郝俊杰，高虹霓，王崴，邱盎，王慶力，宋新成

(空軍工程大學防空反導學院，陜西西安 710038)

0 前言

液壓系統(tǒng)是由機、電、液耦合的復雜系統(tǒng)，具有工作平穩(wěn)、響應快、可實現無級調速和自動化等優(yōu)點，在工業(yè)、農林和國防等領域廣泛應用。液壓系統(tǒng)具有故障隱蔽性強、非線性時變信號強、振動傳遞機制復雜等特點，導致故障診斷困難。目前液壓故障診斷技術大致可分為主觀診斷法、數學模型與信息處理診斷法和智能技術診斷法3種，具體如表1所示。由于受理論和儀器設備的限制，液壓系統(tǒng)的故障診斷大多還是以經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據，傳統(tǒng)的數據處理方式已經不能高效應對。而大數據技術可以突破傳統(tǒng)限制，解決當前存在的大部分數據處理難題，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。

隨著人工智能技術的發(fā)展，智能診斷技術成為當前液壓故障診斷的研究熱點，研究如何實現智能化診斷成為擺在學者面前的緊迫任務。本文作者對基于大數據分析的液壓故障診斷原理、關鍵技術及下一步的研究思路進行綜述，以期能勾畫一個相對清晰的智能化診斷輪廓，為相關研究提供參考。

1 基于大數據分析的液壓故障診斷技術原理

基于大數據分析的液壓故障診斷技術主要是將人工智能領域的一些研究成果結合大數據分析應用到液壓系統(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據，以此作為研究對象，以數據庫、機器學習等算法為分析工具，從中找出與故障相關的有用診斷信息，最后將診斷結果利用可視化等技術展現出來，從而實現故障診斷的一個過程，其核心是數據分析算法。診斷流程如圖1所示。

圖1 診斷流程

2 基于大數據分析的液壓系統(tǒng)故障診斷關鍵技術

基于大數據分析的液壓系統(tǒng)故障診斷主要包括故障數據處理、分析及診斷結果展示3個部分。涉及到的關鍵技術有故障數據特征選擇、機器學習和結果可視化等。

2.1 故障數據特征選擇

故障數據特征選擇是故障數據處理的關鍵技術，與故障診斷的準確性、快速性密切相關。采集到的故障樣本信息通常具有數量多、故障特征維數高的特點。為提高數據實時性，降低冗余信息的影響，需要對這些信息進行選擇、轉換，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、經驗模態(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節(jié)部分逐步展開分析的方法，可以根據高頻調制特性，對信號進行小波包變換和包絡解調，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行分解，將得到的分量重構后，通過模型進行故障預測。孫健等人在此基礎上對小波分解進行改進，提出一種基于加權形態(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量，對信號進行加權融合，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，適合處理非線性、非平穩(wěn)信號，但小波包分解得到的結果只與信號的采樣頻率有關，而與信號本身無關，所以自適應性較差。

2.1.2 基于經驗模態(tài)分析的特征選擇

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

圖4 EMD特征提取步驟

劉志強等針對液壓泵早期故障診斷時信號微弱的問題，采用改進EMD的集總經驗模態(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)相結合，通過敏感度分析找出敏感度較高的特征參數，對原始故障信號進行經驗模態(tài)分解，構造新的故障信號，以此來提取特征，進一步提高泵的故障診斷準確性。

經驗模態(tài)分解已經在時頻域信號分析廣泛應用，但因缺乏完備的理論推導基礎，且具有模態(tài)混疊、受噪聲影響較大等缺陷，在故障數據不完備的情況下，會使故障診斷結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，通過線性變換構造一組新的不相關的廣義變量，再從新變量中提取主分量，以降低數據維數。PCA的實質是對數據樣本矩陣的協(xié)方差矩陣進行奇異值分解的過程。

構造采集樣本的矩陣× ，其中：為變量數，為樣本數；再通過求解的均值和標準差，對進行標準化;最后，求的協(xié)方差矩陣：

=/(-1)

(2)

以前個主元的累計方差貢獻率()確定主元個數，通常前個主元的貢獻率在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化為低維獨立的主特征向量，提高了診斷速度及準確率。在礦井提升機液壓系統(tǒng)故障診斷中，CHANG等應用PCA對特征參數進行降維去躁；郝用興等則通過引入權值向量來改進傳統(tǒng)主元分析法，建立了變量加權主元分析模型，進一步提高診斷的快速性和準確性。

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，將特征數據進行降維去噪，在保持原始故障信息特征的同時，減小了變量間的過相關，使診斷模型結構得以簡化，提高了診斷效率。

2.2 機器學習

機器學習是故障數據分析的關鍵技術，將機器學習用于故障診斷，主要是通過機器學習算法自動學習故障樣本的數據結構和內在規(guī)律，求得診斷模型，以對新的故障進行識別、診斷。機器學習因具有高效的數據分析能力、自學習能力，在液壓系統(tǒng)故障診斷領域得到了廣泛重視，研究較多，但同時也由于其瓶頸問題的制約，對于不確定的、隨機性強以及知識信息不完備的診斷對象，其智能性仍然較低。

機器學習的故障診斷流程如圖5所示。

圖5 機器學習的故障診斷流程

在液壓故障數據分析中，機器學習用到的算法主要有神經網絡、支持向量機、深度學習等。為克服一些固有的不足，將算法與其他的數據處理算法、技術相結合進行改進，產生了形式多樣的數據分析方法。

2.2.1 神經網絡

在基于神經網絡的液壓故障診斷中，多應用BP神經網絡、概率神經網絡、徑向基神經網絡。

(1)BP神經網絡

BP神經網絡能夠以任意精度實現輸入參數到目標輸出參數的非線性映射，它使用最速下降法，通過反向傳播不斷調整網絡的權值和閾值，使網絡的誤差最小。

其網絡結構如圖6所示。

圖6 BP神經網絡結構

郝用興等針對盾構機推進液壓系統(tǒng)結構復雜與高度非線性難以建立準確數學模型的問題，提出一種基于差分進化算法和BP神經網絡融合的模型。為克服BP 神經網絡收斂速度慢、易于陷入局部極小點的問題，宋濤等人以液壓柱塞泵為例，提出一種蟻群算法改進 BP 神經網絡的故障診斷方法，通過蟻群算法優(yōu)化神經網絡的權值和閾值，使網絡具有全局兼局部尋優(yōu)能力。當網絡足夠大、分類足夠多時，BP神經網絡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神經網絡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立的BP網絡模型。該方法在提高神經網絡訓練收斂速度的同時兼顧了故障診斷的準確度，有較大的實用價值和工程意義。

(2)概率神經網絡

概率神經網絡(Probabilistic Neural Network，PNN)有速度快、結構簡單、不會陷入局部最優(yōu)等優(yōu)點。與BP神經網絡不同，PNN的網絡結構增加了求和層，如圖7所示。

圖7 PNN結構

程越和左桂蘭將PNN網絡用于CVT液壓系統(tǒng)的故障診斷，構建了診斷系統(tǒng)，對故障模式進行了識別?？紤]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相結合的方法。對各種狀態(tài)下的振動信號提取特征參數后進行敏感度分析，將敏感度高的參數以向量的形式輸入PNN進行訓練和測試，以提高診斷的正確率。

(3)徑向基神經網絡

徑向基(Radical Basis Function，RBF)神經網絡是一種基于核函數的前饋式神經網絡，利用隱藏層空間對低維的輸入矢量進行投影，將數據變換到高維空間中，以使原來線性不可分的問題能夠變得線性可分。該網絡收斂速度快、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，通過小波包分解進行特征提取，之后將獲取的能量信號作為RBF神經網絡的輸入，通過網絡訓練，進行故障識別。為改善診斷結果，沈美杰等通過小波包分解對信號進行降噪處理后，再采用粒子群算法對RBF神經網絡的數據中心、寬度和閾值進行優(yōu)化，使診斷精度得以進一步提高。

神經網絡在故障診斷、故障模式的識別中使用非常多，但因存在學習速度較慢、要求完備的訓練集以及可解釋差等缺點，使它在故障訓練樣本不完備時不能很好地發(fā)揮優(yōu)勢。此外，在面對一個新的領域或者新增模式故障較多時需要重新設計其網絡結構甚至無法使用，這些都導致神經網絡在液壓故障診斷的應用深度上受到一定限制。

2.2.2 支持向量機

支持向量機(Support Vector Machine，SVM)是液壓故障診斷中應用較多的一種機器學習算法。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練樣本正確分開，而且使分類間隔最大。

在診斷應用中，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，確定相應的信息熵特征向量，建立不同狀態(tài)下的液壓特征向量訓練參數，以對特征參數降維，解除特征間相關性，采用SVM對故障模式進行診斷與識別。ZHANG等改進傳統(tǒng)SVM，形成一種基于EEMD和SVM的方法，有效解決了低維訓練樣本少的液壓沖擊信號診斷問題，提高了SVM的學習效率。上述文獻中的SVM 對樣本處理時采用的都是單核映射方法，用這種方法訓練后的參數敏感性對樣本的影響仍然較大，導致SVM魯棒性較差。對此，劉志強等提出一種多核學習支持向量機的液壓故障識別方法，將多個核函數進行凸組合，更有利于樣本數據特征的表達，有效地提高了分類的準確率。此外，RAPUR和TIWARI在SVM基礎上提出一種基于多類支持向量機(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對復雜的組合故障進行診斷識別。

在故障診斷中，支持向量機較適用于樣本小、非線性和高維數據，較好地解決了“維數災難”和“過學習”的不足。但是，當故障數據規(guī)模較大時，會出現訓練速度慢、算法復雜、效率低下等問題。

2.2.3 深度學習

深度學習是機器學習方面的一個熱點。近年來，基于深度學習理論的人工智能方法得到了廣泛的關注，也已經有研究者將這些方法應用于液壓系統(tǒng)的故障診斷。深度學習通過其特有的層次結構和能夠從低等級特征中提取高等級特征的優(yōu)勢，很好地解決了機器淺層學習對特征表達能力不足和特征維度過多導致的維數災難等問題，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習模型主要有卷積神經網絡和堆棧自編碼器模型，相關研究較少。

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

堆棧稀疏自編碼網絡(Stacked Auto-Encoder,SAE)是由多層自編碼器堆疊構成的深度神經網絡，能夠通過神經網絡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習算法。

深度神經網絡通過層數的增加，使診斷模型的學習能力、診斷準確率得以提高。但是，其不足也很明顯，因缺乏理論基礎導致可解釋性差、參數確定比較困難，層數過多也使得計算量變大、運算變慢。

此外，如決策樹、極限學習機等算法在液壓系統(tǒng)故障診斷中也有應用，但相對較少，文中不作贅述。

機器學習方面，液壓故障診斷中神經網絡和支持向量機用得較多，主要是這兩種方法在對數據樣本數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。而基于深度學習的方法雖然能夠通過高維感數據的學習來解決復雜的故障問題，但是模型的復雜度和參數選擇的不確定性問題，導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，可以考慮從數據處理的角度進行改善，如針對不同系統(tǒng)的故障數據特點，使用一些合適的算法，提高數據對特征的表達能力，優(yōu)化相應的特征參數等，以期能簡化診斷模型的結構，進而減少數據量，降低運算量，從數據方面出發(fā)，間接地提高診斷的效率。

2.3 數據可視化

數據可視化是數據分析及數據解釋的關鍵技術。它利用圖像學基本算法和可視化算法把海量的數據轉換為圖像或圖形展示出來，使數據中隱含的不可見數據成為可見，以使人們更好地分析、理解數據。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

何慶飛等根據工程機械液壓系統(tǒng)故障特點，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建了診斷知識數據庫，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)有向圖模型來構造系統(tǒng)結構，再生成故障樹圖以進行故障診斷，避免了傳統(tǒng)樹圖中系統(tǒng)結構隱含的不足。FANG等將計算機輔助診斷技術用于解決液壓系統(tǒng)的故障診斷問題，通過分析現有故障，提出了可視化動態(tài)診斷技術。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用。

在數據可視化方面，液壓故障診斷的研究潛力較大，原因是國內外對這方面的研究不足，但其應用需求較大。在未來的研究中，可以考慮將一些比較成熟的技術應用于此，如基于模型的定義(MBD)以及混合現實(MR)等。這些技術在制造、裝配等領域應用較多，但應用于液壓故障診斷的研究較少。國內已經有研究團隊對MR在故障診斷的應用進行了探索，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)新性的文獻發(fā)現，基于大數據分析的液壓故障診斷研究比較多，很多研究成果都已轉化為實際應用，其中在工程機械、武器裝備和農林等領域中應用最廣泛，尤其是工程機械。在具體研究上，大多學者是從液壓系統(tǒng)的某個機件、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用和創(chuàng)新提高故障數據質量，利用智能算法建立故障診斷模型和故障診斷系統(tǒng)，通過對算法的改進和技術融合提高故障識別率及故障診斷精確度，并與其他方法進行對比來驗證其可行性。

雖然基于大數據分析的液壓故障診斷研究及應用成果較多，但是仍然存在一些問題值得進一步深入探討、展望。

(1)基于“技術協(xié)同”思路的數據獲取方法

現代液壓系統(tǒng)由于隱蔽性強、耦合度高等特點，導致部分信息采集困難，采集到的數據存在多源異構、維度和冗余度高的問題，給數據處理造成一定困難，嚴重制約故障診斷模型的數據分析能力。針對采集難的問題，可以考慮引入智能傳感器結合智能液壓元件進行解決。對于多源異構的問題，得益于互聯(lián)網技術的發(fā)展，可以考慮采用技術協(xié)同的思路，利用網絡通過異地協(xié)同操作來實現數據的交互、共享；針對數據的高維度、高冗余度，可以通過在數據預處理端選擇適合的特征提取算法進行數據處理，以縮減數據量和提取高價值數據。

(2)基于“技術融合”思路的算法改進方法

由前邊關鍵技術的分析可以得出，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)比較復雜、系統(tǒng)交聯(lián)度高時，單一的診斷技術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合新的研究成果如Deep Q Networ(DQN)算法等進行技術上的改進、融合是值得關注的研究方向。

(3)基于“技術探索”思路的數據分析方法

探索一些新的方法，對當前的研究熱點進行深入研究。引入深度學習的一些其他方法，如深度置信網絡、循環(huán)神經網絡等進行液壓故障診斷的探索研究；針對抽象故障信息數據比較多的情況，可以考慮用深度學習算法直接進行特征提取，之后再針對數據的實際情況，如有無先驗知識、數據樣本是否完備、有無多源異構的問題等選擇合適的故障診斷分類方法。針對數據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，在降低模型復雜度的同時可以有效利用不同算法的優(yōu)勢進行針對性診斷，做到優(yōu)勢互補，在一定程度上可以提高故障診斷的精度。

(4)基于“技術借鑒”思路的數據解釋方法

借鑒新的技術進行研究是實現功能突破、技術創(chuàng)新的重要途徑。知識圖譜是大數據研究的前沿問題，兼具知識抽取、知識表示、知識推理等關鍵技術，可以說是故障診斷的一個理想技術，既可以應用在特征提取中，也可以在實現故障推理的同時對故障結果進行可視化表達。目前，應用知識圖譜進行診斷在醫(yī)學方面已有研究，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積累了大量的數據，這些數據多源、高噪聲、實時性強，但其中包含大量有價值的信息，值得深入挖掘分析。

4 結論

本文作者結合大數據分析技術，針對液壓領域的故障診斷，圍繞近幾年故障診斷的研究現狀，歸納總結了基于大數據分析的液壓故障診斷原理；重點討論了診斷的關鍵技術，闡述了這些技術的優(yōu)勢與不足；對液壓系統(tǒng)故障診斷方法進一步的研究思路進行了展望，以為后續(xù)的研究提供參考。