基于深度自編碼模型和馬氏距離的起重機泵健康評估

屈 斌 李 彬

1 長江三峽通航管理局 2 微特技術有限公司

1 引言

起重機作為一種應用廣泛的工程機械，常年暴露在各種惡劣的環境和工作條件下。起重機泵作為起重機液壓系統的關鍵部件，在自然老化過程中會出現各種可能的故障。任何起重機泵的故障都會造成不必要的停機時間和昂貴的維修成本，甚至人員傷亡[1]。為了確保起重機持續可靠的運行，起重機泵的健康評估已成為當前學術研究的熱點問題之一[2]。

近年來，由于傳感器技術的快速發展和計算機計算性能的大幅提升[3]，出現了許多基于數據驅動方法的泵健康評估研究，一些深度學習技術被廣泛應用于起重機泵的健康評估[4]。深度自編碼模型作為深度學習的一個重要分支，能夠從原始信號中進行無監督的特征學習，在許多故障診斷和健康預后應用中得到廣泛應用。例如，張生等[5]開發了一種名為Ensemble Deep Autocoding Ders(EDAEs)的新方法，用于軸承智能故障診斷；姚云峰等[6]將數字小波幀(DWF)和堆疊自動編碼模型相結合提取故障信號特征；Lu等[7]研究了一種堆疊去噪自動編碼模型(SDA)，旨在對含有噪聲和波動的原始信號進行某些健康狀態識別。同時，度量學習本質上就是確定一個合適的距離度量來量化不同類別數據的差異[8]，它通常用于評估性能下降和運行狀況，如Zhao等[9]提出了一個結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 起重機泵健康評估方法

2.1 起重機泵測試環境

現有的數據驅動健康評估方法研究數據來源大多來自臺架試驗，即借助先進的測試平臺對真實工作環境進行室內模擬。這些研究無法充分體現算法在實際機械工作環境的性能。這是由于機械工作模式、工作環境、環境噪聲等在模擬試驗和實際操作之間存在明顯差異。針對起重機泵健康評估中的這一問題，通過對幾種不同使用年限、不同健康狀態的起重機進行實際試驗，獲取起重機實際運行過程中的泵信號，提出了一種基于原始信號的深度自編碼模型(DAE)+馬氏距離(MD)組合策略以完成健康評估任務。

實際工作中，在起重機泵出口安裝了一個壓力傳感器來記錄壓力信號，每隔一定時間間隔對目標信號采樣，生成新的時間序列。采樣頻率為200 Hz。起重機的1次起升和下降運動為1個周期，每臺起重機運行2個周期，測試持續約100次，從1臺起重機獲得的每個時間序列為頻率與測試次數的成績，約為20 000次。

2.2 起重機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)。每一層的訓練步驟與自編碼器(AE)相同，都是通過從最低的單個自動編碼模型逐層構建[10]。圖1展示了一個具有3層堆疊自動編碼器的DAE的逐層訓練過程。每個堆疊層的隱含層大小分別為100,50,25。首先利用維度為200的歸一化樣本訓練第一個自動編碼器，學習特征集為I(100維低級隱藏特征)。然后將特征集I作為第二個自動編碼器的輸入數據，學習特征集II(50維中層隱藏特征)。第三層同上。最后，選擇學習到的特征集III作為起重機泵運行狀況的特征表征，并將其引入度量學習中對運行狀況指數進行量化。

圖1 自編碼模型3層結構

2.2.1 度量學習

(1)

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

(2)

式中，E(Yi)為基礎樣本數據的期望。Mdi反映了基礎樣本數據與測試起重機泵數據的相似性，Mdi越大說明其相似性越高。

2.2.2 健康狀態評估

健康狀況指數的定義為：當起重機泵運行狀態良好且樣本更接近基線(MD小)時，健康指數更接近1；反之，當起重機性能老化嚴重(MD大)，健康指數更接近0。設H表示健康指數，則有：

H=e-βMS

(3)

式中，β為約束因子，使得H的區間為0至1，健康指數的表達更為直觀。

3 實驗結果及分析

在工作中的起重機進行算法測試，測試結果見圖2。隨著起重機使用時間的增加，MD指數呈增大趨勢。這也說明隨著起重機泵工作時間的增加，其性能也逐步下降。起重機使用時間越長，MD指數越大，泵的健康狀況越差。

圖2 基于工作時間的起重機泵健康狀態評估實驗結果

為了證明所提方法的優越性，使用幾種經典的特征學習方法和一些最新的深度學習方法對起重機泵的疲勞度進行比較:①統計特征[12]，廣泛統計起重機工作中的特征實現起重機泵健康狀態評估；②EMD[13]，利用熵特征的經驗實現起重機泵工作狀態解析；③MLP，將輸入原始數據的多層神經感知器實現健康狀態評估；④CNN[14]，利用基礎樣本數據訓練CNN實現起重機泵健康狀態評估。實驗結果見表1。

表1 經典起重機泵健康評估算法疲勞度對比實驗結果

由表1可知，隨著起重機工作時間的增加，其疲勞度逐漸增加，健康狀態逐步下降。通過實驗結果可以看出，EMD、MLP、CNN等算法在評估起重機泵健康狀態過程中性能有所不足，如END算法在評估起重機泵健康狀態過程中，起重機泵在工作65個月后的健康轉態反而優于工作58個月的健康狀態。由此可見，所提出的DAE/MD結合的算法對起重機泵的健康狀態評估有較好的效果。

4 結語

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