【液压系统设备健康状态检测模型概述综述5400字】

液压系统设备健康状态检测模型概述目录TOC\o"1-3"\h\u11899液压系统设备健康状态检测模型概述 129521.1液压系统数据集介绍 1139861.2基于深度可分离卷积的液压系统设备状态检测多输出模型 4236191.2.1深度可分离卷积 4280301.2.2液压系统设备状态分析 537521.2.3模型建立 6233111.3液压系统设备状态检测实验 868731.1.1数据预处理 836931.1.2基于Keras框架的液压系统状态检测模型实现 91.1液压系统数据集介绍液压系统数据来源于该系统中的实际传感器以及虚拟传感，虚拟传感器是指无法直接被测量的系统内的指标，如系统效率或冷却功率等。本液压系统由一个主要工作回路图3-1(a)和一个辅助冷却回路图3-1(b)组成[17]，两个回路通过油箱连接在一起。在带有主泵MP1的主回路中，可以通过溢流阀V11周期性地重复不同程度的负载，也可以使用预定义的负载测试固定的工作周期，或者使用在指定范围内平均分布的伪随机变化的负载来测试可变的工作周期，其中第一种方法代表了工业应用中的典型循环操作和重复负载特性。(a)主要工作回路(b)辅助冷却回路图3-1液压系统回路图上述液压系统配备了多个传感器,包括压力（PS1-PS6），流量（FS1，FS2），温度（TS1-TS5），电功率（EPS1）和振动（VS1）等，这些传感器的采样率范围从100Hz到1Hz不等，具体频率和相应的物理值相关。传感器收集到的数据缓冲在PLC（BeckhoffCX5020）上，通过EtherCAT传输到PC，在PC中进行存储。试验系统拥有专门开发的带有图形用户界面的工具，通过该工具进行故障特征配置，然后由PLC执行，该工具可以通过故障类型、严重性和持续时间来定义不同的故障状态。本文所研究的数据来源于使用该液压系统进行的实验，此实验重复了2205个周期为60秒的恒定的负载循环，并在负载循环中记录传感器的过程值。在不断的负载循环中，四个液压组件冷却器、阀门、泵和蓄能器的状态发生也在发生定量的变化，根据实际的衡量指标，可以定义液压组件的不同状态，液压组件及其对应的状态如表3-1所示。表3-1液压组件及对应状态表冷却器故障效率下降全效率阀门切换最佳小滞后重度滞后失效泵无泄漏弱泄露严重泄漏蓄能器最佳压力压力降低压力严重降低故障在2205个负载循环中，记录了包括实际传感器和虚拟传感器在内的17个维度的过程值，该数值为传感器原始读数，并未经过数据预处理步骤，具体的物理量、单位以及测量频率如表3-2。表3-2传感器所测物理量、单位及测量频率表传感器&物理量单位采样频率/HzPS1压力bar(标准大气压)100PS2压力bar100PS3压力bar100PS4压力bar100PS5压力bar100PS6压力bar100EPS1电动机功率W100FS1体积流量L/min10FS2体积流量L/min10TS1温度℃1TS2温度℃1TS3温度℃1TS4温度℃1VS1振动mm/s1CE冷却效率%1CP冷却功率KW1SE效率系数%11.2基于深度可分离卷积的液压系统设备状态检测多输出模型1.2.1深度可分离卷积通常在设备状态检测的模型中为了整合来自不同传感器表达的设备状态的信息，会使用多个传感器时间序列数据构成多通道特征数据作为模型的输入，其中的每一个通道表示一个传感器的数据序列。对于这些多通道的输入数据，每个通道中的数据具有时间上的相关性，因为来自一个传感器，这反映了时间维度上设备状态的变化。同时不同通道之间的数据也具有相关性，因为设备的故障信息可以在不同传感器之间传播，以及系统内不同组件之间存在一定的相互作用。但是现有的模型将时间上的相关性和跨通道间的相关性进行同步映射，结果就是无法有效地捕获和建模不同传感器数据的依赖性，这限制了分类模型的预测准确性[18]。因此，本文采用一种新的卷积层—深度可分离卷积。深度可分离卷积将常规的卷积过程分成了两个步骤，分别为深度卷积和逐点卷积。在深度卷积的步骤中，单个卷积核只完成单个通道得卷积，并且任意通道只被一个卷积核卷积。我们假设输入一张三通道的图片，卷积核大小为3x3，需要输出四个特征映射，那么深度卷积如图3-2所示，该过程输出的特征映射数量与通道数量相同，参数数量为个。而在逐点卷积得步骤中，我们使用大小为得卷积核，n是一张图片的所拥有维度(通道)的数量，也就是深度卷积步骤输出特征映射的数量，逐点卷积如图3-3所示，1x1卷积核将输入的特征映射进行加权组合，生成新的特征映射。逐点卷积过程的参数数量为个。综上，深度可分离卷积能够实现空间维度和深度(通道)维度的处理，而且参数数量也要要明显少于常规卷积。图3-2深度卷积过程图3-3逐点卷积过程深度可分离卷积通过逐通道卷积和逐点卷积很好的解开了时间相关性和跨通道相关性。逐通道卷积分别映射每个传感器序列的时间上的特征，然后通过逐点卷积将各个传感器通道的特征输出进行线性组合，有效的捕捉了不同传感器数据之间的依赖性。1.2.2液压系统设备状态分析对于一个仪器设备，其通常位于固定的工作系统中，在系统内部每个设备组件的状态不是严格的健康或故障，而是会有故障程度等级的划分，所以一个设备组件会对应多种状态。通俗讲就是一个设备系统中每个设备组件会产生一种故障，每种故障又有不同的严重等级，这就形成了如图3-4所示的结构，但可以确定的是，在每一时刻下每个组件都会处于一种确定的状态。因此，在进行设备状态的检测时往往需要判断多个组件的不同等级的状态信息，将其转化为深度学习问题就是一个样本对应着多个类别标签，因此这是一个多标签分类问题。图3-4系统内设备状态结构图多标签分类问题棘手的地方就是各个标签之间存在一定的联系，比如一张天空的图片，可以有标签白云、太阳或者飞机，但是不会出现猫或狗，这里白云和太阳以及飞机相较于猫和狗在一张天空的图片中会有更大的联系。目前处理多标签分类问题有两种思路，第一种思路是将其通过转化成单标签分类，第二种思路是改变模型来完成多标签的分类。我们以上述第二种思路出发，深入分析一个仪器设备构成的系统，会发现其内部各个设备组件彼此联系又相互独立，具体指每一个组件的状态都会对其他组件的状态造成一定程度的影响，但是每一个组件只会对应这个组件所允许发生的一种状态，不会重叠也不会对应其他组件的状态。所以，当以每个设备组件的状态作为模型的一个输出时，各个输出之间是独立的，互相没有重叠，这相当于已经明确了标签之间的联系。因此我们可以设计一种多输出模型，系统内每一个组件的状态对应模型的一个输出，应用于液压系统中，则是冷却器、阀门、泵和蓄能器的状态分别由模型的四个输出表示，每个输出独立检测该输出所对应的设备，最后将四个输出综合即可得到液压系统各个设备的健康状态情况。1.2.3模型建立鉴于液压系统设备的上述特性，结合深度可分离卷的优势，本文提出了一种基于深度可分离卷积的多输出模型来进行液压系统仪器设备健康状态的检测。该模型结构如图3-5所示，其中多个深度可分离卷积层与池化层用来提取输入信息的特征，然后将得到的特征映射展平，分别输入到不同的全连接网络分类器中，该分类针对特定的目标对特征信息进行处理，最后每一个分类器输出对应的一个设备组件的健康状态。图3-5液压系统设备健康状态检测模型结构图 假设训练集样本为，其中为一个17个特征维度的输入的信号，为X所对应的液压系统内四个设备的健康状态，同时假设模型的输出为，则该模型的损失函数定义如下(式3-1)其中，，，为四个权重系数；，，，分别对应于冷却器、阀门、泵、蓄能器四个输出的损失，各自的表达式如式3-2、式3-3、式3-4和式3-5所示。(式3-2)(式3-3)(式3-4)(式3-5)四个表达式中，，，分别为冷却器、阀门、泵和蓄能器四个输出拥有的状态数量，例如冷却器拥有故障、效率下降、全效率三个状态，的值就是3。1.3液压系统设备状态检测实验1.1.1数据预处理1.1.1.1数据插值由1.1节可知该数据集共有2205个样本，并且每个样本包含17个特征维度，虽然每个维度的采样周期一致，但是由于采样频率的不同会导致每个维度的时间步不一样，造成了特征维度的数据数量差异很大。常见的处理这类问题的方法有两种，分别为降采样和插值。降采样是指每隔一定数量的数据点采样一次，但这会造成一部分信息的丢失，所以为了保证信息的完整性，我们使用插值的方法将数据数量少的特征维度进行简单的扩展，即将每一个数据点重复一定的次数，使得每个维度的数据量相等。因此，本文以100Hz的压力传感器数据为准，对其他维度的数据进行插值重建。例如温度传感器的采样频率为1Hz，则每个样本只有60个数据点，所以将每个数据点重复100次便可以得到100Hz的数据。1.1.1.2状态标签处理该数据集包含了液压系统的四类故障，分别为冷却器、阀门、泵和蓄能器组件的故障，四类故障又分了不同程度的严重等级，我们将每一个故障等级设定为一个分类标签，则共有14个标签。因为每个液压组件在每次负载循环中都会对应一种状态，该状态可能是健康或者是不同程度的故障，所以反映在数据上则是每一个样本会对应四个标签。我们将每个样本对应的状态的标签设置为1，其他标签设置为0，以行表示每个样本，则样本与标签的对应如表3-3所示。图中前三列表示冷却器对应的状态，4到7列表示阀门的对应状态，8到10列表示泵对应的状态，最后4列表示蓄能器对应的状态。表3-3样本与标签对应表状态冷却器效率下降冷却器故障冷却器全效率阀门小滞后阀门重度滞后阀门失效阀门切换最佳内部泵弱泄露内部泵严重泄漏内部泵无泄漏蓄能器压力降低蓄能器压力严重降低蓄能器故障蓄能器最佳压力101000010010001201000010010001301000010010001………2203001000100100102204001000100100102205001000100100101.1.1.3训练集、验证集、测试集在深度学习中，我们通过训练集来进行参数的学习，通过验证集进行模型训练过程的监控，完成超参数的调整，测试集通常用来评估模型最终泛化性能的好坏。在划分训练集、验证集和测试集时，本文依据样本空间内样本不同的标签组合，将拥有相同的标签组合的样本归为一组，在每组中三个集对应的比例为6：2：2，最后将所有组内分属与各个集的样本分别样本整合在一起，再将其进行随机排序，由此完成三个集合的构建，其中训练集包含1337个样本，测试集包含434个样本，验证集包含434个样本。1.1.2基于Keras框架的液压系统状态检测模型实现Keras是一个Python的深度学习框架[19]，其具有用户有好的API，支持任意的网络架构，并且易于扩展。基于1.2节的分析，使用Keras搭建了该基于深度可分离卷积的、多输出的液压系统仪器设备健康状态检测模型。而后又经过多次优化调整得到一个目前准确率最高的模型，下面对此模型进行详细的描述。此液压系统状态检测模型包含一个输入和四个输出，分别对应传感器的输入数据以及冷却器、阀门、泵和蓄能器的状态。输入数据首先经过一个批标准化层，转化为平均值为0，标准差为1的输入，紧接着经过三个堆叠的由两个深度可分离一维卷积层和池化层构成的特征信息提取模块，其中卷积层的卷积方式设置为等长卷积，激活函数选择ReLU函数，三个特征提取模块各层的结构参数如表3-3所示。表3-3各卷积层的结构参数编号网络层卷积核步长输出维度1卷积层11016000x342卷积层21016000x683最大池化层151200x684卷积层3511200x685卷积层4511200x1366平均池化层22600x1367卷积层521600x688卷积层621600x1369平均池化层32300x136最后将得到的特征信息经过Flatten层展平，输入到四个由全连接层构成的分类器中，全连接层也使用ReLU作为函数激活，我们使用softmax作为输出层的激活函数，该函数会将各种状态转化为0-1之间的概率值，选择概率值大的为最终的结果，由此可以判断液压系统的各个组件的健康状态。四个分类器全连接层的各层结构参数如表3-4所示。表3-4各全连接层的结构参数四个输出支路分类器网络层编号网络层输出维度冷却器支路1全连接层1482全连接层2163输出层3阀门支路1全连接层1482全连接层2163输出层4泵支路1全连接层1482全连接层2323全连接层3164输出层3蓄能器支路1全连接层1482全连接层2323全连接层3164输出层4模型训练时的环境配置如下：GPU为GTX1050，Keras的版本为2.2.0，tensorflow的版本为1.1.0。模型的损失函数见1.2.3节，经过多次实验比较，权重系数，，，分别取为0.5，0.5，1，1。模型优化器使用RMSprop，训练时每批的大小设置为64，训练轮次为80轮，耗时11分9秒。在模型训练的过程中同时查看训练损失和验证损失，如果训练损失10轮内不再下降则停止训练，验证损失10轮内不在下降则降低学习率为原来的十分之一，训练损失和验