基于大數(shù)據(jù)分析的液壓系統(tǒng)故障診斷綜述

郝俊杰，高虹霓，王崴，邱盎，王慶力，宋新成

(空軍工程大學(xué)防空反導(dǎo)學(xué)院，陜西西安 710038)

0 前言

液壓系統(tǒng)是由機(jī)、電、液耦合的復(fù)雜系統(tǒng)，具有工作平穩(wěn)、響應(yīng)快、可實(shí)現(xiàn)無級調(diào)速和自動化等優(yōu)點(diǎn)，在工業(yè)、農(nóng)林和國防等領(lǐng)域廣泛應(yīng)用。液壓系統(tǒng)具有故障隱蔽性強(qiáng)、非線性時變信號強(qiáng)、振動傳遞機(jī)制復(fù)雜等特點(diǎn)，導(dǎo)致故障診斷困難。目前液壓故障診斷技術(shù)大致可分為主觀診斷法、數(shù)學(xué)模型與信息處理診斷法和智能技術(shù)診斷法3種，具體如表1所示。由于受理論和儀器設(shè)備的限制，液壓系統(tǒng)的故障診斷大多還是以經(jīng)驗診斷和分析診斷等傳統(tǒng)方法為主，主觀因素大，診斷效率低，且對一些新故障很難及時提出維修建議。

表1 故障診斷方法

面對液壓裝備快速累積的大量故障數(shù)據(jù)，傳統(tǒng)的數(shù)據(jù)處理方式已經(jīng)不能高效應(yīng)對。而大數(shù)據(jù)技術(shù)可以突破傳統(tǒng)限制，解決當(dāng)前存在的大部分?jǐn)?shù)據(jù)處理難題，為克服傳統(tǒng)方法不足，及時高效地診斷、排除故障提供了可能。

隨著人工智能技術(shù)的發(fā)展，智能診斷技術(shù)成為當(dāng)前液壓故障診斷的研究熱點(diǎn)，研究如何實(shí)現(xiàn)智能化診斷成為擺在學(xué)者面前的緊迫任務(wù)。本文作者對基于大數(shù)據(jù)分析的液壓故障診斷原理、關(guān)鍵技術(shù)及下一步的研究思路進(jìn)行綜述，以期能勾畫一個相對清晰的智能化診斷輪廓，為相關(guān)研究提供參考。

1 基于大數(shù)據(jù)分析的液壓故障診斷技術(shù)原理

基于大數(shù)據(jù)分析的液壓故障診斷技術(shù)主要是將人工智能領(lǐng)域的一些研究成果結(jié)合大數(shù)據(jù)分析應(yīng)用到液壓系統(tǒng)的故障診斷中。具體可表述為收集大量類型多樣的液壓故障數(shù)據(jù)，以此作為研究對象，以數(shù)據(jù)庫、機(jī)器學(xué)習(xí)等算法為分析工具，從中找出與故障相關(guān)的有用診斷信息，最后將診斷結(jié)果利用可視化等技術(shù)展現(xiàn)出來，從而實(shí)現(xiàn)故障診斷的一個過程，其核心是數(shù)據(jù)分析算法。診斷流程如圖1所示。

圖1 診斷流程

2 基于大數(shù)據(jù)分析的液壓系統(tǒng)故障診斷關(guān)鍵技術(shù)

基于大數(shù)據(jù)分析的液壓系統(tǒng)故障診斷主要包括故障數(shù)據(jù)處理、分析及診斷結(jié)果展示3個部分。涉及到的關(guān)鍵技術(shù)有故障數(shù)據(jù)特征選擇、機(jī)器學(xué)習(xí)和結(jié)果可視化等。

2.1 故障數(shù)據(jù)特征選擇

故障數(shù)據(jù)特征選擇是故障數(shù)據(jù)處理的關(guān)鍵技術(shù)，與故障診斷的準(zhǔn)確性、快速性密切相關(guān)。采集到的故障樣本信息通常具有數(shù)量多、故障特征維數(shù)高的特點(diǎn)。為提高數(shù)據(jù)實(shí)時性，降低冗余信息的影響，需要對這些信息進(jìn)行選擇、轉(zhuǎn)換，通過有效的特征提取得到最優(yōu)的樣本特征。故障特征選擇流程如圖2所示。

圖2 故障特征選擇流程

在液壓系統(tǒng)故障診斷的研究中，最具代表性的特征提取方法有小波包分解、經(jīng)驗?zāi)B(tài)分析、主元分析等。

2.1.1 基于小波包分解的特征選擇

在故障診斷中，可以通過故障信號中變化的能量來識別故障。小波包分解是一種通過多次迭代的小波變換對輸入信號的細(xì)節(jié)部分逐步展開分析的方法，可以根據(jù)高頻調(diào)制特性，對信號進(jìn)行小波包變換和包絡(luò)解調(diào)，從而提取故障特征。

小波包特征提取步驟如圖3所示。

圖3 小波包分解特征提取步驟

田海雷等針對液壓泵壓力信號呈現(xiàn)的非線性、非平穩(wěn)的特性，利用小波包對采集到的壓力信號進(jìn)行分解，將得到的分量重構(gòu)后，通過模型進(jìn)行故障預(yù)測。孫健等人在此基礎(chǔ)上對小波分解進(jìn)行改進(jìn)，提出一種基于加權(quán)形態(tài)的非抽樣小波分解方法，該方法利用特征能量因子表征各分解層近似信號對故障特征的貢獻(xiàn)量，對信號進(jìn)行加權(quán)融合，提高了有用信息比重，更便于特征的提取。

小波包分解因時頻局部化能力、多分辨率的特點(diǎn)，適合處理非線性、非平穩(wěn)信號，但小波包分解得到的結(jié)果只與信號的采樣頻率有關(guān)，而與信號本身無關(guān)，所以自適應(yīng)性較差。

2.1.2 基于經(jīng)驗?zāi)B(tài)分析的特征選擇

相比于小波包分解，經(jīng)驗?zāi)B(tài)分解(Empirical Mode Decomposition，EMD)是一種自適應(yīng)的信號分解方法，具有很高的信噪比。EMD將復(fù)雜信號分解成簡單的固有模態(tài)函數(shù)(IMF)，因分解出的IMF所包含的頻率成分不僅與采樣頻率有關(guān)，而且隨著信號的變化而變化，所以對它進(jìn)行分析可以更準(zhǔn)確有效地把握原數(shù)據(jù)的特征信息。EMD特征提取步驟如圖4所示。

圖4 EMD特征提取步驟

劉志強(qiáng)等針對液壓泵早期故障診斷時信號微弱的問題，采用改進(jìn)EMD的集總經(jīng)驗?zāi)B(tài)分解來分解故障原始信號，再提取故障特征，提高了故障診斷的準(zhǔn)確性。杜振東等從另一個角度出發(fā)，將EMD方法與敏感度分析(SA)相結(jié)合，通過敏感度分析找出敏感度較高的特征參數(shù)，對原始故障信號進(jìn)行經(jīng)驗?zāi)B(tài)分解，構(gòu)造新的故障信號，以此來提取特征，進(jìn)一步提高泵的故障診斷準(zhǔn)確性。

經(jīng)驗?zāi)B(tài)分解已經(jīng)在時頻域信號分析廣泛應(yīng)用，但因缺乏完備的理論推導(dǎo)基礎(chǔ)，且具有模態(tài)混疊、受噪聲影響較大等缺陷，在故障數(shù)據(jù)不完備的情況下，會使故障診斷結(jié)果的可信度受到影響。

2.1.3 基于主元分析的特征選擇

主元分析(Principal Component Analysis，PCA)基于原始特征參數(shù)，通過線性變換構(gòu)造一組新的不相關(guān)的廣義變量，再從新變量中提取主分量，以降低數(shù)據(jù)維數(shù)。PCA的實(shí)質(zhì)是對數(shù)據(jù)樣本矩陣的協(xié)方差矩陣進(jìn)行奇異值分解的過程。

構(gòu)造采集樣本的矩陣× ，其中：為變量數(shù)，為樣本數(shù)；再通過求解的均值和標(biāo)準(zhǔn)差，對進(jìn)行標(biāo)準(zhǔn)化;最后，求的協(xié)方差矩陣：

=/(-1)

(2)

以前個主元的累計方差貢獻(xiàn)率()確定主元個數(shù)，通常前個主元的貢獻(xiàn)率在85%以上，保證在降維的同時盡可能保證信息完整。()的表達(dá)式為

(3)

最后,將降維后得到的前個主元組成的向量作為后續(xù)的輸入樣本。

柴凱等人為解決液壓故障中特征提取難的問題，利用PCA將高維初始特征向量轉(zhuǎn)化為低維獨(dú)立的主特征向量，提高了診斷速度及準(zhǔn)確率。在礦井提升機(jī)液壓系統(tǒng)故障診斷中，CHANG等應(yīng)用PCA對特征參數(shù)進(jìn)行降維去躁；郝用興等則通過引入權(quán)值向量來改進(jìn)傳統(tǒng)主元分析法，建立了變量加權(quán)主元分析模型，進(jìn)一步提高診斷的快速性和準(zhǔn)確性。

研究表明，將PCA用于高維初始特征向量的特征提取，效果較好。PCA通過降維、二次提取特征，將特征數(shù)據(jù)進(jìn)行降維去噪，在保持原始故障信息特征的同時，減小了變量間的過相關(guān)，使診斷模型結(jié)構(gòu)得以簡化，提高了診斷效率。

2.2 機(jī)器學(xué)習(xí)

機(jī)器學(xué)習(xí)是故障數(shù)據(jù)分析的關(guān)鍵技術(shù)，將機(jī)器學(xué)習(xí)用于故障診斷，主要是通過機(jī)器學(xué)習(xí)算法自動學(xué)習(xí)故障樣本的數(shù)據(jù)結(jié)構(gòu)和內(nèi)在規(guī)律，求得診斷模型，以對新的故障進(jìn)行識別、診斷。機(jī)器學(xué)習(xí)因具有高效的數(shù)據(jù)分析能力、自學(xué)習(xí)能力，在液壓系統(tǒng)故障診斷領(lǐng)域得到了廣泛重視，研究較多，但同時也由于其瓶頸問題的制約，對于不確定的、隨機(jī)性強(qiáng)以及知識信息不完備的診斷對象，其智能性仍然較低。

機(jī)器學(xué)習(xí)的故障診斷流程如圖5所示。

圖5 機(jī)器學(xué)習(xí)的故障診斷流程

在液壓故障數(shù)據(jù)分析中，機(jī)器學(xué)習(xí)用到的算法主要有神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、深度學(xué)習(xí)等。為克服一些固有的不足，將算法與其他的數(shù)據(jù)處理算法、技術(shù)相結(jié)合進(jìn)行改進(jìn)，產(chǎn)生了形式多樣的數(shù)據(jù)分析方法。

2.2.1 神經(jīng)網(wǎng)絡(luò)

在基于神經(jīng)網(wǎng)絡(luò)的液壓故障診斷中，多應(yīng)用BP神經(jīng)網(wǎng)絡(luò)、概率神經(jīng)網(wǎng)絡(luò)、徑向基神經(jīng)網(wǎng)絡(luò)。

(1)BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)能夠以任意精度實(shí)現(xiàn)輸入?yún)?shù)到目標(biāo)輸出參數(shù)的非線性映射，它使用最速下降法，通過反向傳播不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使網(wǎng)絡(luò)的誤差最小。

其網(wǎng)絡(luò)結(jié)構(gòu)如圖6所示。

圖6 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

郝用興等針對盾構(gòu)機(jī)推進(jìn)液壓系統(tǒng)結(jié)構(gòu)復(fù)雜與高度非線性難以建立準(zhǔn)確數(shù)學(xué)模型的問題，提出一種基于差分進(jìn)化算法和BP神經(jīng)網(wǎng)絡(luò)融合的模型。為克服BP 神經(jīng)網(wǎng)絡(luò)收斂速度慢、易于陷入局部極小點(diǎn)的問題，宋濤等人以液壓柱塞泵為例，提出一種蟻群算法改進(jìn) BP 神經(jīng)網(wǎng)絡(luò)的故障診斷方法，通過蟻群算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，使網(wǎng)絡(luò)具有全局兼局部尋優(yōu)能力。當(dāng)網(wǎng)絡(luò)足夠大、分類足夠多時，BP神經(jīng)網(wǎng)絡(luò)算法的收斂速度變慢、精度變低。劉小平等提出了一種基于BP神經(jīng)網(wǎng)絡(luò)算法的故障診斷模型，采用分塊思想，對不同的液壓執(zhí)行系統(tǒng)采用不同模塊建立獨(dú)立的BP網(wǎng)絡(luò)模型。該方法在提高神經(jīng)網(wǎng)絡(luò)訓(xùn)練收斂速度的同時兼顧了故障診斷的準(zhǔn)確度，有較大的實(shí)用價值和工程意義。

(2)概率神經(jīng)網(wǎng)絡(luò)

概率神經(jīng)網(wǎng)絡(luò)(Probabilistic Neural Network，PNN)有速度快、結(jié)構(gòu)簡單、不會陷入局部最優(yōu)等優(yōu)點(diǎn)。與BP神經(jīng)網(wǎng)絡(luò)不同，PNN的網(wǎng)絡(luò)結(jié)構(gòu)增加了求和層，如圖7所示。

圖7 PNN結(jié)構(gòu)

程越和左桂蘭將PNN網(wǎng)絡(luò)用于CVT液壓系統(tǒng)的故障診斷，構(gòu)建了診斷系統(tǒng)，對故障模式進(jìn)行了識別。考慮到不同故障模式下的不同故障程度，杜振東等在液壓泵的故障診斷中，提出了將敏感度分析與PNN相結(jié)合的方法。對各種狀態(tài)下的振動信號提取特征參數(shù)后進(jìn)行敏感度分析，將敏感度高的參數(shù)以向量的形式輸入PNN進(jìn)行訓(xùn)練和測試，以提高診斷的正確率。

(3)徑向基神經(jīng)網(wǎng)絡(luò)

徑向基(Radical Basis Function，RBF)神經(jīng)網(wǎng)絡(luò)是一種基于核函數(shù)的前饋式神經(jīng)網(wǎng)絡(luò)，利用隱藏層空間對低維的輸入矢量進(jìn)行投影，將數(shù)據(jù)變換到高維空間中，以使原來線性不可分的問題能夠變得線性可分。該網(wǎng)絡(luò)收斂速度快、非線性映射能力好，在液壓故障診斷中有很大優(yōu)勢。

王武在液壓系統(tǒng)泄漏故障診斷時，通過小波包分解進(jìn)行特征提取，之后將獲取的能量信號作為RBF神經(jīng)網(wǎng)絡(luò)的輸入，通過網(wǎng)絡(luò)訓(xùn)練，進(jìn)行故障識別。為改善診斷結(jié)果，沈美杰等通過小波包分解對信號進(jìn)行降噪處理后，再采用粒子群算法對RBF神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)中心、寬度和閾值進(jìn)行優(yōu)化，使診斷精度得以進(jìn)一步提高。

神經(jīng)網(wǎng)絡(luò)在故障診斷、故障模式的識別中使用非常多，但因存在學(xué)習(xí)速度較慢、要求完備的訓(xùn)練集以及可解釋差等缺點(diǎn)，使它在故障訓(xùn)練樣本不完備時不能很好地發(fā)揮優(yōu)勢。此外，在面對一個新的領(lǐng)域或者新增模式故障較多時需要重新設(shè)計其網(wǎng)絡(luò)結(jié)構(gòu)甚至無法使用，這些都導(dǎo)致神經(jīng)網(wǎng)絡(luò)在液壓故障診斷的應(yīng)用深度上受到一定限制。

2.2.2 支持向量機(jī)

支持向量機(jī)(Support Vector Machine，SVM)是液壓故障診斷中應(yīng)用較多的一種機(jī)器學(xué)習(xí)算法。SVM主要是在尋找一個滿足分類要求的最優(yōu)分類超平面，該平面不僅能將兩類故障訓(xùn)練樣本正確分開，而且使分類間隔最大。

在診斷應(yīng)用中，針對液壓故障特征信號微弱、特征向量提取困難的問題，張華等人通過計算不同狀態(tài)下特征信號的信息熵，確定相應(yīng)的信息熵特征向量，建立不同狀態(tài)下的液壓特征向量訓(xùn)練參數(shù)，以對特征參數(shù)降維，解除特征間相關(guān)性，采用SVM對故障模式進(jìn)行診斷與識別。ZHANG等改進(jìn)傳統(tǒng)SVM，形成一種基于EEMD和SVM的方法，有效解決了低維訓(xùn)練樣本少的液壓沖擊信號診斷問題，提高了SVM的學(xué)習(xí)效率。上述文獻(xiàn)中的SVM 對樣本處理時采用的都是單核映射方法，用這種方法訓(xùn)練后的參數(shù)敏感性對樣本的影響仍然較大，導(dǎo)致SVM魯棒性較差。對此，劉志強(qiáng)等提出一種多核學(xué)習(xí)支持向量機(jī)的液壓故障識別方法，將多個核函數(shù)進(jìn)行凸組合，更有利于樣本數(shù)據(jù)特征的表達(dá)，有效地提高了分類的準(zhǔn)確率。此外，RAPUR和TIWARI在SVM基礎(chǔ)上提出一種基于多類支持向量機(jī)(MSVM)的故障識別方法，在用連續(xù)小波變換分析法提取特征后，使用MSVM對復(fù)雜的組合故障進(jìn)行診斷識別。

在故障診斷中，支持向量機(jī)較適用于樣本小、非線性和高維數(shù)據(jù)，較好地解決了“維數(shù)災(zāi)難”和“過學(xué)習(xí)”的不足。但是，當(dāng)故障數(shù)據(jù)規(guī)模較大時，會出現(xiàn)訓(xùn)練速度慢、算法復(fù)雜、效率低下等問題。

2.2.3 深度學(xué)習(xí)

深度學(xué)習(xí)是機(jī)器學(xué)習(xí)方面的一個熱點(diǎn)。近年來，基于深度學(xué)習(xí)理論的人工智能方法得到了廣泛的關(guān)注，也已經(jīng)有研究者將這些方法應(yīng)用于液壓系統(tǒng)的故障診斷。深度學(xué)習(xí)通過其特有的層次結(jié)構(gòu)和能夠從低等級特征中提取高等級特征的優(yōu)勢，很好地解決了機(jī)器淺層學(xué)習(xí)對特征表達(dá)能力不足和特征維度過多導(dǎo)致的維數(shù)災(zāi)難等問題，給人工智能帶來了新的希望。

在液壓故障診斷方面用到的深度學(xué)習(xí)模型主要有卷積神經(jīng)網(wǎng)絡(luò)和堆棧自編碼器模型，相關(guān)研究較少。

卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks，CNN)是一種特殊的深度前饋神經(jīng)網(wǎng)絡(luò)，可以通過深層網(wǎng)絡(luò)處理更復(fù)雜的故障分類問題。吉珊珊等提出一種基于卷積神經(jīng)網(wǎng)絡(luò)的方法來檢測液壓缸是否內(nèi)泄漏，解決了內(nèi)泄漏不可見、難發(fā)現(xiàn)的問題，而且不需要建模，克服了泄漏模型難以精確建立的缺陷。

堆棧稀疏自編碼網(wǎng)絡(luò)(Stacked Auto-Encoder,SAE)是由多層自編碼器堆疊構(gòu)成的深度神經(jīng)網(wǎng)絡(luò)，能夠通過神經(jīng)網(wǎng)絡(luò)的隱含層來提取高維特征，降低特征維度。姜保軍等為提高液壓蓄能裝置故障診斷率，提出了一種基于堆棧稀疏自編碼器的深度學(xué)習(xí)算法。

深度神經(jīng)網(wǎng)絡(luò)通過層數(shù)的增加，使診斷模型的學(xué)習(xí)能力、診斷準(zhǔn)確率得以提高。但是，其不足也很明顯，因缺乏理論基礎(chǔ)導(dǎo)致可解釋性差、參數(shù)確定比較困難，層數(shù)過多也使得計算量變大、運(yùn)算變慢。

此外，如決策樹、極限學(xué)習(xí)機(jī)等算法在液壓系統(tǒng)故障診斷中也有應(yīng)用，但相對較少，文中不作贅述。

機(jī)器學(xué)習(xí)方面，液壓故障診斷中神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)用得較多，主要是這兩種方法在對數(shù)據(jù)樣本數(shù)量的要求及故障診斷的精確度上有一定優(yōu)勢，相對比較成熟，但因存在樣本量小或者參數(shù)確定難等問題，使這兩種方法在研究中有一定的局限性。而基于深度學(xué)習(xí)的方法雖然能夠通過高維感數(shù)據(jù)的學(xué)習(xí)來解決復(fù)雜的故障問題，但是模型的復(fù)雜度和參數(shù)選擇的不確定性問題，導(dǎo)致故障診斷模型不易建立。針對這些算法的不足，在改善算法本身的同時，可以考慮從數(shù)據(jù)處理的角度進(jìn)行改善，如針對不同系統(tǒng)的故障數(shù)據(jù)特點(diǎn)，使用一些合適的算法，提高數(shù)據(jù)對特征的表達(dá)能力，優(yōu)化相應(yīng)的特征參數(shù)等，以期能簡化診斷模型的結(jié)構(gòu)，進(jìn)而減少數(shù)據(jù)量，降低運(yùn)算量，從數(shù)據(jù)方面出發(fā)，間接地提高診斷的效率。

2.3 數(shù)據(jù)可視化

數(shù)據(jù)可視化是數(shù)據(jù)分析及數(shù)據(jù)解釋的關(guān)鍵技術(shù)。它利用圖像學(xué)基本算法和可視化算法把海量的數(shù)據(jù)轉(zhuǎn)換為圖像或圖形展示出來，使數(shù)據(jù)中隱含的不可見數(shù)據(jù)成為可見，以使人們更好地分析、理解數(shù)據(jù)。故障診斷可視化流程如圖8所示。

圖8 故障診斷可視化流程

何慶飛等根據(jù)工程機(jī)械液壓系統(tǒng)故障特點(diǎn)，將故障定位流程圖作為專家系統(tǒng)診斷知識的表示方式，通過研究圖形化的知識庫生成構(gòu)建了診斷知識數(shù)據(jù)庫，開發(fā)了基于流程圖知識表示的故障診斷專家系統(tǒng)，提高了故障查找的效率。JAMES等通過建立系統(tǒng)有向圖模型來構(gòu)造系統(tǒng)結(jié)構(gòu)，再生成故障樹圖以進(jìn)行故障診斷，避免了傳統(tǒng)樹圖中系統(tǒng)結(jié)構(gòu)隱含的不足。FANG等將計算機(jī)輔助診斷技術(shù)用于解決液壓系統(tǒng)的故障診斷問題，通過分析現(xiàn)有故障，提出了可視化動態(tài)診斷技術(shù)。以上研究都不同程度地拓寬了可視化在液壓故障診斷方面的應(yīng)用。

在數(shù)據(jù)可視化方面，液壓故障診斷的研究潛力較大，原因是國內(nèi)外對這方面的研究不足，但其應(yīng)用需求較大。在未來的研究中，可以考慮將一些比較成熟的技術(shù)應(yīng)用于此，如基于模型的定義(MBD)以及混合現(xiàn)實(shí)(MR)等。這些技術(shù)在制造、裝配等領(lǐng)域應(yīng)用較多，但應(yīng)用于液壓故障診斷的研究較少。國內(nèi)已經(jīng)有研究團(tuán)隊對MR在故障診斷的應(yīng)用進(jìn)行了探索，如虛擬維修等。

3 未來研究展望

分析近年來一些具有代表性和創(chuàng)新性的文獻(xiàn)發(fā)現(xiàn)，基于大數(shù)據(jù)分析的液壓故障診斷研究比較多，很多研究成果都已轉(zhuǎn)化為實(shí)際應(yīng)用，其中在工程機(jī)械、武器裝備和農(nóng)林等領(lǐng)域中應(yīng)用最廣泛，尤其是工程機(jī)械。在具體研究上，大多學(xué)者是從液壓系統(tǒng)的某個機(jī)件、系統(tǒng)的密封、磨損等故障問題著手，通過對特征選擇方法的合理應(yīng)用和創(chuàng)新提高故障數(shù)據(jù)質(zhì)量，利用智能算法建立故障診斷模型和故障診斷系統(tǒng)，通過對算法的改進(jìn)和技術(shù)融合提高故障識別率及故障診斷精確度，并與其他方法進(jìn)行對比來驗證其可行性。

雖然基于大數(shù)據(jù)分析的液壓故障診斷研究及應(yīng)用成果較多，但是仍然存在一些問題值得進(jìn)一步深入探討、展望。

(1)基于“技術(shù)協(xié)同”思路的數(shù)據(jù)獲取方法

現(xiàn)代液壓系統(tǒng)由于隱蔽性強(qiáng)、耦合度高等特點(diǎn)，導(dǎo)致部分信息采集困難，采集到的數(shù)據(jù)存在多源異構(gòu)、維度和冗余度高的問題，給數(shù)據(jù)處理造成一定困難，嚴(yán)重制約故障診斷模型的數(shù)據(jù)分析能力。針對采集難的問題，可以考慮引入智能傳感器結(jié)合智能液壓元件進(jìn)行解決。對于多源異構(gòu)的問題，得益于互聯(lián)網(wǎng)技術(shù)的發(fā)展，可以考慮采用技術(shù)協(xié)同的思路，利用網(wǎng)絡(luò)通過異地協(xié)同操作來實(shí)現(xiàn)數(shù)據(jù)的交互、共享；針對數(shù)據(jù)的高維度、高冗余度，可以通過在數(shù)據(jù)預(yù)處理端選擇適合的特征提取算法進(jìn)行數(shù)據(jù)處理，以縮減數(shù)據(jù)量和提取高價值數(shù)據(jù)。

(2)基于“技術(shù)融合”思路的算法改進(jìn)方法

由前邊關(guān)鍵技術(shù)的分析可以得出，任何一種算法，不管是特征提取還是故障分類，都具有一定的針對性，在解決某一類問題時有一定的優(yōu)勢，但在液壓系統(tǒng)比較復(fù)雜、系統(tǒng)交聯(lián)度高時，單一的診斷技術(shù)通常難以取得滿意的診斷效果，往往在解決過程中還會引出新的難題。因此，將一些有效的算法進(jìn)行融合是液壓系統(tǒng)故障診斷的常用方法。在液壓系統(tǒng)的故障診斷中，將已有的算法適時地結(jié)合新的研究成果如Deep Q Networ(DQN)算法等進(jìn)行技術(shù)上的改進(jìn)、融合是值得關(guān)注的研究方向。

(3)基于“技術(shù)探索”思路的數(shù)據(jù)分析方法

探索一些新的方法，對當(dāng)前的研究熱點(diǎn)進(jìn)行深入研究。引入深度學(xué)習(xí)的一些其他方法，如深度置信網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)等進(jìn)行液壓故障診斷的探索研究；針對抽象故障信息數(shù)據(jù)比較多的情況，可以考慮用深度學(xué)習(xí)算法直接進(jìn)行特征提取，之后再針對數(shù)據(jù)的實(shí)際情況，如有無先驗知識、數(shù)據(jù)樣本是否完備、有無多源異構(gòu)的問題等選擇合適的故障診斷分類方法。針對數(shù)據(jù)樣本多或者故障模式多樣的情況，引入分布式的思想，采用多個診斷單元來并行處理不同類別的故障，在降低模型復(fù)雜度的同時可以有效利用不同算法的優(yōu)勢進(jìn)行針對性診斷，做到優(yōu)勢互補(bǔ)，在一定程度上可以提高故障診斷的精度。

(4)基于“技術(shù)借鑒”思路的數(shù)據(jù)解釋方法

借鑒新的技術(shù)進(jìn)行研究是實(shí)現(xiàn)功能突破、技術(shù)創(chuàng)新的重要途徑。知識圖譜是大數(shù)據(jù)研究的前沿問題，兼具知識抽取、知識表示、知識推理等關(guān)鍵技術(shù)，可以說是故障診斷的一個理想技術(shù)，既可以應(yīng)用在特征提取中，也可以在實(shí)現(xiàn)故障推理的同時對故障結(jié)果進(jìn)行可視化表達(dá)。目前，應(yīng)用知識圖譜進(jìn)行診斷在醫(yī)學(xué)方面已有研究，但在液壓故障診斷中還未曾提及。

液壓裝備多年的使用維護(hù)積累了大量的數(shù)據(jù)，這些數(shù)據(jù)多源、高噪聲、實(shí)時性強(qiáng)，但其中包含大量有價值的信息，值得深入挖掘分析。

4 結(jié)論

本文作者結(jié)合大數(shù)據(jù)分析技術(shù)，針對液壓領(lǐng)域的故障診斷，圍繞近幾年故障診斷的研究現(xiàn)狀，歸納總結(jié)了基于大數(shù)據(jù)分析的液壓故障診斷原理；重點(diǎn)討論了診斷的關(guān)鍵技術(shù)，闡述了這些技術(shù)的優(yōu)勢與不足；對液壓系統(tǒng)故障診斷方法進(jìn)一步的研究思路進(jìn)行了展望，以為后續(xù)的研究提供參考。