泵和節(jié)流閥不同故障狀態(tài)診斷的精確度，本文提出一種CNN-BiLSTM 混合神經(jīng)網(wǎng)絡(luò)模型，利用CNN 從輸入信號(hào)中提取穩(wěn)健的局部特征，然后采用BiLSTM 對(duì)序列上的時(shí)間信息特征進(jìn)行正、反向提取，得到包含升序（正向）故障信息特征和降序（反向）故障信息特征的綜合特征表示，具有更強(qiáng)的非線性表達(dá)能力［15］，并且在數(shù)據(jù)級(jí)對(duì)多個(gè)傳感器采集到的數(shù)據(jù)進(jìn)行融合處理［16］實(shí)現(xiàn)更準(zhǔn)確的診斷。以液壓系統(tǒng)中的柱塞泵和節(jié)流閥為例，對(duì)來自不同傳感器的信號(hào)歸一化處理后在數(shù)據(jù)級(jí)融合處理，利用CNN層和BiLSTM層分別學(xué)習(xí)融合信號(hào)中所包含的故障特征后進(jìn)行故障診斷，得到的CNN-BILSTM 網(wǎng)絡(luò)可以有效地診斷柱塞泵和節(jié)流閥運(yùn)行過程中不同的故障狀態(tài)并且診斷效果最佳。本文所提出的算法具有以下創(chuàng)新點(diǎn)：

1）在數(shù)據(jù)級(jí)對(duì)多個(gè)傳感器采集到的數(shù)據(jù)進(jìn)行融合處理，更充分地利用不同傳感器在時(shí)間和空間上的冗余信息，增強(qiáng)網(wǎng)絡(luò)模型的診斷準(zhǔn)確性。

2）利用CNN 具有稀疏連接和權(quán)值共享的特性，提高網(wǎng)絡(luò)模型對(duì)柱塞泵和節(jié)流閥數(shù)據(jù)的學(xué)習(xí)能力，充分利用數(shù)據(jù)中所包含的特征信息。

3）采用BiLSTM對(duì)時(shí)序數(shù)據(jù)信息進(jìn)行正向處理的基礎(chǔ)上，結(jié)合反向處理得到更為可靠的特征表達(dá)，進(jìn)而實(shí)現(xiàn)更高的診斷準(zhǔn)確度。

1 基于CNN和BiLSTM 的診斷模型

1.1 卷積神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介

卷積神經(jīng)網(wǎng)絡(luò)是一種典型的前饋神經(jīng)網(wǎng)絡(luò)，通常包含5個(gè)組成模塊，分別是：輸入層、卷積層、池化層、全連接層和輸出層。一維卷積神經(jīng)網(wǎng)絡(luò)的示意圖如圖1所示。

圖1 一維卷積神經(jīng)網(wǎng)絡(luò)示意圖

卷積層是卷積神經(jīng)網(wǎng)絡(luò)的最核心的部分，通常包含多個(gè)卷積核。在卷積層中，卷積核與輸入數(shù)據(jù)進(jìn)行卷積運(yùn)算，以完成特征提?。?7］，從而使卷積神經(jīng)網(wǎng)絡(luò)擁有稀疏連接和權(quán)值共享的特性，進(jìn)而使網(wǎng)絡(luò)的復(fù)雜度降低，具體的卷積層運(yùn)算公式為：

池化過程對(duì)于卷積層提取的特征進(jìn)行降維壓縮，進(jìn)而加快運(yùn)算速度，本文使用最大池化方法。最大池化方法對(duì)特征的某個(gè)區(qū)域求取最大值，其模型用函數(shù)表示為：

全連接層［18］位于CNN 網(wǎng)絡(luò)的末端，經(jīng)過卷積層的特征提取與池化層的降維后，在全連接層將學(xué)到的特征表示映射到樣本的標(biāo)記空間。全連接層將特征進(jìn)行高度提純，將輸出值交給Softmax層進(jìn)行分類。

1.2 BiLSTM 神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介

長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)是在循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent neural Network，RNN）基礎(chǔ)上的改進(jìn)，LSTM 新增了一個(gè)“遺忘機(jī)制”，每次循環(huán)會(huì)通過一次權(quán)重判斷過去數(shù)據(jù)的參數(shù)影響，解決了梯度爆炸的問題，使得整個(gè)網(wǎng)絡(luò)模型的運(yùn)行時(shí)間變得更短、準(zhǔn)確性變得更高［19-20］。

LSTM 網(wǎng)絡(luò)擁有遺忘門、輸入門和輸出門3 種門結(jié)構(gòu)，來控制和保護(hù)單元狀態(tài)，如圖2所示。

圖2 LSTM網(wǎng)絡(luò)結(jié)構(gòu)圖

圖2 的σ 表示sigmoid 激活函數(shù)，輸出范圍是0～1，有助于更新或者遺忘信息；tanh用于調(diào)節(jié)數(shù)值大小的函數(shù)，輸出范圍是-1～1，有助于調(diào)節(jié)神經(jīng)網(wǎng)絡(luò)的輸出，其余變量的含義見下文公式說明。

遺忘門的功能是決定應(yīng)丟棄或者保留何種信息，完成對(duì)記憶內(nèi)容的篩選，遺忘門的輸出為：

其中，Wxf為輸入和遺忘門之間權(quán)重矩陣；Whf為歷史輸出和遺忘門之間權(quán)重矩陣；bf為遺忘門偏置項(xiàng)；xt為當(dāng)前輸入狀態(tài)；ht-1為前一時(shí)刻輸出狀態(tài)；ft為遺忘門輸出。

輸入門用來更新單元狀態(tài)，輸入門輸出和候選單元狀態(tài)為：

其中，it為輸入門輸出為候選單元狀態(tài)；Wxi為輸入和輸入門之間權(quán)重矩陣；Whi為歷史輸出和輸入門之間權(quán)重矩陣；Wxc為輸入和單元狀態(tài)之間權(quán)重矩陣；Whc為歷史輸出和單元狀態(tài)之間權(quán)重矩陣；bi為輸入門偏置項(xiàng)；bc為單元狀態(tài)偏置項(xiàng)。

當(dāng)前的單元狀態(tài)由2 個(gè)部分相加得到，一部分是由遺忘向量和前一層的單元狀態(tài)相乘決定的信息保留，另一部分是由輸入門和當(dāng)前候選狀態(tài)相乘決定的信息更新。單元狀態(tài)為：

輸出門用于確定下一個(gè)隱藏狀態(tài)，輸出門和單元輸出為：

其中，Wxo為輸入和輸出門之間權(quán)重矩陣；Who為歷史輸出和輸出門之間權(quán)重矩陣；bo為輸出門偏置項(xiàng)；ot為輸出門輸出；ht為單元輸出。

在對(duì)柱塞泵和節(jié)流閥的不同故障狀態(tài)診斷中，對(duì)傳感器采集到的時(shí)序數(shù)據(jù)的正反2 個(gè)方向的規(guī)律進(jìn)行綜合考慮，可以使得模型的診斷精度更高?；谶@個(gè)原理，構(gòu)建了BiLSTM 網(wǎng)絡(luò)，它的結(jié)構(gòu)模型分為2 個(gè)獨(dú)立的LSTM 網(wǎng)絡(luò)，輸入的時(shí)序數(shù)據(jù)分別以正向和反向輸入至2 個(gè)LSTM 網(wǎng)絡(luò)進(jìn)行特征提取，并將提取后的特征按照相應(yīng)的權(quán)重進(jìn)行線性融合作為最終的特征表達(dá)［21-22］，相關(guān)流程如圖3所示。

圖3 BiLSTM結(jié)構(gòu)圖

1.3 多傳感器信息融合

由于液壓系統(tǒng)結(jié)構(gòu)復(fù)雜，采用單一的傳感器數(shù)據(jù)進(jìn)行不同工況的診斷無法滿足實(shí)際工作的需求，甚至誤診的概率也較高。多傳感器信息融合［23］是將各種不同性能的傳感器在時(shí)間與空間上的冗余信息根據(jù)特定的準(zhǔn)則進(jìn)行優(yōu)化組合，針對(duì)不同工況的診斷產(chǎn)生相同的解釋。相比較單一傳感器進(jìn)行不同工況的診斷，多傳感器信息融合［24］可充分利用不同信息之間的關(guān)聯(lián)性，完成更優(yōu)的融合決策，在性能方面更加優(yōu)越。

數(shù)據(jù)級(jí)融合是直接對(duì)相匹配的傳感器數(shù)據(jù)進(jìn)行融合。該層次融合的優(yōu)點(diǎn)是將傳感器采集到的數(shù)據(jù)直接進(jìn)行融合，失真比較小，能最大程度地保留信號(hào)中所包含的故障信息。

本文將來自壓力傳感器、流量傳感器和電機(jī)功率傳感器的數(shù)據(jù)歸一化處理后直接進(jìn)行數(shù)據(jù)級(jí)融合，通過CNN-BiLSTM 網(wǎng)絡(luò)逐層處理不同傳感器的冗余數(shù)據(jù)信息，逐漸將初始的低層特征表示轉(zhuǎn)化為最終的高層特征表示，實(shí)現(xiàn)數(shù)據(jù)級(jí)的融合。在數(shù)據(jù)級(jí)的融合過程中，不同傳感器采集到的信息被有效利用，避免了信息的流失。

1.4 CNN-BiLSTM 模型構(gòu)建

本文所提出的CNN-BiLSTM 模型診斷具體流程［25］如下：

1）對(duì)傳感器采集到的數(shù)據(jù)進(jìn)行歸一化處理，得到無量綱的輸入數(shù)據(jù)進(jìn)行數(shù)據(jù)級(jí)融合處理。

2）將處理好的訓(xùn)練集輸入到CNN-BiLSTM 網(wǎng)絡(luò)進(jìn)行模型訓(xùn)練，當(dāng)模型訓(xùn)練次數(shù)達(dá)到給定值或者模型收斂后，停止訓(xùn)練并且保存已訓(xùn)練完成的模型。

3）診斷過程中，測(cè)試集的數(shù)據(jù)調(diào)用步驟2 中保存的網(wǎng)絡(luò)模型進(jìn)行診斷，最終輸出診斷結(jié)果。

在CNN-BiLSTM 模型中，整體可劃分為輸入層、CNN 網(wǎng)絡(luò)、BiLSTM 網(wǎng)絡(luò)和輸出層［26］。CNN 網(wǎng)絡(luò)種依次是2 個(gè)卷積層、1 個(gè)池化層和1 個(gè)Flatten 層，用來提取信號(hào)的故障特征并進(jìn)行降維，保留有效的特征信息。BiLSTM 網(wǎng)絡(luò)包含2 個(gè)BiLSTM 層和1 個(gè)全連接層，用來學(xué)習(xí)信號(hào)中的正反向時(shí)間規(guī)律。具體模型如圖4所示。

圖4 CNN-BiLSTM 模型結(jié)構(gòu)圖

2 實(shí)驗(yàn)驗(yàn)證

本文采用加利福尼亞大學(xué)（University of California，Irvine）歐文分校機(jī)器學(xué)習(xí)與智能系統(tǒng)中心（Machine Learning Repository）的液壓系統(tǒng)數(shù)據(jù)集［27］進(jìn)行驗(yàn)證，數(shù)據(jù)集通過搭建液壓實(shí)驗(yàn)臺(tái)實(shí)驗(yàn)采集，該實(shí)驗(yàn)臺(tái)由一個(gè)主工作回路（見圖5）和一個(gè)二次冷卻過濾回路（見圖6）通過油箱連接組成。系統(tǒng)以60 s 為周期進(jìn)行重復(fù)恒定負(fù)載循環(huán)，并對(duì)傳感器采集的信號(hào)進(jìn)行記錄，包括壓力（PS1～PS6）、流量（FS1、FS2）、溫度（TS1～TS5）、電機(jī)功率（EPS1）和振動(dòng)（VS1），同時(shí)定量改變4 個(gè)液壓部件（冷卻器、節(jié)流閥、柱塞泵和蓄能器）的狀態(tài)，具體故障狀態(tài)設(shè)置如表1和表2所示。

表1 液壓元件與故障狀態(tài)設(shè)置

表2 液壓元件與故障類型設(shè)置

圖6 實(shí)驗(yàn)臺(tái)2次冷卻過濾回路工作結(jié)構(gòu)圖

選擇壓力傳感器PS1、PS2、PS3（采樣頻率100 Hz）采集的壓力信號(hào)、流量傳感器FS1（采樣頻率10 Hz）采集的流量信號(hào)和電機(jī)功率傳感器EPS1（采樣頻率100 Hz）采集的電機(jī)功率信號(hào)進(jìn)行分析，采集到的信號(hào)如圖7所示。

圖7 液壓系統(tǒng)中不同傳感器采集信號(hào)圖

圖8 訓(xùn)練集與損失函數(shù)曲線

3 實(shí)驗(yàn)結(jié)果與分析

3.1 柱塞泵實(shí)驗(yàn)驗(yàn)證與分析

選用壓力傳感器PS1（采樣頻率100 Hz）采集的壓力信號(hào)、流量傳感器FS1（采樣頻率10 Hz）采集的流量信號(hào)和電機(jī)功率傳感器EPS1（采樣頻率100 Hz）采集的電機(jī)功率信號(hào)等多傳感器信息對(duì)柱塞泵內(nèi)泄漏的3 種程度（正常、輕微內(nèi)泄漏、嚴(yán)重內(nèi)泄漏）進(jìn)行識(shí)別，柱塞泵的樣本數(shù)據(jù)屬性如表3所示。訓(xùn)練集中識(shí)別準(zhǔn)確率最高達(dá)到96.3%，在迭代約600次后可以達(dá)到。

表3 柱塞泵樣本數(shù)據(jù)屬性

在對(duì)柱塞泵內(nèi)泄漏進(jìn)行診斷時(shí)，其他元件的運(yùn)行狀態(tài)也會(huì)影響到柱塞泵的狀態(tài)，例如柱塞泵輕微內(nèi)泄漏時(shí)，節(jié)流閥會(huì)發(fā)生開關(guān)特性退化、冷卻器會(huì)發(fā)生冷卻能力下降、蓄能器會(huì)發(fā)生氣體泄漏等變化。

3.1.1 模型參數(shù)

在CNN-BiLSTM 模型中，整體可劃分為輸入層、CNN 網(wǎng)絡(luò)、BiLSTM 網(wǎng)絡(luò)和輸出層［28］。輸入信號(hào)為PS1、FS1 和EPS1 共計(jì)3 個(gè)傳感器采集的信號(hào)經(jīng)過歸一化后連接而成，輸入信號(hào)的寬度是12600。CNN 網(wǎng)絡(luò)中依次是2 個(gè)卷積層、1 個(gè)池化層和1 個(gè)Flatten 層。卷積層的作用是對(duì)輸入層的數(shù)據(jù)提取特征，其中：第一層卷積采用16 個(gè)16×1 的卷積核，步長(zhǎng)為1；第二層卷積采用采用32 個(gè)32×1 的卷積核，步長(zhǎng)為1；2 個(gè)卷積層的激活函數(shù)均采用ReLU 激活函數(shù)，填充方式均選擇same。池化層和Flatten 層是對(duì)卷積層提取的特征進(jìn)行降維和扁平化：池化層選擇最大池化方式，池化核的大小為4×1。BiLSTM 網(wǎng)絡(luò)包含2個(gè)BiLSTM 層和1 個(gè)全連接層，2 個(gè)BiLSTM 層的神經(jīng)元數(shù)量均為32。由于采用了數(shù)據(jù)級(jí)信息融合，因此只用2 層BiLSTM 便取得了較好的效果。Softmax 層的輸出神經(jīng)元數(shù)量為3，如表2中“故障類型”列所示，對(duì)應(yīng)柱塞泵內(nèi)泄漏的3種不同程度。

3.1.2 不同傳感器信號(hào)對(duì)診斷結(jié)果的影響

柱塞泵發(fā)生內(nèi)泄漏時(shí)，采用不同傳感器采集到的信號(hào)中所包含的故障特征會(huì)對(duì)診斷精度產(chǎn)生影響，診斷結(jié)果如表4所示。

表4 不同傳感器信號(hào)對(duì)診斷精度影響表

為了更加直觀地分析柱塞泵內(nèi)泄漏不同程度在模型的每一層中的分類效果，用t-SNE（t-distributed Stochastic Neighbor Embedding）技術(shù)對(duì)PS1、FS1、EPS1融合信號(hào)輸入模型中各個(gè)層的輸出信號(hào)進(jìn)行降維可視化分析，如圖9所示。

圖9 PS1、FS1、EPS1融合信號(hào)輸入模型中各層可視化

從圖9 可以看出，從最初PS1、FS1、EPS1 這3 個(gè)傳感器融合信號(hào)無法區(qū)分柱塞泵內(nèi)泄漏的不同程度。隨著網(wǎng)絡(luò)不同層不斷的提取特征，模型可以不斷地學(xué)習(xí)柱塞泵內(nèi)泄漏不同程度的故障特征，這些特征的可分性逐漸增強(qiáng)。最終輸出信號(hào)呈現(xiàn)最佳的聚類效果，有明顯的可分性，這表示本文所提出的CNN-BiLSTM 模型可以對(duì)柱塞泵內(nèi)泄漏的不同程度實(shí)現(xiàn)準(zhǔn)確的分類。

從表4 中可以看出，對(duì)于柱塞泵內(nèi)泄漏不同程度的故障診斷，采用3 個(gè)傳感器融合后的信號(hào)診斷效果最好，準(zhǔn)確率明顯高于采用單傳感器信號(hào)進(jìn)行故障診斷并且損失值最小。這表明采用多傳感器信號(hào)融合的方式進(jìn)行故障診斷對(duì)于提高模型的性能更加有利，驗(yàn)證了本文所提出的多傳感器信號(hào)在數(shù)據(jù)級(jí)進(jìn)行融合處理的可行性。

在所構(gòu)建的CNN-BiLSTM 模型對(duì)3 個(gè)傳感器融合后信號(hào)的訓(xùn)練過程中，訓(xùn)練集訓(xùn)練過程中正確率和損失值與迭代次數(shù)的變化如圖8 所示，在模型訓(xùn)練800次時(shí)終止。

從圖8 可以看出，隨著迭代次數(shù)的不斷增加，訓(xùn)練集的正確率不斷上升，而損失函數(shù)值則不斷下降，最終趨于穩(wěn)態(tài)，這表示所使用的模型性能逐漸變強(qiáng)。

為了分析本文所提出模型的有效性，利用CNNBiLSTM 網(wǎng)絡(luò)的各層輸出計(jì)算3 種狀態(tài)（正常、輕微內(nèi)泄漏、嚴(yán)重內(nèi)泄漏）樣本對(duì)應(yīng)的Fisher 值，以此驗(yàn)證本文所提出的模型對(duì)3 種狀態(tài)可分性的提升。單類樣本的Fisher值表示為：

其中，n表示樣本的總數(shù)量，mi（k）表示樣本x（i）第i類樣本的均值在k維上的取值，m（k）表示所有樣本的均值在k維上的取值。

具體結(jié)果如圖10所示。

圖10 柱塞泵內(nèi)泄漏不同程度在CNN-BiLSTM 網(wǎng)絡(luò)每一層的Fisher值

從圖10 可以看出，隨著網(wǎng)絡(luò)不同層不斷地進(jìn)行特征提取，F(xiàn)isher 值逐漸增大，這表示正常狀態(tài)、輕微內(nèi)泄漏狀態(tài)、嚴(yán)重內(nèi)泄漏狀態(tài)的類間距離逐漸增大，類內(nèi)距離逐漸變小，可分性逐漸增強(qiáng)。柱塞泵嚴(yán)重內(nèi)泄漏樣本的Fisher值從輸入層的9.1提高到了Softmax層的31.82，提高了3.5倍，相應(yīng)地，正常和輕微內(nèi)泄漏樣本Fisher 值也分別從0.61 和1.2 提高到了1.85 和4.82，這表示嚴(yán)重內(nèi)泄漏樣本的可分性優(yōu)于其他2 類樣本。測(cè)試集的混淆矩陣如圖11所示。

圖11 測(cè)試集混淆矩陣

從圖11 可以看出，有7 個(gè)正常狀態(tài)被診斷為輕微內(nèi)泄漏狀態(tài)；3 個(gè)輕微內(nèi)泄漏狀態(tài)被診斷為正常狀態(tài)；嚴(yán)重內(nèi)泄漏狀態(tài)均診斷正常，總的識(shí)別準(zhǔn)確率為96.3%。結(jié)果表示本文所提出的CNN-BiLSTM模型對(duì)柱塞泵內(nèi)泄漏的不同程度可以進(jìn)行有效的識(shí)別。

3.1.3 CNN-BiLSTM 網(wǎng)絡(luò)和其它網(wǎng)絡(luò)效果比較

為了進(jìn)一步驗(yàn)證所提出CNN-BiLSTM 模型對(duì)柱塞泵內(nèi)泄漏不同程度的故障診斷性能，在利用PS1、FS1、EPS1 總共3 個(gè)傳感器融合后的信號(hào)的基礎(chǔ)上，將1.4 節(jié)所提到的網(wǎng)絡(luò)結(jié)構(gòu)中的BiLSTM 層用CNN層進(jìn)行替換，并運(yùn)用t-SNE 技術(shù)對(duì)Softmax 層進(jìn)行降維可視化分析，結(jié)果如圖12（a）所示。將1.4節(jié)所提到的網(wǎng)絡(luò)結(jié)構(gòu)中的BiLSTM層用LSTM層進(jìn)行替換，并運(yùn)用t-SNE 技術(shù)對(duì)Softmax 層進(jìn)行降維可視化分析，結(jié)果如圖12（b）所示。并運(yùn)用PSO-SVM 網(wǎng)絡(luò)、GA-DBN網(wǎng)絡(luò)分別對(duì)PS1、FS1、EPS1 總共3 個(gè)傳感器融合后的信號(hào)進(jìn)行處理，并運(yùn)用t-SNE 技術(shù)對(duì)Softmax 層進(jìn)行降維可視化分析，結(jié)果如圖12（c）和圖12（d）所示。

圖12 不同神經(jīng)網(wǎng)絡(luò)對(duì)柱塞泵內(nèi)泄漏不同程度故障診斷Softmax層降維可視化

從圖12可以明顯地看出，與圖9（g）作比較，采用純CNN 網(wǎng)絡(luò)、CNN-LSTM 網(wǎng)絡(luò)、PSO-SVM 網(wǎng)絡(luò)、GADBN 網(wǎng)絡(luò)對(duì)于柱塞泵內(nèi)泄漏不同狀態(tài)的診斷效果不如本文所提出的CNN-BiLSTM 網(wǎng)絡(luò)，采用純CNN 網(wǎng)絡(luò)的識(shí)別準(zhǔn)確率為84.7%，采用CNN-LSTM 網(wǎng)絡(luò)的識(shí)別準(zhǔn)確率為90.24%，采用PSO-SVM 網(wǎng)絡(luò)的識(shí)別準(zhǔn)確率為81.09%，采用GA-DBN 網(wǎng)絡(luò)的識(shí)別準(zhǔn)確率為83.15%，而采用CNN-BiLSTM 網(wǎng)絡(luò)識(shí)別準(zhǔn)確率高達(dá)96.3%。因?yàn)榧尤隑iLSTM 層可以學(xué)習(xí)傳感器所采集的信號(hào)中包含的時(shí)間序列信息并且綜合考慮時(shí)間序列信息的正反向規(guī)律，提高了診斷精度。

3.2 節(jié)流閥實(shí)驗(yàn)驗(yàn)證與分析

選擇壓力傳感器PS1、PS2、PS3（采樣頻率100 Hz）采集的壓力信號(hào)等多傳感器信息對(duì)節(jié)流閥開關(guān)特性退化的4 種程度（接近完全失效、重度滯后、較小滯后、最佳切換狀態(tài)）進(jìn)行識(shí)別，節(jié)流閥的樣本數(shù)據(jù)屬性如表5所示。

表5 節(jié)流閥樣本數(shù)據(jù)屬性

在對(duì)節(jié)流閥開關(guān)特性退化進(jìn)行診斷時(shí)，節(jié)流閥的運(yùn)行狀態(tài)會(huì)受到其他元件的運(yùn)行狀態(tài)的影響，例如節(jié)流閥接近完全失效時(shí)，柱塞泵會(huì)發(fā)生內(nèi)泄漏、冷卻器會(huì)發(fā)生冷卻能力下降、蓄能器會(huì)發(fā)生氣體泄漏等變化。

3.2.1 模型參數(shù)

本文所搭建的CNN-BiLSTM 模型流程與上文柱塞泵內(nèi)泄漏不同程度的診斷流程相同，輸入信號(hào)為PS1、PS2 和PS3 共計(jì)3 個(gè)傳感器采集的信號(hào)經(jīng)過歸一化后連接而成，輸入信號(hào)的寬度是18000，模型參數(shù)一致。Softmax層的輸出神經(jīng)元數(shù)量為4個(gè)，如表2中“故障標(biāo)簽”列所示，對(duì)應(yīng)節(jié)流閥開關(guān)特性退化的4種程度。

3.2.2 不同傳感器信號(hào)對(duì)診斷結(jié)果的影響

節(jié)流閥開關(guān)特性退化時(shí)，采用不同傳感器采集到的信號(hào)中所包含的故障特征會(huì)對(duì)診斷精度產(chǎn)生影響，診斷結(jié)果如表6所示。

表6 不同傳感器信號(hào)對(duì)診斷精度影響表

從表6可以看出，對(duì)于節(jié)流閥開關(guān)特性退化不同程度的故障診斷，采用3個(gè)傳感器融合后的信號(hào)進(jìn)行故障診斷，可以實(shí)現(xiàn)準(zhǔn)確率最高并且損失值最小。再次驗(yàn)證了多傳感器信號(hào)融合的方式進(jìn)行故障診斷對(duì)于提高模型的性能更加有利，驗(yàn)證了本文所提出的多傳感器信號(hào)在數(shù)據(jù)級(jí)進(jìn)行融合處理具有良好的故障診斷能力。

在所構(gòu)建的CNN-BiLSTM 模型的訓(xùn)練過程中，訓(xùn)練集訓(xùn)練過程中正確率和損失值與迭代次數(shù)的變化如圖13所示，在模型訓(xùn)練800次時(shí)終止。

圖13 訓(xùn)練集與損失函數(shù)曲線

從圖13可以看出，在不斷的迭代過程中，訓(xùn)練集的準(zhǔn)確率不斷提高，而損失函數(shù)值則不斷降低，最終趨于穩(wěn)態(tài)，這表明所使用的模型性能逐漸變強(qiáng)。訓(xùn)練集中識(shí)別準(zhǔn)確率最高達(dá)到94.28%，在迭代約550次后可以達(dá)到。

為了更加直觀地分析節(jié)流閥開關(guān)特性退化的不同程度在模型的每一層中的分類效果，用t-SNE 技術(shù)對(duì)PS1、PS2、PS3 融合信號(hào)輸入模型中各個(gè)層的輸出信號(hào)進(jìn)行降維可視化分析，如圖14所示。

圖14 PS1、FS1、EPS1融合信號(hào)輸入模型中各層可視化

從圖14可以看出，最初PS1、PS2、PS3這3個(gè)傳感器融合信號(hào)無法對(duì)節(jié)流閥開關(guān)特性退化的不同程度進(jìn)行區(qū)分。隨著網(wǎng)絡(luò)不同層不斷的提取特征，模型對(duì)節(jié)流閥開關(guān)特性退化的故障特征進(jìn)一步學(xué)習(xí)，可以看到特征的聚類效果明顯變好，最終輸出信號(hào)有明顯的分界線。這再次驗(yàn)證本文所提出的CNN-BiLSTM 模型的有效性，可以對(duì)節(jié)流閥開關(guān)特性退化的不同程度實(shí)現(xiàn)準(zhǔn)確的分類。

為了分析本文所提出模型的有效性，利用CNNBiLSTM 網(wǎng)絡(luò)的各層輸出計(jì)算4 種狀態(tài)（接近完全失效、重度滯后、較小滯后、最佳切換狀態(tài)）樣本對(duì)應(yīng)的Fisher 值，以此驗(yàn)證本文所提出的模型對(duì)3 種狀態(tài)可分性的提升，計(jì)算公式如式（9）～式（11）所示，具體結(jié)果如圖15所示。

圖15 節(jié)流閥開關(guān)特性退化不同程度在CNN-BiLSTM 網(wǎng)絡(luò)每一層的Fisher值

從圖15可以看出，F(xiàn)isher值隨著網(wǎng)絡(luò)不同層進(jìn)行特征提取而逐漸增大，這表明節(jié)流閥接近完全失效狀態(tài)、重度滯后狀態(tài)、較小滯后狀態(tài)和最佳切換狀態(tài)的類間距離逐漸增大，類內(nèi)距離逐漸變小，可分性逐漸增強(qiáng)。節(jié)流閥最佳切換狀態(tài)樣本的Fisher值從輸入層的1.35提高到了Softmax層的7.33，提高了5.43倍，相應(yīng)地，接近完全失效、重度滯后和較小滯后樣本Fisher值也分別從0.99、1.07 和0.79 提高到了6.4、4.55 和2.65，這表明對(duì)于最佳切換狀態(tài)樣本的可分性優(yōu)于其他3類樣本。

測(cè)試集的混淆矩陣如圖16 所示。從圖中可以看出，有2 個(gè)節(jié)流閥接近完全失效狀態(tài)被診斷為節(jié)流閥重度滯后狀態(tài)；3 個(gè)節(jié)流閥重度滯后狀態(tài)被診斷為節(jié)流閥接近完全失效狀態(tài)；3 個(gè)節(jié)流閥較小滯后狀態(tài)被診斷為節(jié)流閥重度滯后狀態(tài)、8 個(gè)節(jié)流閥較小滯后狀態(tài)被診斷為節(jié)流閥最近切換狀態(tài)；節(jié)流閥最佳切換狀態(tài)均診斷正常，測(cè)試集總的診斷率為94.28%。

圖16 測(cè)試集混淆矩陣

3.2.3 CNN-BiLSTM 網(wǎng)絡(luò)和其它網(wǎng)絡(luò)效果比較

在融合PS1、PS2和PS3總共3個(gè)傳感器信號(hào)的基礎(chǔ)上，將1.4 節(jié)所提到的網(wǎng)絡(luò)結(jié)構(gòu)中的BiLSTM 層用CNN層進(jìn)行替換，并對(duì)Softmax層運(yùn)用t-SNE技術(shù)進(jìn)行降維可視化分析，結(jié)果如圖17（a）所示；將1.4節(jié)所提到的網(wǎng)絡(luò)結(jié)構(gòu)中的BiLSTM層用LSTM層進(jìn)行替換，并運(yùn)用t-SNE技術(shù)對(duì)Softmax層進(jìn)行降維可視化分析，結(jié)果如圖17（b）所示；運(yùn)用PSO-SVM網(wǎng)絡(luò)、GA-DBN網(wǎng)絡(luò)分別對(duì)PS1、PS2和PS3總共3個(gè)傳感器融合后的信號(hào)進(jìn)行處理，運(yùn)用t-SNE技術(shù)對(duì)Softmax層進(jìn)行降維可視化分析，結(jié)果如圖17（c）和圖17（d）所示。進(jìn)一步驗(yàn)證本文所提出CNN-BiLSTM 模型的故障診斷性能。

圖17 不同神經(jīng)網(wǎng)絡(luò)對(duì)節(jié)流閥開關(guān)特性退化不同程度的故障診斷Softmax層降維可視化

從圖17 可以明顯地看出，與圖14（g）作比較，采用本文所提出的CNN-BiLSTM 網(wǎng)絡(luò)對(duì)于節(jié)流閥開關(guān)特性退化的不同程度的可分性明顯高于采用純CNN網(wǎng)絡(luò)和CNN-LSTM 網(wǎng)絡(luò)。采用純CNN 網(wǎng)絡(luò)的識(shí)別準(zhǔn)確率為82.07%，采用CNN-BiLSTM 絡(luò)的識(shí)別準(zhǔn)確率為87.32%，采用PSO-SVM 網(wǎng)絡(luò)的識(shí)別準(zhǔn)確率為80.53%，采用GA-DBN 網(wǎng)絡(luò)的識(shí)別準(zhǔn)確率為85.52%，而采用CNN-BiLSTM 網(wǎng)絡(luò)識(shí)別準(zhǔn)確率高達(dá)94.28%。這是因?yàn)閭鞲衅魉杉男盘?hào)中包含的時(shí)序信息以及時(shí)序信息中所包含的正反向規(guī)律可以被BiLSTM層有效的學(xué)習(xí)，使得診斷精度得到提高。

4 結(jié)束語(yǔ)

為了準(zhǔn)確識(shí)別液壓系統(tǒng)中柱塞泵和節(jié)流閥的故障狀態(tài)，本文提出了一種基于CNN-BiLSTM 網(wǎng)絡(luò)的故障診斷模型，實(shí)驗(yàn)結(jié)果表明：將CNN 和BiLSTM 網(wǎng)絡(luò)結(jié)合用于液壓系統(tǒng)不同故障狀態(tài)的識(shí)別，解決了傳統(tǒng)CNN 網(wǎng)絡(luò)難以獲取長(zhǎng)期依賴關(guān)系的問題；并且對(duì)數(shù)據(jù)正反向特征進(jìn)行綜合考慮，實(shí)現(xiàn)了柱塞泵和節(jié)流閥故障狀態(tài)的有效診斷；采用數(shù)據(jù)級(jí)多傳感器信息融合，充分利用傳感器數(shù)據(jù)中包含的故障信息，與只利用單傳感器信息相比，多傳感器的融合信息能夠獲得更高的診斷精度。本文研究為液壓系統(tǒng)的智能化故障診斷提供了一種合理有效的方法。