基于SDA和KPCA特征融合的供輸彈系統早期故障識別

梁海英 許昕 潘宏俠 付志敏 張航

摘要：對于供輸彈系統早期故障信號成分復雜，潛在故障征兆難以識別的問題，提出基于堆疊式降噪自動編碼器（sDA）和核主成分分析（KPcA）特征融合的早期故障識別方法。所采集的供輸彈系統信號經過去趨勢項和五點三次平滑法處理后，首先將不同狀態的振動信號和聲壓信號分別通過sDA進行特征提取;然后用KPcA對提取的振動信號和聲壓信號特征進行融合;最后運用支持向量機（sVM）對融合前后的特征分別進行識別并對比。試驗結果表明，該方法能有效地對供輸彈系統早期故障進行識別，且識別準確率達92.4%。

關鍵詞：供輸彈系統;堆棧降噪自動編碼器;核主成分分析;信息融合;故障識別

中圖分類號：TJ303.3文獻標志碼：A 文章編號：1674-5124（2019）04-0141-05

0引言

供輸彈系統作為火炮等武器裝備的重要組成部分，運動過程復雜，伴有劇烈的撞擊、振動和摩擦等，其工作可靠性一直是制約復雜兵器裝備性能和實用性的障礙，也成為武器裝備狀態監測與故障診斷領域的焦點。因此，尋找一種高效、快速的自動供輸彈系統早期故障預示方法十分必要。

堆棧自動編碼器是深度學習理論的一種常用模型，可實現數據降維和特征提取的基本功能。馮旭松等將堆棧自動編碼器應用到泵站機組的故障分析中，得到較高的機組故障平均分類準確率。崔江等將一種改進的堆棧自動編碼器用于航空發電機旋轉整流器的故障特征提取，具有良好的故障診斷效果。堆棧自動編碼器克服了單層自動編碼器學習速度緩慢、訓練效率低的局限性，但其抗噪能力差。而堆棧降噪自動編碼器（sDA）通過在輸人的數據中增加一定的噪聲信號，使堆棧自動編碼器具備抗噪能力。潘磊等將堆棧降噪自動編碼器用于軸承和齒輪箱的故障診斷，并取得理想的試驗結果。以此為基礎，針對供輸彈系統早期故障信號成分復雜，潛在故障征兆難以識別的問題，本文提出將堆棧降噪自動編碼器運用到供輸彈系統的早期故障識別。

對于供輸彈系統的故障識別，許海倫基于小波理論和支持向量機對其電流信號進行分析，付志敏等基于PCA-KLD方法對其振動信號進行了分析，但并未應用信息融合方法對供輸彈系統的故障進行研究，識別率有待提高。針對供輸彈系統的故障特征之間存在較強的非線性關系，同時充分利用異類傳感器之間的互補信息，提高故障識別的準確率，本文引入核主成分分析（KPCA）進行異類型傳感器的特征級融合。相比同類傳感器特征融合，此方法可提高故障識別準確率，為供輸彈系統的早期故障識別開辟新途徑。

本文將SDA和KPCA特征融合運用于供輸彈系統的早期故障識別，并經試驗驗證方法的準確性。

1堆疊式降噪自動編碼器（SDA）

由于單層的自動編碼器在訓練過程中往往會出現學習速度緩慢、訓練效率低下的困擾，本文引人了堆疊式降噪自動編碼器。堆疊式降噪自動編碼器把每個去噪自動編碼器的中間層當成下一個自動編碼器的輸人層，經過層層疊加，組成一個深層網絡，通過這種方式可以大幅度提升訓練效率。構建堆疊式降噪自動編碼器的具體步驟如下：

1）首先對第1個降噪自動編碼器進行預訓練，其中X為經過編碼和解碼之后降噪自動編碼器輸出層的數據，X是未添加噪聲成分的原始數據，y是添加噪聲成分后的輸人數據，σ（·）為Sigmoid函數。其原理如圖1所示。

3）按照步驟2）對下一個降噪自動編碼器進行預訓練，并引人更新規則，直到重構誤差的收斂標準達到最小值，則滿足訓練結束條件。所有降噪自動編碼器訓練完成后，去掉最后的重構層，將隱含層數據視為滿足條件的數據降維后的特征值。

2核主成分分析（1gdJCA）

核主成分分析（KPCA）是對主成分分析法（PCA）的非線性擴展，與PCA不同的是KPCA引入了非線性映射函數Ф，用來處理非線性數據。KPCA還引入了一個非常重要的定理：空間中的任何向量，都能夠用這個空間的所有樣本線性表示。KPCA可理解為通過某種途徑將輸入空間映射到某個高維空間（通常為特征空間），并在特征空間中實現PCA提取數據的非線性結構信息。核主成分分析（KPCA）的具體計算步驟如下：

3實驗分析與論證

3.1實驗測點布置

依據供輸彈系統工作機理和結構及常見的故障種類，與實際測試的某型轉管火炮的結構結合，對該型火炮開展多場信息測試工作。共布置8個測點，包括振動測點6處，各振動測點均采集3個方向的加速度信號，2個聲壓測點。采樣頻率設為25.6kHz，采用32通道LMS信號采集系統。測點分布如表1所示，測點分布圖如圖3所示。

3.2實驗記錄

本次試驗射速為450發/min，射擊過程如下：2連發，兩次6連發，實驗完成且未發生故障;40連發，雖完成射擊任務，但在射擊至26～27發時射速降低;60連發，80連發，全程射速平穩，機構正常運行，無任何故障現象。本文將某型號火炮的工作狀態共劃分為3種，即正常工況（60連發、80連發）、惡化中工況（2連發、6連發）、故障工況（40連發）。

3.3實驗結果分析

選取射擊試驗中振動測點3（x向）的振動信號和聲壓測點2的聲壓信號對供輸彈系統進行分析。使用線性去趨勢項和五點三次平滑法對信號進行預處理。將每一發信號進行單獨截取以便后續處理，如圖4所示為6連發射擊3x方向截取第l發信號時域圖。

3.3.1基于堆疊降噪自動編碼器的特征提取

在應用堆疊自動編碼器提取特征前，基于最優特征提取思想和模型簡化的考慮，確定堆疊自動編碼器的隱含層層數為4、特征值維度為5，且當隱含層節點數目為輸人層節點數目的一半左右，信號的重構誤差最小，提取出的特征值最有效。

在試驗數據中，正常和故障工況數據的2/3作為訓練數據，剩余1/3作為測試數據，惡化工況數據的1/2作為訓練數據，剩余1/2作為測試數據。

在堆棧降噪自動編碼器中訓練完成后輸入測試數據進行特征提取。由于篇幅限制，只列出部分信號特征值，部分振動信號特征值如表2所示，部分聲壓信號特征值如表3所示。

3.3.2基于核主成分分析（KPCA）的特征融合

將振動信號特征值和聲壓信號特征值進行核主成分分析特征融合，提取信息互補的故障信號特征值，圖5為經過核主成分分析后提取的貢獻率較大的核主元及其累計貢獻率。

由圖可知，前4個核主元的累計貢獻率超過90%，已滿足大于85%的理論要求，因此選取前4個核主元作為特征值。為了對比核主成分分析前后對故障診斷最后結果的影響，分別選取振動加速度信號、聲壓信號和融合后的二維特征值在二維空間的投影，以觀察不同工況下特征值的聚類效果，其結果如圖6所示。

很明顯，經過KPCA融合處理后，特征值的聚類效果優于振動信號和聲壓信號特征值的聚類效果，不同工況的特征值彼此分離，同種工況的特征值互相聚集，有助于后續的早期故障識別。

3.3.3基于支持向量機（SVM）的早期故障識別

將融合前后的特征值分別輸入到支持向量機，中進行故障識別，所得識別結果如圖7所示。

由診斷結果可知，66個測試樣本，通過單一振動信號進行識別，有59個測試樣本識別正確，識別準確率為89.4%;通過單一聲信號進行識別，有54個測試樣本識別正確，識別準確率為81.9%;通過經KPCA融合振動信號與聲信號后進行識別，有60個測試樣本識別正確，識別準確率達92.4%。可得結論，多場信號經KPCA融合處理后再進行故障識別可顯著提高供輸彈系統早期故障識別的準確率。

4結束語

本文基于SDA和KPCA特征融合對供輸彈系統進行了早期故障識別。結果表明：堆疊降噪自動編碼器網絡模型，可實現故障特征值的自適應提取，有效彌補故障特征值不是最優特征值而導致的故障識別準確率低的問題;KPCA信息融合方法可得到信息互補的特征值，提高故障識別準確率，且識別準確率達92.4%。本文提出的方法可為供輸彈系統的早期故障特征提取與狀態識別提供一種新思路。