《基于深度学习理论的发动机气门机构故障识别》由会员分享，可在线阅读，更多相关《基于深度学习理论的发动机气门机构故障识别（9页珍藏版）》请在金锄头文库上搜索。
1、基于深度学习理论的发动机气门机构故障识别 周亦人 邱小林 郭志强 南昌理工学院 摘 要： 为了正确诊断和识别发动机气门机构故障, 提出一种基于经验模态分解和堆栈式稀疏自编码器深度学习模型的发动机气门机构故障识别算法。以发动机缸盖振动信号为信号源, 对振动信号做经验模态分解, 提取各个本征模态分量的时域和频域特征构成故障特征向量集, 作为故障识别的样本变量。通过稀疏自编码非监督学习网络对输入向量进行特征学习, 并将单层网络堆栈成深度网络, 最后采用少量有标签数据对整个深度学习模型进行微调训练, 建立气门机构故障识别模型。试验结果表明, EMD-SSAE 混合深度学习模型能够有效的识别气门机构的故
2、障状态, 并且比 EMD-SVM 和 EMD-BPNN 模型获得更高的识别准确率。关键词： 深度学习; 堆栈式稀疏自编码器; EMD; 发动机气门机构; 故障识别; 作者简介：周亦人 (1958-) , 男, 江西宜春人, 高级工程师, 学士, 研究方向为嵌入式系统、计算机网络、工业电气化与自动化。收稿日期：2017-08-05Fault diagnosis of engine valve mechanism based on deep learningZHOU Yi-ren QIU Xiao-lin GUO Zhi-qiang Received： 2017-08-050 引言发动机是各类机械
3、系统中故障率最高的设备之一, 正确诊断和识别发动机故障并采取相应措施及时排除故障是关乎各类机械设备安全运行的大事。其中发动机的气门机构是发动机故障频发的运动部件, 直接影响发动机的正常运行。气门在工作过程中经常受到机械冲击、热冲击和高速气流的冲击, 易造成气门间隙异常、气阀漏气等故障1。发动机缸盖振动信号中包含着丰富的发动机内部零部件的工作状态信息, 利用缸盖振动信号诊断发动机气门机构故障是一种有效的方法2。在了解发动机的工作原理, 振动激振源和传播机理的基础上, 获取发动机缸盖表面的振动信号。气门机构的典型故障类型有气门漏气、气门间隙过小、气门间隙过大, 对这些故障的实时监测和诊断可通过振动
4、信号中的一些时域及频域特征来实现, 并将这些特征作为判断气门机构故障的判别指标, 但是, 这些判别指标之间信息界限不明显, 存在着模糊叠加现象, 这会导致故障类型的误判。随着设备结构不断复杂化和故障诊断技术的发展, 一些传统的单一信号分析技术已日益不能满足要求3。深度学习4, 由 HITON 在 2006 年提出, 是一个不同于其他机器学习算法的训练机制, 是机器学习领域划时代意义的突破。类似于人脑的多层学习机制, 深度整体上是一个逐层的训练机制, 首先学习到低层次的特征, 然后从低层次的特征中进一步学习到更高一层的特征表示5。这样经过逐层学习, 就可以自适应的根据输入数据本身的数据结构与特点
5、来提取隐含在输入数据中更本质更深层的特征, 利用这些特征, 该模型可以有效区分不同类型的信号, 有非常强大的表达能力和泛化能力。深度学习算法已在语音识别, 文本语义分类, 图像分类等领域中获得了成功应用6, 然而对适用于机械早期故障识别领域的深度学习算法的研究还非常少。因此本文在深度学习理论的基础上提出了基于 EMD-SSAE 的气门机构故障识别算法, 算法流程如图 1 所示。获取发动机气门机构不同故障状态下的缸盖振动信号作为模型的训练集, 用 EMD 对振动信号进行分解, 选择几个最能反映原信号特征的 IMF 分量, 提取各 IMF 分量的时域和频域指标构成特征向量, 利用堆栈式稀疏自编码器
6、对特征向量进行进一步的特征学习和分类, 来实现精准的气门机构故障识别。用提出的算法与 EMD-SVM 和 EMD-BPNN 进行了实验对比, 结果表明本文提出的算法故障识别率最高, 性能稳定, 具有极高的应用价值。1 原始信号处理发动机缸盖的振动信号中包含了内部零件的工作状态信息, 其不同频率段的信号特征对应着不同种类的故障信息, 当发动机某部位发生故障时, 相应频带内信号特征会发生变化。首先对缸盖振动信号进行 EMD 分解, 分解出从高到低各频段的本征模态分量, 各 IMF 分量随着信号本身的变化而变化, 具有自适应性。然后提取各个 IMF 分量时域和频域特征, 构造故障特征向量。图 1 算
7、法流程图 下载原图1.1 经验模态分解经验模态分解是一种适用于处理非线性非平稳信号的方法, 它可以根据信号本身结构的组成成分和特点, 经过循环的分解计算, 把信号分解为一系列具有不同时间尺度的分量, 此分量称为本征模态函数7。本征模态函数的特点是:其极值点和过零点数目相等, 或最多只差一个, 或者连接其局部极大值与极小值所形成的上下两条包络线的均值在任意一点处为零或近似为零。设 s (t) 为采集到的缸盖振动信号, 对输入信号 s (t) 进行经验模态分解的步骤如下:1) 初始化2) 求 x (t) 的所有极大值点和极小值点。3) 分别构造 s (t) 的上包络线 Lk (t) 和下包络线 D
8、k (t) , 并求出上下包络线的均值函数 。程序计算中, 为了提高计算效率, 判断前后两次求得的 hk (t) 和 hk-1 (t) 的标准差 sd 是否满足 0.2sd0.3, 作为本征模态函数的判据。5) 定义 r i (t=) x (t) -ci (t) 。7) ri (t) 为原始信号 EMD 分解后的残余项。原始信号 s (t) 经过 EMD 分解后, 可以重构为:式中 ci (t) 代表本征模态函数分量;r n (t) 称为残余函数, 代表信号的平均趋势。1.2 构建特征向量由于缸盖振动信号中包含大量的噪声和随机干扰信号的频率成分, 所以经过EMD 分解后会得到多个 IMF 分量
9、, 为了既能保证故障识别的实时性, 又能防止模型产生过拟合, 选择其中几个最能反映故障特性的 IMF 分量来提取特征信息。当发动机内部某个零部件发生故障时, 相应激振力的振动响应信号的能量将发生变化, 不同的激振力对应着不同的频带, 所以选择 IMF 分量的能量分布做归一化处理后作为特征向量。通过对缸盖振动信号的时域分析得知, 峭度、峰度和方差对故障状态的变化比较敏感, 也可以作为特征向量。按照如下步骤提取缸盖振动信号的特征向量:1) 发动机缸盖实时振动信号进行 EMD 分解, 选取包含主要故障信息的 n 个 IMF分量。2) 分别计算前 n 个 IMF 分量的能量。式中, E i为第 i 个
10、 IMF 分量 ci的能量;dt 为采样间隔;N 为分析点数。3) 计算前 n 个 IMF 分量的总能量, 并归一化处理, 归一化公式为:4) 计算前 n 个 IMF 分量的峰度、峭度和方差。5) 利用前 n 个 IMF 分量的归一化能量、峰度、峭度和方差构建特征向量。T、P、K、S 分别表示 IMF 分量的归一化能量、峰度、峭度和方差。2 深度学习理论2.1 自编码器自编码器是一个具有对称结构的三层神经网络, 如图 2 所示, 包括输入层, 隐含层和输出层。图 2 自编码器结构 下载原图自动编码器是一种无监督特征学习算法, 分为编码器和解码器两部分, 其目标函数为输入。输入向量 x 通过非线
11、性激活函数 f (z) 映射到隐含层激活函数值h (x) , 这个过程为编码过程, 可用式 (5) 描述。为编码器的参数集, W 是连接输入层与隐含层的权重矩阵, b 1为偏置单元。激活函数通常为 sigmoid 或 tanh。隐含层的特征描述 h (x) 通过非线性激活函数 g (z) 映射为输入空间的重构向量 , 这个过程为解码重构过程12, 可用式 (6) 描述。为编码器的参数集, 是隐含层与输出层的权重矩阵设为编码器权重矩阵的转置 WT, b2为偏置单元。激活函数根据具体情况可选 sigmoid、tanh或线性函数。x 与 之间的重构误差用式 (7) 所示的总体代价函数计算, 通过反向
12、误差传播算法调整参数集使重构误差达到最小。当重构误差达到最小时, 说明隐含单元保留了输入中的大部分信息, 即编码器学习到了输入数据中隐含的压缩或扩展特征。式中:m 为训练样本的数量, 第二项为用于防止过拟合的 l2范数权重衰减项, 为权重衰减系数, s l为第 l 层的的神经单元个数。2.2 稀疏自编码器仅仅使 逼近 x 并没有实际的学习意义, 为了学习到输入数据中更多的有用特征, 应该防止自编码器学习到一个恒等函数。当自编码器的隐含层神经元的个数小于输入层神经元的个数时, 即为欠完备自编码器时, 学习欠完备的表示可以使自编码器学习到训练数据的显著的压缩特征。然而当 h (x) 与x 的维度相
13、等或比 x 更大时, 需要为总体代价函数添加一个稀疏性惩罚项, 构成稀疏自编码器 (SAE) 来发现数据的结构特点, 防止隐含层“复制”输入。稀疏性限制使得隐含层神经元的平均激活度保持在一个较小的范围内。加入稀疏惩罚项后的总体代价函数额可以表示为:式中:s 2为隐含神经元的个数, jj为隐含神经元的平均激活度, j是稀疏性参数, 通常是一个接近于 0 的较小的值, a j为隐含神经元 j 的激活度。2.3 基于堆栈式稀疏自编码器的无监督预训练为了提取模型输入数据更深层更抽象的特征, 可 N 个 SAE 堆栈在一起组成一个具有 N 个隐含层的深度学习模型 SSAE。首先采用大量无标签训练样本分层
14、训练各层参数, 这一步可以看作是一个无监督预训练过程, 在这个过程中, 每一个已训练好的 SAE 的隐含层激活值作为下一层 SAE 的输入, 完成预训练后, 将输入层与每一个 SAE 结构的隐含层合并构成一个多层的深度学习模型。在非监督预训练阶段, 训练每一层参数的过程中, 会固定其它各层参数保持不变。因为每一层 SAE 训练得到的特征是稀疏的, 所以整个深层网络也是稀疏的。2.4 基于误差反向传播的监督微调当 SSAE 预训练好之后, 在其最后一层 SAE 的输出之后连接一个具有判别能力的softmax 分类器, 来实现故障分类识别的功能。为了进一步提高深度学习模型的分类性能, 在上述预训练
15、过程完成之后, 将 N 层 SAE 和最后的 softmax 分类器作为一个整体, 用少量带标签的样本数据, 通过随机梯度下降法来有监督地同时调整整个模型的参数, 调整过程如式 (11) 、式 (12) 所示, 这个优化过程称为“有监督微调”, 可提高模型的故障识别准确率和泛化能力。3 实验分析本实验在四冲程水冷直喷发动机上进行, 发动机型号为 SAA6D102E-2。实验装置如图 3 所示。第 1、2、5、6 缸分别为正常、气门漏气、气门间隙过大、气门间隙过小四类故障状态, 分别用 0、1、2、3 代表四种故障状态, 设置发动机的运转速度为 1500r/min, 同时采集四个缸缸盖的振动信号
16、, 采样频率为 40k Hz, 采样时间为 160s, 截取每两个工作循环的数据即 6400 个点为一个样本, 数据截取时的重复率为 50%, 每种故障状态下的样本集有 2000 个样本, 其中 1500个样本作为训练集, 剩下的 500 个样本作为测试集。每种故障状态下的训练数据样本中, 随机选取 1000 个无标签样本作为预训练阶段的样本数据, 500 个带标签的样本作为微调阶段的样本数据。如表 1 所示。图 3 实验装置 下载原图以气门间隙过小故障状态为例, 原始信号的时域波形如图 4 所示。对原始的缸盖振动信号进行 EMD 分解, 共分解出 6 个 IMF 分量, 分解结果如图 5 所示。选择前 5 个 IMF 分量分别提取归一化能量、峰度、峭度、方差, 按照 2.2 节的步骤构建故障特征向量。图 5 原始信号 EMD 分解结果 下载原图将上述故障特征向量进行标准化处理之后与相应的故障标签一起输入到基于SSAE 深度学习的故障识别模型中进行训练。故障
