原慧軍，王雨川

(1.山西機(jī)電職業(yè)技術(shù)學(xué)院電氣工程系，山西長(zhǎng)治 046011；2.山西大同大學(xué)煤炭工程學(xué)院，山西大同 037009)

0 前言

液壓泵是一種可以實(shí)現(xiàn)高效響應(yīng)、大幅調(diào)速以及高功率輸出的動(dòng)力設(shè)備，在工程機(jī)械設(shè)備液壓驅(qū)動(dòng)領(lǐng)域發(fā)揮了重要作用[1]。液壓泵屬于液壓系統(tǒng)的一個(gè)最關(guān)鍵組件，它可以為系統(tǒng)提供所需的動(dòng)力來(lái)源，該泵的實(shí)際運(yùn)行狀況對(duì)液壓系統(tǒng)控制性能與動(dòng)力傳輸效率都發(fā)揮著重要作用，并且設(shè)備的整體動(dòng)力輸出穩(wěn)定性也受到液壓系統(tǒng)的直接影響[2-3]。

現(xiàn)階段針對(duì)液壓泵開(kāi)展的健康狀況診斷基本是以單獨(dú)振動(dòng)或壓力信號(hào)作為判斷條件，對(duì)于實(shí)際工況來(lái)說(shuō)，由于存在多種復(fù)雜振動(dòng)源[4]，只根據(jù)單一壓力或振動(dòng)信號(hào)進(jìn)行處理容易引起診斷結(jié)果的波動(dòng)變化。綜合運(yùn)用不同類型的傳感器進(jìn)行信號(hào)分析時(shí)，可以實(shí)現(xiàn)液壓泵運(yùn)行狀態(tài)的準(zhǔn)確判斷，顯著提升系統(tǒng)的分辨精度與運(yùn)行穩(wěn)定性，使系統(tǒng)成本得到有效控制[5-6]。與單傳感器相比，設(shè)置多傳感器后可以獲得更多的有用信息。信息融合是對(duì)各類信息的多級(jí)處理過(guò)程，可以將它看作對(duì)上級(jí)信息的重新加工和抽象計(jì)算[7]。目前，已有很多學(xué)者在健康診斷過(guò)程加入信息融合的方法進(jìn)行研究[8]。任鳳娟[9]通過(guò)BP網(wǎng)絡(luò)診斷多路信號(hào)，以D-S理論對(duì)結(jié)果實(shí)施融合，促進(jìn)了液壓系統(tǒng)診斷精度的顯著提升。劉思遠(yuǎn)等[10]分別對(duì)各種磨損程度的液壓滑靴測(cè)試了振動(dòng)、出口流量與壓力烈度因子，再根據(jù)上述參數(shù)構(gòu)建得到多信息決策融合算法，由此完成對(duì)磨損程度的準(zhǔn)確判斷。LU等[11]則分別以泵級(jí)、液壓動(dòng)力級(jí)與執(zhí)行級(jí)信號(hào)建立相應(yīng)的概率分配函數(shù)，之后通過(guò)相似距離D-S理論進(jìn)行決策融合，從而達(dá)到泵故障診斷的效果。

深度森林模型屬于一種根據(jù)決策樹(shù)建立得到的深度模型，具備快速訓(xùn)練、模型參數(shù)少以及準(zhǔn)確率高的多項(xiàng)優(yōu)勢(shì)[12]。本文作者綜合運(yùn)用傳感器數(shù)據(jù)融合與級(jí)聯(lián)森林模型來(lái)實(shí)現(xiàn)液壓泵的健康評(píng)價(jià)，同時(shí)運(yùn)用特征級(jí)與決策級(jí)融合技術(shù)實(shí)現(xiàn)對(duì)柱塞泵各傳感器信息的快速融合，以隨機(jī)森林模型評(píng)價(jià)初步特征的重要性，并從中選擇具備高重要度的初始特征參數(shù)，通過(guò)級(jí)聯(lián)森林模型對(duì)液壓泵健康檢測(cè)結(jié)果實(shí)施分類。

1 液壓泵健康診斷流程

增加液壓泵使用時(shí)間后，其磨損程度明顯增大，從而造成液壓泵健康狀態(tài)持續(xù)惡化，產(chǎn)生更大程度的泄漏，并引起壓力損失顯著上升，因此溫度、流量也受到相應(yīng)的影響。文中根據(jù)實(shí)際試驗(yàn)環(huán)境對(duì)液壓泵流量、出口壓力、溫度參數(shù)進(jìn)行采集，完成參數(shù)樣本的篩選后再以時(shí)域特征建立初期特征。根據(jù)分類器與特征篩選的方式處理初步特征，再通過(guò)拼接得到預(yù)測(cè)特征，由此達(dá)到特征融合的效果，最后構(gòu)建級(jí)聯(lián)森林模型評(píng)價(jià)系統(tǒng)健康狀態(tài)。圖1給出了診斷的具體流程。

圖1 液壓泵健康診斷流程Fig.1 Health diagnosis process of hydraulic pump

2 多傳感器信息融合

將信息融合理解成是對(duì)各類信息進(jìn)行多級(jí)處理的過(guò)程，各級(jí)處理都屬于上級(jí)信息的抽象和再加工。同時(shí)確保信號(hào)來(lái)自同一個(gè)物理量，包含了大量融合信息，但該方法需要消耗大量時(shí)間并且缺乏良好的干擾性能。特征級(jí)融合是一種第二層次融合的方式，需從傳感器初始信號(hào)中提取特征參數(shù)，接著融合上述特征參數(shù)，有效避免數(shù)據(jù)級(jí)融合單一物理量因素所產(chǎn)生的制約，完成壓縮信號(hào)的過(guò)程，大幅簡(jiǎn)化了傳輸過(guò)程[12]。決策級(jí)融合屬于層次最高的融合模式，需對(duì)各獨(dú)立信號(hào)開(kāi)展特征提取、辨別與決策，之后融合以上決策數(shù)據(jù)并獲得最終結(jié)果，實(shí)現(xiàn)優(yōu)異的抗干擾性能以及高精度的分類效果。

以上信息融合方法依次針對(duì)初始信號(hào)、數(shù)據(jù)特征以及決策結(jié)果實(shí)施融合。為了能夠充分發(fā)揮信息融合過(guò)程的數(shù)據(jù)特征與決策性能，對(duì)各分類器類別概率向量和高重要度特征實(shí)施融合，把融合特征輸入級(jí)聯(lián)森林模型完成分類。圖2給出了采用文中信息融合方法進(jìn)行處理的具體原理。

圖2 特征融合方法Fig.2 Feature fusion method

以隨機(jī)森林模型原始輸入特征實(shí)現(xiàn)特征數(shù)據(jù)的篩選，獲得經(jīng)過(guò)篩選與降維的特征Fimp；再對(duì)類別概率向量與經(jīng)過(guò)處理的關(guān)鍵特征Fimp拼接獲得融合特征。融合特征長(zhǎng)度Fl受到類別數(shù)c、分類器數(shù)量j、特征數(shù)量Fc的共同影響。

因此上述融合特征中既包含多分類器決策數(shù)據(jù)，同時(shí)也含有原特征的關(guān)鍵信息。能夠防止出現(xiàn)分類器不適用或引起特征提取結(jié)果不足的問(wèn)題，更加針對(duì)性地增強(qiáng)特征可靠度并達(dá)到更高的準(zhǔn)確率。

3 級(jí)聯(lián)森林模型

采用寬度為k維的滑動(dòng)窗口作為分析對(duì)象進(jìn)行特征掃描轉(zhuǎn)化。依次通過(guò)常規(guī)隨機(jī)森林以及完全隨機(jī)森林分類器訓(xùn)練各特征子樣本，對(duì)各分類器進(jìn)行訓(xùn)練后獲得了一個(gè)c維概率向量，對(duì)各特征子樣本處理獲得類別概率向量。完成類別概率向量拼接后可獲得2×m×c維轉(zhuǎn)換特征向量。

級(jí)聯(lián)森林模型選擇與DNNs相近的層級(jí)結(jié)構(gòu)，可以將之前的森林分類器輸入到后一層森林分類器中進(jìn)行計(jì)算，結(jié)果見(jiàn)圖3。把上述特征向量輸入級(jí)聯(lián)森林結(jié)構(gòu)內(nèi)，再和各層算法計(jì)算得到的森林分類器結(jié)果進(jìn)行概率向量拼接后組成后一層的輸入，由此實(shí)現(xiàn)結(jié)果的準(zhǔn)確預(yù)測(cè)。級(jí)聯(lián)森林各層中都存在多個(gè)常規(guī)與完全隨機(jī)森林分類器，因此模型集成表現(xiàn)出更豐富的多樣性，森林分類器再根據(jù)特征差異確定特征指標(biāo)。為防止過(guò)擬合，通過(guò)k折交叉方法對(duì)級(jí)聯(lián)森林分類器進(jìn)行訓(xùn)練驗(yàn)證。

圖3 級(jí)聯(lián)森林結(jié)構(gòu)Fig.3 Cascade forest structure

4 試驗(yàn)方案與數(shù)據(jù)預(yù)處理

4.1 試驗(yàn)方案

圖4給出了文中設(shè)計(jì)的液壓泵測(cè)試系統(tǒng)，該裝置包含了液壓泵、電機(jī)、油箱、壓力檢測(cè)器、溢流閥等部件，此次選擇川崎K3V系列斜盤軸向柱塞泵作為測(cè)試泵。根據(jù)表1的條件，以3種健康狀態(tài)的柱塞泵開(kāi)展測(cè)試：健康的1號(hào)泵、運(yùn)行2 000 h后達(dá)到中度磨損的2號(hào)泵、運(yùn)行時(shí)間超過(guò)3 000 h即將報(bào)廢的3號(hào)泵。

表1 液壓泵故障代號(hào)Tab.1 Fault code of hydraulic pump

圖4 液壓泵測(cè)試系統(tǒng)Fig.4 Hydraulic pump test system

測(cè)試期間，以PCI-E8025數(shù)據(jù)采集卡對(duì)信號(hào)采集，頻率為12.5 kHz，共采樣800 s。此實(shí)驗(yàn)使用的噪聲計(jì)包含了2個(gè)通道輸出，其中，通道AI10產(chǎn)生交流電信號(hào)，1 Vrms為噪聲計(jì)范圍檔，通道AI11輸出直流電信號(hào)，10 mV對(duì)應(yīng)1 dB的噪聲。

4.2 數(shù)據(jù)處理

對(duì)P1泵進(jìn)行傳感器信號(hào)測(cè)試，結(jié)果見(jiàn)圖5。將噪聲信號(hào)表示成電壓信號(hào)的狀態(tài)，以傳感器測(cè)試形成的400萬(wàn)數(shù)據(jù)作為對(duì)象；再以隨機(jī)方式從各健康狀態(tài)中采集560個(gè)訓(xùn)練樣本與240個(gè)測(cè)試樣本。根據(jù)以上處理方式，完成各個(gè)模擬信號(hào)的數(shù)據(jù)分析。

圖5 傳感器信號(hào)Fig.5 Signals of sensor：(a)flow；(b)speed；(c) temperature

5 液壓泵健康狀態(tài)診斷

5.1 特征構(gòu)建與模型訓(xùn)練

建立180維初步特征集后，容易產(chǎn)生數(shù)據(jù)冗余而無(wú)法獲得理想的模型效果，文中綜合運(yùn)用決策級(jí)與特征級(jí)融合的方法實(shí)現(xiàn)信息融合過(guò)程并獲得新的預(yù)測(cè)特征，從而大幅降低特征冗余，獲得更高的模型預(yù)測(cè)精度。由圖2可知，新特征包括了以下兩部分內(nèi)容：第一部分是通過(guò)多個(gè)分類器根據(jù)初步特征建立的類別概率向量；第二部分則是根據(jù)隨機(jī)森林模型特征重要性確定的結(jié)果。

對(duì)于第一部分，可以通過(guò)初步時(shí)域特征訓(xùn)練各分類器得到P1、P2、P3分類概率，設(shè)置與后續(xù)深度森林模型同樣比例的訓(xùn)練樣本。對(duì)于第二部分，則利用隨機(jī)森林模型評(píng)價(jià)初步特征的重要性，選擇高重要度的前8個(gè)初步特征構(gòu)成新特征。表2給出了前8個(gè)關(guān)鍵特征與含義。

表2 重要度分類Tab.2 Importance classification

分析表2時(shí)域特征可以發(fā)現(xiàn)：最關(guān)鍵的3個(gè)特征參數(shù)是泵泄油口溫度、泵2與泵1出口溫度，整流均值與均方根值都屬于重要統(tǒng)計(jì)特征。由此表明可以根據(jù)柱塞泵泄油口與出口部位溫度判斷柱塞泵的運(yùn)行情況，可以在泵健康狀態(tài)診斷方面發(fā)揮重要作用。

5.2 液壓泵健康狀態(tài)診斷

多粒度掃描超參數(shù)包括森林分類器數(shù)量與種類、決策樹(shù)個(gè)數(shù)、滑動(dòng)窗口與節(jié)點(diǎn)分裂最小樣本數(shù)量等；級(jí)聯(lián)森林超參數(shù)包括森林分類器個(gè)數(shù)與種類、決策樹(shù)個(gè)數(shù)與節(jié)點(diǎn)分裂最小樣本數(shù)量。

文中在確定多粒度掃描與級(jí)聯(lián)森林分類器種類時(shí)按照完全隨機(jī)森林與常規(guī)隨機(jī)森林相結(jié)合的形式，再根據(jù)經(jīng)驗(yàn)設(shè)定滑動(dòng)窗口依次為2、4、8，設(shè)定節(jié)點(diǎn)數(shù)量為5。表3所示為設(shè)定參數(shù)。

表3 級(jí)聯(lián)森林模型的參數(shù)Tab.3 Parameters of the cascade forest model

文中對(duì)其中20%樣本開(kāi)展測(cè)試，再對(duì)其余樣本進(jìn)行訓(xùn)練。此次分類過(guò)程存在普遍性，以分類過(guò)程的2個(gè)主要參數(shù)作為評(píng)價(jià)指標(biāo)，再根據(jù)以上測(cè)試集測(cè)定級(jí)聯(lián)森林模型，通過(guò)計(jì)算獲得了100%的分類精確率與召回率。

設(shè)定測(cè)試集比例介于30%～95%，對(duì)應(yīng)訓(xùn)練集比例介于70%～5%，根據(jù)訓(xùn)練集模型獲得的精確率對(duì)模型小訓(xùn)練樣本健康狀態(tài)進(jìn)行評(píng)價(jià)，經(jīng)分類得到表4所示參數(shù)?？芍簩?duì)于小訓(xùn)練樣本，以多傳感器信息融合方法構(gòu)建的級(jí)聯(lián)森林模型進(jìn)行預(yù)測(cè)時(shí)，可以實(shí)現(xiàn)對(duì)液壓泵健康狀態(tài)的準(zhǔn)確診斷，只設(shè)置5%訓(xùn)練集時(shí)，液壓泵健康診斷達(dá)到99.5%精確率。

表4 不同訓(xùn)練比例下診斷結(jié)果 單位：%Tab.4 Diagnosis results under different training ratios Unit：%

只對(duì)第一與第二部分預(yù)測(cè)向量中的參數(shù)開(kāi)展分析，再以級(jí)聯(lián)森林方法完成分類，當(dāng)訓(xùn)練集比例達(dá)到10%時(shí)，診斷結(jié)果如表5所示。分析表4-5可知：對(duì)級(jí)聯(lián)森林結(jié)構(gòu)部分預(yù)測(cè)向量，采用多傳感器信息融合后分類效果顯著降低。

表5 部分預(yù)測(cè)向量診斷結(jié)果Tab.5 Part of prediction vector diagnosis results

為深入探討各類信息融合方法結(jié)果的差異性，根據(jù)采集端口條件設(shè)定壓力、溫度、流量參數(shù)，再利用以上流程對(duì)初始數(shù)據(jù)進(jìn)行處理，實(shí)現(xiàn)時(shí)域特征參數(shù)的提取、建立特征參數(shù)并完成模型的訓(xùn)練過(guò)程。為了能夠更加準(zhǔn)確呈現(xiàn)各類預(yù)測(cè)結(jié)果，依次計(jì)算測(cè)試集占比為90%條件下P1、P2、P3精確率與召回率。表6給出了具體的組合形式與分類情況。

表6 組合方式下診斷結(jié)果Tab.6 Diagnosis results in combination mode

由表6可知：當(dāng)采用單一溫度特征無(wú)法同時(shí)滿足精確率與召回率條件時(shí)，隨著流量信息的增加，所有數(shù)據(jù)預(yù)測(cè)精確率上升了8%；隨著壓力信息的增加，各類數(shù)據(jù)預(yù)測(cè)精確率上升了7%，獲得了更優(yōu)的分類性能。并且，“溫度+流量”組合模式的各類預(yù)測(cè)精確率與召回率相對(duì)其他模式更高，由此表明溫度融合流量組合形式具備更大優(yōu)勢(shì)。

6 結(jié)論

(1)以多傳感器信息融合方法構(gòu)建的級(jí)聯(lián)森林模型進(jìn)行預(yù)測(cè)時(shí)，可以實(shí)現(xiàn)對(duì)液壓泵健康狀態(tài)的準(zhǔn)確診斷，只設(shè)置5%訓(xùn)練集時(shí)，液壓泵健康診斷結(jié)果達(dá)到99.5%精確率。

(2)當(dāng)采用單一溫度特征無(wú)法同時(shí)滿足精確率與召回率條件時(shí)，組合模式相對(duì)其他模式達(dá)到了更高的預(yù)測(cè)精度與召回率，表明溫度融合流量組合形式具備更大優(yōu)勢(shì)。