基于深度學習的液壓缸壽命預測方法研究*

高 謙 肖 維

（1.河海大學 南京 210000）（2.深圳大學 深圳 518000）

1 引言

液壓缸的復雜工況導致其具有故障多發(fā)、壽命短暫的特點，工程作業(yè)中液壓缸的失效將導致工程事故或停產(chǎn)，進而造成一定的經(jīng)濟損失［1］。因此，建立可靠的壽命預測系統(tǒng)對液壓缸的壽命進行精確預測以提前更換即將失效的液壓缸可有效地避免這些問題。由于系統(tǒng)需采集液壓缸整個生命周期的數(shù)據(jù)，且各監(jiān)測點的采樣頻率較高，因此系統(tǒng)采集到的數(shù)據(jù)規(guī)模很大，致使液壓缸的壽命預測需要用大數(shù)據(jù)的方法解決［2］。

深度學習是大數(shù)據(jù)分析技術(shù)中的杰出代表，但是在液壓設(shè)備壽命預測領(lǐng)域中應用較少［3］。因此，本文提出了基于深度學習的液壓缸壽命預測方法。該方法相比傳統(tǒng)的機器學習方法，其優(yōu)勢在于：通過建立深度學習模型，擺脫了對大規(guī)模數(shù)據(jù)處理技術(shù)和行業(yè)專家知識的依賴，直接從大量數(shù)據(jù)中自適應地進行特征提取與特征選擇，實現(xiàn)更具魯棒性與泛化能力的液壓缸壽命預測方法［4］。

2 深度學習理論

深度學習區(qū)別于傳統(tǒng)的模式識別方法在于它能夠從大規(guī)模數(shù)據(jù)中自適地進行特征提取與特征選擇，而非采用人工方法［5］。特征提取與特征選擇都是通過改變數(shù)據(jù)分布的方法從原始特征中尋求最有效的特征，以提高模式識別系統(tǒng)的性能。而特征提取與特征選擇的區(qū)別在于：特征提取的方法通過改變屬性間的關(guān)系來改變數(shù)據(jù)分布，原有的特征空間發(fā)生了變化；特征選擇的方法則是從原始特征集中選擇出最有效的特征子集，原有的特征空間沒有發(fā)生變化［7］。

在液壓缸壽命預測領(lǐng)域，BP 神經(jīng)網(wǎng)絡模型應用最為廣泛。其單隱層的淺層結(jié)構(gòu)限制了分類器的特征提取與特征選擇的能力，而采用具有多隱層的深度結(jié)構(gòu)會導致訓練出的分類器易陷入局部最優(yōu)。深度學習將底層特征進行組合并構(gòu)成更加抽象的高層表示，以挖掘出更加有效的特征表示，使得深層網(wǎng)絡的訓練問題有了很大的改善。深度學習用于液壓缸壽命預測的方法：先以非監(jiān)督學習算法對網(wǎng)絡模型進行預訓練，以獲得更加有效的信號特征表示。然后利用監(jiān)督學習算法對信號特征進行分類，使得網(wǎng)絡結(jié)構(gòu)具有預測能力［8］。本文使用DAE 算法作為預訓練階段的非監(jiān)督算法，并將Adaboost算法作為分類階段的監(jiān)督算法。

2.1 特征提取算法原理

DAE（Denoising autoencoder）算法模型又被稱為降噪自動編碼機，該模型通過在訓練數(shù)據(jù)中加入隨機噪聲來訓練神經(jīng)網(wǎng)絡，神經(jīng)網(wǎng)絡可以習得無噪聲的輸入特征以及噪聲的主要特征［9］。該方法能夠使神經(jīng)網(wǎng)絡在測試數(shù)據(jù)中表現(xiàn)出更強的泛化性，使得神經(jīng)網(wǎng)絡具有去噪以獲取無噪聲數(shù)據(jù)的能力。因此，本文選擇DAE 作為特征提取算法的目的在于提高模式識別系統(tǒng)對噪聲的魯棒性。

DAE 算法的結(jié)構(gòu)如圖1 所示，其訓練過程：加噪網(wǎng)絡通過噪聲函數(shù)fθ向輸入樣本XR中加入隨機噪聲，獲得含噪樣本：

tf為加噪網(wǎng)絡的激活函數(shù)；θ為加噪網(wǎng)絡的參數(shù)集，且θ=｛W，b｝；R為樣本的特征維度。然后編碼網(wǎng)絡通過編碼函數(shù)hφ對含噪樣本進行編碼，獲得編碼樣本：

sh為編碼網(wǎng)絡的激活函數(shù)；φ為編碼網(wǎng)絡的參數(shù)集，且φ={V，d}；R'為編碼樣本的維度，此過程中，樣本維度發(fā)生了改變。然后解碼網(wǎng)絡通過解碼函數(shù)對編碼樣本進行解碼重構(gòu)，獲得解碼樣本：

為解碼網(wǎng)絡的激活函數(shù)，φ'為解碼網(wǎng)絡的參數(shù)集，且φ'={V'，d'} ；經(jīng)過解碼重構(gòu)，解碼樣本的維度與輸入樣本XR的維度一致。最后，網(wǎng)絡將根據(jù)輸入樣本XR與解碼樣本X^R計算出重構(gòu)誤差

圖1 DAE算法模型結(jié)構(gòu)

2.2 特征選擇算法原理

Adaboost 算法的思想是合并多個弱分類器的輸出構(gòu)成強分類器以獲得更加有效的分類，本文選擇BP 神經(jīng)網(wǎng)絡模型作為弱分類器，經(jīng)Adaboost 算法合并構(gòu)成BP-Adaboost 強分類器作為深度網(wǎng)絡分類階段特征選擇的監(jiān)督算法［10］，其結(jié)構(gòu)如圖2 所示。

該方法需按規(guī)則將訓練數(shù)據(jù)進行分組，并將各組數(shù)據(jù)輸入多個弱分類器進行迭代運算，對于分類失敗的樣本個體賦予較大的權(quán)值，下一次迭代運算時將著重關(guān)注。強分類器則采用加權(quán)多數(shù)表決的方法合并弱分類器，分類結(jié)果越好的弱分類器，其對應的權(quán)重越大［11］。該算法的訓練過程如下。

1）給出特征維度為R 的樣本空間(XR，Y)，從中搜索出 2R-1 個可能的非空特征子集{Xt} =(X1，t，X2，t，…，Xs，t)，并將 (Xt，Y)作為各弱分類器的訓練數(shù)據(jù)集，其滿足：

t為各訓練數(shù)據(jù)集和對應弱分類器的序列，且t=1，2，…，2R-1；s 為樣本空間中的樣本個數(shù)，均布各訓練數(shù)據(jù)集的初始權(quán)值：

然后根據(jù)特征子集的維度確定各BP神經(jīng)網(wǎng)絡模型的結(jié)構(gòu)以及迭代次數(shù)N。

2）使用權(quán)值為Dn，t的訓練數(shù)據(jù)集進行學習，得到弱分類器Gn(X)，n為迭代序列，且n=1，2，…，N。

3）計算Gn(X)的在訓練數(shù)據(jù)集上的分類誤差：

4）計算Gn(X )在強分類器中的權(quán)值：

5）計算下一輪迭代運算的權(quán)值：

Bn為權(quán)值系數(shù)，可使權(quán)值的比例與總和保持不變；Xi，t∈{Xt} ，且i=1，2，…，s。

6）將弱分類器函數(shù)進行加權(quán)合并獲得強分類器函數(shù)：

有效的特征數(shù)據(jù)所訓練出的弱分類器分類效果較好，在強分類器加權(quán)合并時將獲得較大的權(quán)值，以此達到特征選擇的目的［12］。而攜帶噪聲的樣本在弱分類器迭代運算時將會表現(xiàn)出較差的分類效果，并會被賦予較大的權(quán)值，進而對分類器的性能產(chǎn)生不良影響［13］。因此，利用DAE 算法對數(shù)據(jù)進行去噪聲預處理，可有效解決這一問題。

圖2 強分類器結(jié)構(gòu)

2.3 深度網(wǎng)絡構(gòu)建

提出方法將多個DAE 模型逐層堆疊作為深度網(wǎng)絡預訓練階段的無監(jiān)督算法［14］，并將訓練結(jié)果輸入BP-Adaboost 強分類器，作為分類階段的監(jiān)督訓練數(shù)據(jù)，深度網(wǎng)絡的結(jié)構(gòu)如圖3所示。

3 實驗驗證

3.1 實驗數(shù)據(jù)

本文以液壓缸的壽命預測方法為研究對象，所以應采集液壓缸整個生命周期的數(shù)據(jù)用來訓練深度網(wǎng)絡［14］。通過對液壓缸壽命影響因素及表現(xiàn)形式進行分析，提出將安裝在液壓缸上的傳感器所監(jiān)測到的數(shù)據(jù)作為深度網(wǎng)絡的輸入變量，其形式可以表示為X={x1，x2，x3，x4，x5} 各元素含義如表 1 所示；將液壓缸的生命周期按時間降序分級作為深度網(wǎng)絡的輸出變量，表示為Y={y1，y2，y3，y4，y5，y6} ，各元素含義如表2所示。

圖3 深度網(wǎng)絡的結(jié)構(gòu)

表1 深度網(wǎng)絡輸入變量

表2 深度網(wǎng)絡輸出變量

本次實驗從客戶端的液壓缸采集了2000 組均布在整個生命周期內(nèi)的數(shù)據(jù)，隨機選取其中的1600 組對深度網(wǎng)絡進行訓練，利用剩余數(shù)據(jù)對學習器進行測試。

3.2 特征提取性能驗證

為了驗證提出方法的特征提取性能，利用主成分分析法提取數(shù)據(jù)特征的前三個主成分［14］，分析結(jié)果如圖4 所示。圖4（a）為提出方法特征提取的主成分散點圖，可以看出液壓缸的同一壽命等級散點很好地聚集在一起，不同的壽命等級散點被有效的分離，可知提出方法的特征提取效果顯著。圖4（b）為多隱層BP 神經(jīng)網(wǎng)絡模型特征提取的主成分散點圖，可觀察到，部分同一壽命等級的散點聚集較好，但是與不同壽命等級散點之間存在交叉，因此多隱層BP 神經(jīng)網(wǎng)絡的特征提取性能存在不足。圖4（c）為單隱層BP神經(jīng)網(wǎng)絡模型特征提取的主成分散點圖，可以看出不同壽命等級的散點相互交叉，分布的規(guī)律性較差，因而單隱層BP神經(jīng)網(wǎng)絡模型特征提取性能最差。

上述分析表明，DAE算法可根據(jù)傳感器信號自適應地提取有效的特征，而BP 神經(jīng)網(wǎng)絡由于其結(jié)構(gòu)的限制，特征提取性能較差［15］。

圖4 主成分分析散點圖

3.3 特征選擇性能驗證

為了驗證提出方法的特征選擇性能，在Matlab環(huán)境下對BP-Adaboost 強分類器與BP 弱分類器進行仿真實驗，并對比兩者的測試結(jié)果，測試結(jié)果如圖5 所示。橫坐標為測試樣本的編號；縱坐標為分類器預測誤差的絕對值，分類器的預測值為液壓缸的壽命值，范圍為[0 ， 100 ]；星形標識代表強分類器的預測結(jié)果；圓形標識表示弱分類器的預測結(jié)果。從圖中可以看出，對于絕大部分的測試樣本，強分類器的預測誤差遠小于弱分類器的預測誤差。且強分類器的預測誤差值大都小于5，可得強分類器的預測精度可到達95%，該精度可滿足實際工程應用的要求。因此，提出方法的特征選擇性能可靠。

圖5 分類器測試結(jié)果

4 結(jié)語

論文簡述了深度學習理論的特點，指出傳統(tǒng)機器學習在液壓缸壽命預測方面的不足。并提出基于特征提取與特征選擇的深度學習方法，該方法改善了傳統(tǒng)機器學習算法在處理深層網(wǎng)絡時的不足，可以更準確地對液壓缸的壽命狀況進行預測。