姚存治,張明真,張尚然,王冠群

(1.鄭州鐵路職業(yè)技術(shù)學(xué)院 人工智能學(xué)院,河南 鄭州 451460;2.河北石油職業(yè)技術(shù)大學(xué),河北 承德 067000)

0 引 言

航空發(fā)動機(jī)液壓管路系統(tǒng)是航空發(fā)動機(jī)附件裝置的重要組成部分。在其服役過程中,由于疲勞、過載、碰撞等原因,容易造成其液壓管路的損傷[1]。

長期以來,由振動引起的航空發(fā)動機(jī)外部管路系統(tǒng)失效一直是影響發(fā)動機(jī)可靠性的重要問題之一[2-4]。因此,開展航空液壓管路振動失效機(jī)理研究,準(zhǔn)確地發(fā)現(xiàn)其液壓管路的早期故障具有重大的意義。

深度學(xué)習(xí)具有很強(qiáng)的自學(xué)習(xí)能力和故障分類能力。它可以直接將采集到的原始振動信號輸入到模型之中,無需傳統(tǒng)算法的特征選擇和特征提取過程,因而被廣泛應(yīng)用于各個領(lǐng)域中[5-7]。作為第一個提出的深度學(xué)習(xí)訓(xùn)練算法,不管在應(yīng)用還是算法的改進(jìn)方面,研究人員都對深度信念網(wǎng)絡(luò)進(jìn)行了廣泛的研究。它是目前得到研究和應(yīng)用都比較廣泛的一種深度學(xué)習(xí)結(jié)構(gòu)[8]。

盛肖煒等人[9]提出了一種基于參數(shù)優(yōu)化的變分模態(tài)分解(variational modal decomposition, VMD)和改進(jìn)的深度信念網(wǎng)絡(luò)的故障診斷方法。譚小鈺等人[10]提出了一種基于深度信念網(wǎng)絡(luò)和模糊模型的時變權(quán)重組合式預(yù)測模型,并采用該模型對光伏發(fā)電的功率進(jìn)行了超短期預(yù)測。然而,上述研究主要是針對旋轉(zhuǎn)機(jī)械進(jìn)行故障診斷和預(yù)測,目前尚未涉及到結(jié)構(gòu)復(fù)雜和噪聲強(qiáng)大的液壓管路故障的診斷方面。

航空液壓管路系統(tǒng)由于具有高度復(fù)雜性和精密性,導(dǎo)致其管路振動信號呈現(xiàn)非線性、非平穩(wěn)的特點(diǎn)。當(dāng)航空液壓管路發(fā)生故障時,其故障特征信號常常會被設(shè)備的工作頻率、噪聲等淹沒,因此,需要對其原始信號進(jìn)行降噪處理,以還原其實(shí)際的故障信號。目前常用的濾波方法有維納濾波器(Wiener filter,WF)[11],粒子濾波器(particle filter,PF)[12],卡爾曼濾波器(Kalman filter,KF)[13]。其中,卡爾曼濾波器可隨時算得新的參數(shù)濾波值,便于實(shí)時地處理觀測成果,因此,卡爾曼濾波被越來越多地應(yīng)用于動態(tài)數(shù)據(jù)處理中。但是傳統(tǒng)卡爾曼濾波器只適用于處理線性信號,對于非線性信號的處理結(jié)果并不理想。因此,擴(kuò)展卡爾曼濾波器(extended Kalman filter, EKF)[14]和無損卡爾曼濾波器(lossless Kalman filter, UKF)[15]應(yīng)運(yùn)而生。無損卡爾曼濾波器最適合于非線性信號的處理,但由于Sigma點(diǎn)集需滿足高斯分布,從而限制了無損卡爾曼濾波器的使用范圍。

因此,筆者在傳統(tǒng)卡爾曼濾波器的基礎(chǔ)上,利用最小二乘法修正構(gòu)造的Sigma點(diǎn),消除高斯分布對Sigma點(diǎn)影響,使其能夠適應(yīng)任意分布;針對管路振動信號信噪比低及非穩(wěn)定性強(qiáng)的特點(diǎn),筆者用非線性自適應(yīng)卡爾曼濾波器實(shí)現(xiàn)信號的自適應(yīng)噪聲濾除,然后將濾波后的信號作為輸入數(shù)據(jù),通過深度信念網(wǎng)絡(luò)學(xué)習(xí)深層特征;最后利用試驗(yàn)數(shù)據(jù)將該方法與其他故障診斷方法進(jìn)行對比與分析,完成液壓管路故障的智能分類識別。

1 非線性自適應(yīng)卡爾曼濾波器

在航空液壓管路振動數(shù)據(jù)中,除了有用信號外,還包含一些噪聲。想要對液壓管路的故障進(jìn)行準(zhǔn)確分類,首先需要對其振動數(shù)據(jù)進(jìn)行必要的預(yù)處理,以避免有用信號被噪聲干擾。

采用傳統(tǒng)卡爾曼濾波器(KF)能夠去除噪聲,還原真實(shí)的故障數(shù)據(jù),但其只適用于線性系統(tǒng),且其應(yīng)用對象須服從高斯分布的特點(diǎn)。因此,筆者在卡爾曼濾波器的基礎(chǔ)上對其進(jìn)行優(yōu)化,提出了一種適應(yīng)任意分布的非線性自適應(yīng)卡爾曼濾波器(NAKF)。

當(dāng)噪聲為未知噪聲,且噪聲隱含在觀測信號中時(叫做隱含噪聲),此時隱含噪聲形式如下:

(1)

對狀態(tài)變量進(jìn)行擴(kuò)展處理,可得到增廣狀態(tài)矩陣:

(2)

增廣狀態(tài)矩陣的均值和方差分別為:

(3)

式中:m—過程噪聲;l—觀測噪聲的維數(shù);k—第k時刻狀態(tài)下的狀態(tài)矩陣。

(4)

式中:N—增廣狀態(tài)矩陣的維數(shù)。

利用最小二乘法修正構(gòu)造的Sigma點(diǎn),可以消除高斯分布對Sigma點(diǎn)影響,使其能夠適應(yīng)任意分布。

最小二乘法的表達(dá)式如下:

(5)

對上式進(jìn)行化簡,可求得其最優(yōu)解為:

(6)

綜合上述公式描述,可得出非線性自適應(yīng)濾波器狀態(tài)預(yù)測和狀態(tài)更新的表達(dá)式分別為:

狀態(tài)預(yù)測：

(7)

狀態(tài)更新：

(8)

根據(jù)上述非線性自適應(yīng)卡爾曼濾波算法表達(dá)式可以看出,非線性自適應(yīng)卡爾曼濾波器具有以下特點(diǎn):

(1)非線性自適應(yīng)卡爾曼濾波器在時域上具有較好適應(yīng)性和遞歸運(yùn)算效果;

(2)該濾波通過估計誤差的方差和噪聲協(xié)方差控制卡爾曼增益的變化,進(jìn)而實(shí)現(xiàn)自適應(yīng)的最優(yōu)無偏估計;

(3)通過狀態(tài)預(yù)測和狀態(tài)更新交替迭代運(yùn)行,使得該濾波器形成一個連續(xù)的動態(tài)系統(tǒng),能夠?qū)Σ杉臅r域信號做到實(shí)時濾波。

筆者將非線性自適應(yīng)卡爾曼濾波器和原始卡爾曼濾波算法(filter of Kalman,FK)、擴(kuò)展卡爾曼濾波算法(extended filter of Kalman,EFK)以及無跡卡爾曼濾波算法(unscented filter of Kalman,UFK)等濾波算法應(yīng)用于仿真實(shí)例的信號降噪處理中,以進(jìn)一步驗(yàn)證它們之間的性質(zhì)差異。

筆者選取原始代表信號方程為式(2),信號中加有信噪比為-12 dB的噪聲,形成帶有噪聲的仿真信號:

S=sin(20πt)+sin(40πt)+sin(60πt)

(9)

信噪比(signal-noise ratio,SNR)是模擬結(jié)果分析常用比較的參考值,是指原始信號與無噪聲的純信號之比。信噪比越大,噪聲越小。

筆者利用NAFK、UFK、EFK和KF等4種濾波方法對信號進(jìn)行去噪處理,其結(jié)果如表1所示。

表1 4種濾波方法的對比結(jié)果

由表1可以看出,NAFK濾波后的信噪比為10.59,均大于其他算法的信噪比,說明NAFK算法可以獲得信號的真實(shí)值,在信號處理中比傳統(tǒng)的卡爾曼濾波效果更好。

原始信號和利用NAFK、UFK、EFK和KF等4種濾波方法處理后的時域波形圖如圖1所示。

圖1 原信號和濾波后信號對比圖

由表1可以看出,利用NAFK方法對噪聲進(jìn)行處理的效果最好,這是因?yàn)樵撍惴ǜ鶕?jù)非線性自適應(yīng)中的最小二乘法對sigma點(diǎn)進(jìn)行優(yōu)化,使其能夠適應(yīng)非線性、非平穩(wěn)的液壓管路振動信號。同時也可以表明,NAFK算法能夠更好地識別有用信號,并且在用于估計目標(biāo)的特征時能夠提高振動信號的信噪比。

2 深度信念網(wǎng)絡(luò)(DBN)

受限玻爾茲曼機(jī)(restricted Boltzmann machine,RBM)是一種神經(jīng)感知器。它由一個顯層和一個隱層構(gòu)成,兩層結(jié)構(gòu)中的神經(jīng)元均為二值單元,每個神經(jīng)元的值為0或者1,每一層的RBM都是通過對比散度(contrastive divergence, CD)算法實(shí)現(xiàn)快速訓(xùn)練。

受限玻爾茲曼機(jī)的結(jié)構(gòu)圖如圖2所示。

圖2 受限玻爾茲曼機(jī)結(jié)構(gòu)圖

v—顯層;h—隱層;w—顯層和隱層的連接權(quán)值;a—顯層的偏置向量;b—隱層的偏置向量

RBM的能量函數(shù)可以表示為:

(10)

其中,在一層RBM中,隱層神經(jīng)元被激活的概率為:

(11)

式中:σ—激活函數(shù)。

2.1 DBN結(jié)構(gòu)原理

DBN屬于深度學(xué)習(xí)的一種常用網(wǎng)絡(luò)結(jié)構(gòu)。由于它克服了淺層網(wǎng)絡(luò)的缺點(diǎn),能更準(zhǔn)確地發(fā)掘斜裂紋參數(shù)與其對應(yīng)的振動響應(yīng)之間的本質(zhì)規(guī)律,提高預(yù)測的精度,近年來己經(jīng)在許多領(lǐng)域得到了有效應(yīng)用。此處,筆者采用DBN算法替代傳統(tǒng)的淺層學(xué)習(xí)算法,并建立基于DBN的斜裂紋參數(shù)預(yù)測模型。

深度信念網(wǎng)絡(luò)的核心是由多層受限玻爾茲曼機(jī)和一層反向傳播神經(jīng)網(wǎng)絡(luò)組成,其中,受限玻爾茲曼機(jī)(RBM)的核心功能是做無監(jiān)督的學(xué)習(xí),通過遞推受限玻爾茲曼機(jī),能夠?qū)⑿畔⒌奶攸c(diǎn)反映到多種類的樣本空間中去;然后通過調(diào)用BP反向的傳導(dǎo)作有監(jiān)督的學(xué)習(xí),這樣會使RBM把已經(jīng)通過訓(xùn)練的特征因素設(shè)置為輸入端,使用參數(shù),經(jīng)過層層調(diào)整網(wǎng)絡(luò),最終將模型的預(yù)測得以實(shí)現(xiàn)。

DBN結(jié)構(gòu)原理圖如圖3所示。

圖3 DBN結(jié)構(gòu)原理圖

深度信念網(wǎng)絡(luò)由輸入層、隱含層和輸出層組成。在深度信念網(wǎng)絡(luò)模型構(gòu)建的時候,首先需要確定隱含層層數(shù)、各隱含層節(jié)點(diǎn)個數(shù)、批尺寸(batch size)、學(xué)習(xí)率以及動量。深度信念網(wǎng)絡(luò)的隱含層由若干個RBM堆疊組成,通過RBM逐層地對數(shù)據(jù)進(jìn)行特征提取,得到輸入數(shù)據(jù)抽象的高層特征,最后通過SoftMax將故障進(jìn)行分類。

如果深度神經(jīng)網(wǎng)絡(luò)層數(shù)及隱含層節(jié)點(diǎn)數(shù)過少時,相比于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò),該網(wǎng)絡(luò)對原始數(shù)據(jù)抽象特征提取和建模能力并無優(yōu)勢,而隱含層和節(jié)點(diǎn)數(shù)目過多的話學(xué)習(xí)效率又會下降,容易引發(fā)模型的過擬合;同時,模型的訓(xùn)練時間會顯著地增加。

目前還沒有相關(guān)理論可以確定最優(yōu)的網(wǎng)絡(luò)結(jié)構(gòu),需要結(jié)合實(shí)際的問題對深度信念網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行合理的構(gòu)造,筆者采用正交試驗(yàn),通過對模型進(jìn)行反復(fù)的訓(xùn)練來確定網(wǎng)絡(luò)的最佳參數(shù),使模型的預(yù)測性能達(dá)到最佳。

2.2 模型評價尺度

采用DBN方法進(jìn)行故障診斷時,和其他方法相比其主要區(qū)別在于:(1)DBN方法的故障特征提取和分類器是組合在一起的,具有一定的普適性(筆者采用DBN輸入的是原始數(shù)據(jù),不需要經(jīng)過復(fù)雜的信號處理運(yùn)算,不會受人為因素干擾,造成識別性能下降);(2)DBN方法是一種多層模型,相比較傳統(tǒng)的淺層診斷方法,可有效避免發(fā)生維數(shù)災(zāi)難和診斷能力不足等問題。

因此,為了能夠更好地評價分類器對不均衡樣本的分類能力,在準(zhǔn)確率的基礎(chǔ)上,筆者同時采用混淆矩陣和觀測者操作特性曲線(receiver operating characteristic,ROC)曲線進(jìn)行評價。ROC反映了真陽率與假陽率的關(guān)系,曲線下的面積(area under curve,AUC)給出了分類器的綜合性能,一個完美分類器的AUC為1.0,隨機(jī)猜測的AUC為0.5。所以,AUC的值越大,分類器的性能越好。

3 基于DBN的液壓管路故障診斷流程

基于不均衡樣本驅(qū)動的民航發(fā)動機(jī)故障診斷模型主要包括DBN特征提取模型與集成分類器兩部分,即先利用訓(xùn)練集對DBN與集成模型進(jìn)行訓(xùn)練,然后把訓(xùn)練好的故障診斷模型應(yīng)用到測試集進(jìn)行評估。

基于NAKF與DBN的液壓管路故障診斷流程,如圖4所示。

圖4 基于NAKF與DBN的液壓管路故障診斷流程

基于DBN的航發(fā)液壓管路故障診斷方法詳細(xì)步驟如下:

(1)收集故障樣本數(shù)據(jù),構(gòu)建故障樣本集;

(2)利用卡爾曼濾波器對振動信號進(jìn)行降噪處理;

(3)對降噪后的樣本進(jìn)行訓(xùn)練集與測試集的劃分;

(4)采用正交試驗(yàn)對DBN的參數(shù)進(jìn)行選取;

(5)利用訓(xùn)練好的DBN特征提取模型對測試集進(jìn)行故障診斷;

(6)統(tǒng)計模型故障診斷結(jié)果,選取相應(yīng)指標(biāo)進(jìn)行評估。

4 實(shí)驗(yàn)及結(jié)果分析

4.1 實(shí)驗(yàn)說明

筆者選取管徑為14 mm、壁厚為2 mm、長度為50 mm、材質(zhì)為304不銹鋼的航空液壓管路作為實(shí)驗(yàn)對象,其中,直管6種(無故障管1種、故障管5種)、90°彎管3種(無故障管1種、故障管2種),每種管路上選取3個測點(diǎn)(直管測點(diǎn)分別在管路的1/4、中點(diǎn)與3/4處,彎管測點(diǎn)分別在兩個彎點(diǎn)以及中點(diǎn)處)分別命名為K1、K2、K3。

液壓管路具體參數(shù)如表2所示。

表2 液壓管路的材料參數(shù)和幾何尺寸

為了對上述液壓管路進(jìn)行有效的故障診斷實(shí)驗(yàn),以得到更具有代表性的故障特征數(shù)據(jù),筆者首先對該管路進(jìn)行故障植入。筆者所選取的基本管路故障類型為:軸向裂紋、徑向裂紋以及凹坑。所有的裂紋故障均由激光線切割植入,裂紋長度均為10 mm,深度為1 mm。凹坑故障則由模擬管路碰撞得來,用重器對管路進(jìn)行敲擊從而植入凹坑故障。

具體的液壓管路故障情況如表3所示。

表3 管路故障情況

為了驗(yàn)證上述故障診斷方法的有效性,筆者針對航空發(fā)動機(jī)液壓管路進(jìn)行故障植入實(shí)驗(yàn),采集相關(guān)數(shù)據(jù),并對其進(jìn)行處理。

此處的液壓管路試驗(yàn)裝置主要由電動機(jī)、柱塞泵、變頻器、節(jié)流閥、油箱、管路系統(tǒng)和控制系統(tǒng)等組成。實(shí)驗(yàn)中,筆者使用3個加速度傳感器同步采集液壓管路的振動數(shù)據(jù),分別在測量管路兩端和管路中間3個位置的加速度。

液壓管路振動數(shù)據(jù)采集實(shí)測圖如圖5所示。

圖5 液壓管路振動數(shù)據(jù)采集實(shí)測圖

試驗(yàn)參數(shù)設(shè)置如表4所示。

表4 液壓直管材料參數(shù)與幾何尺寸

4.2 數(shù)據(jù)集創(chuàng)建與DBN參數(shù)設(shè)計

由于液壓管路的故障特征信息受管路復(fù)雜結(jié)構(gòu)和流固耦合振動特性等因素影響,導(dǎo)致其早期的故障表征不明顯,為避免故障信息遺漏,筆者將濾波后的振動信號以相等的窗口長度進(jìn)行劃分(每個樣本包含600個數(shù)據(jù)點(diǎn),每種故障400個樣本,即生成一個3 600×600維的數(shù)據(jù)樣本),并將數(shù)據(jù)集劃分為訓(xùn)練集與測試集(訓(xùn)練樣本數(shù)量和預(yù)測樣本數(shù)量的比例為8∶2)。

已有的研究發(fā)現(xiàn),對DBN分類能力影響較大的參數(shù)主要由:隱藏層數(shù)(l)、隱藏層單元數(shù)(e)、批尺寸(batch size)、學(xué)習(xí)率(alpha)和動量(momentum)。利用正交試驗(yàn)方法設(shè)計DBN參數(shù)能夠找出診斷結(jié)果的主要影響因素,并且效率較高,各個參數(shù)的取值參考李海平等人在相關(guān)文獻(xiàn)中的設(shè)定,正交試驗(yàn)的因素與水平為:

A:隱藏層數(shù)(l):l1=2,l2=3,l3=4,l4=5;

B:隱藏層單元數(shù)(e):e1=512-512……,e2=512-256……;

C:批尺寸(b):b1=15-5,b2=20-20;

D:學(xué)習(xí)率(a):a1=0.000 1,a2=0.001;

E:動量(m):m1=0.9,m2=0.8;

因此,筆者定義的正交試驗(yàn)設(shè)計屬于混合水平,所用正交表為L8(41×24),其中,平均值m值和極差R的計算公式如下:

(12)

R=max{m1,…,mqi}-min{m1,…,mqi}

(13)

式中:qi—因素的水平數(shù);y(K(qi))—第Ki個因素第qi個水平的結(jié)果;R—極差,可以為各因子對最后結(jié)果的影響程度排序。

正交實(shí)驗(yàn)參數(shù)表如表5所示。

表5 正交實(shí)驗(yàn)參數(shù)表

由表5可以看出:2號試驗(yàn)(A1B2C2D2E2)實(shí)驗(yàn)準(zhǔn)確率最高為99.72%,進(jìn)一步通過平均值K和極差R分析當(dāng)前結(jié)果是否為最優(yōu)方案;通過R值可以發(fā)現(xiàn),A因素(隱藏層數(shù),即RBM個數(shù))對準(zhǔn)確率的影響最大,其他因素對準(zhǔn)確率影響不大;由K值分析之后可得,A1B1C2D1E2(隱藏層數(shù)為2,隱藏層單元數(shù)為512-512,批尺寸為20-20,學(xué)習(xí)率為0.001,動量為0.9)組合可能準(zhǔn)確率更高,實(shí)驗(yàn)得到結(jié)果為99.72%,進(jìn)一步說明當(dāng)對準(zhǔn)確率影響大的A因素確定后,其他因素對結(jié)果影響較小。

為驗(yàn)證DBN模型的穩(wěn)定性,筆者將數(shù)據(jù)集采用隨機(jī)抽取的訓(xùn)練方式(DBN的結(jié)構(gòu)參數(shù)為A1B2C2D2E2)進(jìn)行實(shí)驗(yàn),得到了管路數(shù)據(jù)測試集的預(yù)測值與真實(shí)值的對比結(jié)果,如圖6所示。

圖6 管路數(shù)據(jù)測試集訓(xùn)練圖

由圖6可看出,測試集中只有一個樣本分類錯誤,證明其診斷準(zhǔn)確率較高。

為了驗(yàn)證其算法,筆者選取3種方法進(jìn)行對比(統(tǒng)一基于同一數(shù)據(jù)集,并降維到300)。各自算法相關(guān)參數(shù)設(shè)置如下:

(1)NAKF+BPNN。采用300-128-9,學(xué)習(xí)率a=0.000 1;

(2)NAKF+SVM。核函數(shù)選擇徑向基函數(shù)(radial basis function, RBF),設(shè)置懲罰因子c=0.062 5,核函數(shù)參數(shù)g=0.062 5,停止訓(xùn)練誤差精度設(shè)為0.000 1;

(3)原始信號+DBN。DBN的參數(shù)選擇隱藏層數(shù)為2,隱藏層單元數(shù)為512-256,批尺寸為20-20,學(xué)習(xí)率為0.000 1,動量為0.9。

為了避免偶然性,筆者對其進(jìn)行了10次隨機(jī)試驗(yàn),并將10次試驗(yàn)的分類正確率進(jìn)行平均處理。

最終得到了數(shù)據(jù)集的訓(xùn)練結(jié)果,如圖7所示。

圖7 管路數(shù)據(jù)診斷的平均準(zhǔn)確率

由圖7可見,NAKF-DBN算法在訓(xùn)練測試集上準(zhǔn)確率達(dá)到99.50%。傳統(tǒng)的淺層算法如BPNN和支持向量機(jī)的分類準(zhǔn)確率最高不超過95%,而未經(jīng)NAKF濾波的DBN網(wǎng)絡(luò)準(zhǔn)確率只有86.58%,并且為了更加直觀地展示各個模型的實(shí)驗(yàn)效果,各個模型的混淆矩陣以及各個模型的ROC如圖8～11所示。

圖8 NAKF-DBN模型識別結(jié)果

圖9 BPNN模型識別結(jié)果

圖10 SVM模型識別結(jié)果

圖11 原始信號+DBN模型識別結(jié)果

在該次分類中,各種模型的混淆矩陣如圖(8～11)中的(a)圖所示,其中,NAKF-DBN的正確識別率最高,為99.72%,只有一個彎管正常狀態(tài)被錯誤的識別為裂紋故障狀態(tài);未經(jīng)過濾波處理時的準(zhǔn)確率最低,為91.67%,說明未濾波處理直接進(jìn)行故障分類會導(dǎo)致錯誤率提高;同時,通過觀察錯誤率發(fā)生的情況,可以發(fā)現(xiàn)被錯分的樣本基本集中在矩陣右下角,說明彎管正常與故障狀態(tài)比較容易混淆。

NAKF-DBN與DBN模型的ROC曲線如圖(8,11)的(b)圖所示,可以發(fā)現(xiàn),DBN利用經(jīng)過NAKF去噪后的信號作為輸入比單一的DBN利用原始數(shù)據(jù)作為輸入分類能力強(qiáng)。

BPNN與SVM模型的ROC曲線如圖(9,10)的(b)圖所示,可以看出,NAKF-DBN的分類能力要好于BPNN與SVM,說明筆者模型的分類能力要好于傳統(tǒng)淺層網(wǎng)絡(luò)。

通過上述對比實(shí)驗(yàn),說明在結(jié)合DBN與濾波技術(shù)之后,筆者提出的模型對于高維度、多種類故障樣本有很好的分類能力。

5 結(jié)束語

航空發(fā)動機(jī)中的液壓管路早期故障信號微弱,且其受噪聲污染嚴(yán)重,致使液壓管路故障識別困難,針對這一問題,筆者提出了一種基于非線性自適應(yīng)卡爾曼濾波器(NAKF)及深度信念網(wǎng)絡(luò)(DBN)的液壓管路故障狀態(tài)識別新方法,即首先在傳統(tǒng)卡爾曼濾波器的基礎(chǔ)上,利用最小二乘法修正構(gòu)造的Sigma點(diǎn),消除高斯分布對Sigma點(diǎn)影響,并針對管路振動信號信噪比低及非穩(wěn)定性強(qiáng)的特點(diǎn),用非線性自適應(yīng)卡爾曼濾波器實(shí)現(xiàn)信號的自適應(yīng)噪聲濾除;然后將濾波后的信號作為輸入數(shù)據(jù),通過深度信念網(wǎng)絡(luò)學(xué)習(xí)深層特征;最后利用試驗(yàn)數(shù)據(jù)將該方法與其他故障診斷方法進(jìn)行對比與分析,完成對液壓管路故障的智能分類識別。

研究結(jié)論如下:

(1)在傳統(tǒng)卡爾曼算法的基礎(chǔ)上,使用非線性自適應(yīng)濾波器進(jìn)行了優(yōu)化,消除了高斯分布對Sigma點(diǎn)的影響,提高了真實(shí)信號的還原度,有效解決了卡爾曼算法的適應(yīng)性問題。并通過仿真實(shí)驗(yàn)分析確定了該濾波方法的可行性,對比標(biāo)準(zhǔn)KF,EKF,UKF方法對仿真數(shù)據(jù)的降噪效果,證明降噪后的信號具有更高的信噪比;

(2)為解決工程實(shí)際中液壓管路結(jié)構(gòu)復(fù)雜、故障類型多樣造成的診斷困難問題,筆者利用非線性自適應(yīng)卡爾曼濾波器去除噪聲,然后利用DBN學(xué)習(xí)深層故障特征,進(jìn)而實(shí)現(xiàn)了航空液壓管路的智能診斷。將原始振動信號和濾波后的信號作為DBN輸入,后者的分類準(zhǔn)確率在99%以上,驗(yàn)證了NAKF對實(shí)際液壓管路振動信號去噪的有效性;與SVM,BPNN等傳統(tǒng)淺層網(wǎng)絡(luò)模型進(jìn)行了對比,結(jié)果表明:在分類準(zhǔn)確率和ROC曲線兩類評價指標(biāo)下,筆者提出的分類模型準(zhǔn)確率最高,對每種故障都有良好的分類能力。

綜上所述,針對航空發(fā)動機(jī)外部液壓管路的結(jié)構(gòu)特點(diǎn),探討更為簡潔、高效和通用的空間液壓管路故障診斷模型,這是筆者下一步需要深入研究的重點(diǎn)。