基于深度學(xué)習(xí)的柴油機(jī)氣門(mén)健康狀態(tài)評(píng)估

白雲(yún)杰，賈希勝，梁慶海，白永生

(1.陸軍工程大學(xué)石家莊校區(qū)裝備指揮與管理系，石家莊 050003；2.中國(guó)人民解放軍66029部隊(duì)，錫林郭勒 011200；3.河北省機(jī)械裝備狀態(tài)監(jiān)測(cè)與評(píng)估重點(diǎn)實(shí)驗(yàn)室，石家莊 050003)

柴油機(jī)作為大型機(jī)械裝備的主要?jiǎng)恿诵模瑥V泛應(yīng)用于交通運(yùn)輸、工業(yè)生產(chǎn)、農(nóng)業(yè)機(jī)械、化工和國(guó)防軍用裝備等領(lǐng)域。因此柴油機(jī)能否正常健康的工作，往往將直接影響整個(gè)裝備系統(tǒng)的正常運(yùn)行，可能導(dǎo)致整個(gè)系統(tǒng)故障、停工停產(chǎn)，甚至造成重大事故和經(jīng)濟(jì)損失。因此，有效地對(duì)柴油機(jī)進(jìn)行狀態(tài)監(jiān)測(cè)和健康狀態(tài)評(píng)估以實(shí)時(shí)制定相應(yīng)的維修維護(hù)策略，對(duì)保障裝備系統(tǒng)的正常使用具有重要意義[1]。

柴油機(jī)在運(yùn)行過(guò)程中，由于氣缸的往復(fù)式做功過(guò)程，使其氣門(mén)受到反復(fù)沖擊作用。在工程實(shí)際中，隨著時(shí)間的推移和使用時(shí)間的延長(zhǎng)，氣門(mén)彈簧可能會(huì)逐漸惡化變形，氣門(mén)產(chǎn)生磨損、積碳現(xiàn)象，導(dǎo)致氣門(mén)間隙異常增大，降低氣缸流量控制效率，影響柴油發(fā)動(dòng)機(jī)的正常能量轉(zhuǎn)換過(guò)程，引起柴油機(jī)功率下降。同時(shí)，氣門(mén)間隙的持續(xù)異常增大還有可能出現(xiàn)氣缸撞擊或氣門(mén)斷裂等惡性故障，造成巨大的經(jīng)濟(jì)損失，甚至威脅人身安全[2]。在實(shí)際狀態(tài)監(jiān)測(cè)過(guò)程中要直接測(cè)量柴油機(jī)氣門(mén)間隙十分困難，且時(shí)效性低，而柴油機(jī)的缸蓋振動(dòng)信號(hào)包含工作循環(huán)中的慣性沖擊以及各種隨機(jī)激勵(lì)等帶來(lái)的豐富狀態(tài)信息[3],因此現(xiàn)對(duì)柴油機(jī)缸蓋振動(dòng)信號(hào)進(jìn)行采集并監(jiān)測(cè)其健康狀態(tài)。

當(dāng)前關(guān)于裝備健康狀態(tài)評(píng)估的研究在軍事、工程和交通運(yùn)輸?shù)阮I(lǐng)域已得到廣泛應(yīng)用[4]。文獻(xiàn)[5]構(gòu)建了車(chē)輛健康狀態(tài)評(píng)價(jià)指標(biāo)體系，并建立了基于層次分析法的車(chē)輛健康狀態(tài)評(píng)價(jià)模型，為城市軌道交通車(chē)輛設(shè)備單元的實(shí)際維修工作提供科學(xué)的幫助和指導(dǎo)。姚云峰等[6]在評(píng)估裝備參數(shù)健康狀態(tài)的基礎(chǔ)上，建立了基于改進(jìn)證據(jù)理論的裝備健康狀態(tài)評(píng)估模型，并驗(yàn)證了其有效性。曾強(qiáng)等[7]基于模糊理論和貝葉斯網(wǎng)絡(luò)相結(jié)合的方式，對(duì)小樣本條件下燃?xì)廨啓C(jī)的健康狀態(tài)進(jìn)行了有效評(píng)估。傳統(tǒng)的健康狀態(tài)評(píng)估方法往往存在健康狀態(tài)指標(biāo)確定困難、權(quán)重確定主觀性強(qiáng)，評(píng)估結(jié)果受專(zhuān)家經(jīng)驗(yàn)影響較大的問(wèn)題。

隨著人工智能技術(shù)的發(fā)展，傳統(tǒng)的主觀經(jīng)驗(yàn)依賴(lài)性較強(qiáng)的健康狀態(tài)評(píng)估方法逐步向以數(shù)據(jù)挖掘和模式識(shí)別技術(shù)為核心的智能化健康狀態(tài)評(píng)估發(fā)展[8]。余永華等[9]通過(guò)監(jiān)測(cè)不同工況下的瞬時(shí)轉(zhuǎn)速信號(hào)，采用t-分布鄰域嵌入和隨機(jī)森林算法建立了發(fā)動(dòng)機(jī)健康狀態(tài)評(píng)估模型，有效評(píng)估了發(fā)動(dòng)機(jī)健康狀態(tài)。朱永超[10]通過(guò)粒子群算法對(duì)支持向量機(jī)參數(shù)進(jìn)行優(yōu)化后實(shí)現(xiàn)了齒輪箱健康狀態(tài)評(píng)估。在健康狀態(tài)指標(biāo)建立過(guò)程中，大多數(shù)情況下還需要對(duì)健康狀態(tài)指標(biāo)進(jìn)行篩選、以及融合，其篩選過(guò)程往往沒(méi)有統(tǒng)一量化的標(biāo)準(zhǔn)，僅依賴(lài)一定的人工經(jīng)驗(yàn)或數(shù)理統(tǒng)計(jì)方法，存在丟失部分健康狀態(tài)信息而導(dǎo)致評(píng)估結(jié)果不好的情況。同時(shí)傳統(tǒng)機(jī)器學(xué)習(xí)僅僅是通過(guò)算法更新模型的權(quán)重參數(shù)，對(duì)多維特征的學(xué)習(xí)能力較弱，不具備對(duì)表征健康狀態(tài)的深層特征信息的挖掘能力。

自從Hinton等[11]提出深度學(xué)習(xí)(deep learning, DL)的概念以來(lái)，深度學(xué)習(xí)廣泛應(yīng)用于圖像處理、語(yǔ)音識(shí)別、目標(biāo)檢測(cè)、信息檢索、自然語(yǔ)音處理等領(lǐng)域[12]。卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network，CNN)作為深度學(xué)習(xí)網(wǎng)絡(luò)的代表，以其強(qiáng)大的非線性特征提取和模式識(shí)別能力，減少了中間步驟帶來(lái)的累積誤差和人工經(jīng)驗(yàn)造成的信息損失，在故障診斷領(lǐng)域正處于前沿研究方向[13-14]。但當(dāng)前在裝備的健康狀態(tài)評(píng)估研究中，利用卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建評(píng)估模型的研究較少[15]。在研究柴油機(jī)氣門(mén)健康狀態(tài)評(píng)估的基礎(chǔ)上，現(xiàn)利用小波包分解對(duì)柴油機(jī)缸蓋振動(dòng)信號(hào)進(jìn)行分解，并從分解后的節(jié)點(diǎn)信號(hào)中提取多維健康狀態(tài)向量，通過(guò)一維卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建評(píng)估模型，以解決在柴油機(jī)氣門(mén)健康狀態(tài)評(píng)估中評(píng)估指標(biāo)確定困難、各指標(biāo)權(quán)重確定受人為經(jīng)驗(yàn)影響大的問(wèn)題，實(shí)現(xiàn)柴油機(jī)氣門(mén)間隙健康狀態(tài)的智能評(píng)估，并結(jié)合柴油發(fā)動(dòng)機(jī)狀態(tài)監(jiān)測(cè)實(shí)驗(yàn)臺(tái)開(kāi)展氣門(mén)間隙模擬退化實(shí)驗(yàn)，以驗(yàn)證方法的有效性。

1 基本原理

1.1 配氣機(jī)構(gòu)基本結(jié)構(gòu)

配氣機(jī)構(gòu)是裝備柴油發(fā)動(dòng)機(jī)的關(guān)鍵組成部分之一，其可在柴油機(jī)的工作循環(huán)過(guò)程中，控制進(jìn)、排氣門(mén)的開(kāi)啟和關(guān)閉，實(shí)現(xiàn)柴油發(fā)動(dòng)機(jī)的換氣過(guò)程。只有配氣機(jī)構(gòu)工作正常，才能保證氣缸良好的密閉性和較小的進(jìn)、排氣阻力，使柴油機(jī)具有穩(wěn)定的輸出功率。配氣機(jī)構(gòu)結(jié)構(gòu)基本示意圖如圖1所示。

1為氣缸蓋；2為氣門(mén)導(dǎo)管；3為氣門(mén)；4為氣門(mén)主彈簧；5為氣門(mén)副彈簧；6為氣門(mén)彈簧座；7為鎖片；8為氣門(mén)室罩；9為搖臂軸；10為搖臂；11為鎖緊螺母；12為調(diào)整螺釘；13為推桿；14為挺柱；15為凸輪軸

由圖1可知，氣門(mén)頂部位于燃燒室，在柴油發(fā)動(dòng)機(jī)的運(yùn)行過(guò)程中，受到高溫高壓的沖擊，氣門(mén)會(huì)受熱膨脹變形而伸長(zhǎng)，導(dǎo)致氣門(mén)關(guān)閉不嚴(yán)。因此為了避免這一問(wèn)題，在設(shè)計(jì)上對(duì)氣門(mén)組和氣門(mén)傳動(dòng)組之間留有一定間隙以保證氣門(mén)受熱膨脹變形后的余量空間，這就是所謂的氣門(mén)間隙。在工程實(shí)際中，隨著工作時(shí)間的增加，由于氣門(mén)彈簧老化和氣門(mén)的磨損，其氣門(mén)間隙會(huì)產(chǎn)生異常增大情況，通過(guò)監(jiān)測(cè)其氣門(mén)間隙變化情況，可以對(duì)氣門(mén)健康狀態(tài)進(jìn)行有效評(píng)估，進(jìn)而開(kāi)展預(yù)防性維修策略，保持柴油機(jī)良好的工作性能。因此，通過(guò)實(shí)驗(yàn)開(kāi)展發(fā)動(dòng)機(jī)氣門(mén)間隙退化模擬實(shí)驗(yàn)以研究其健康狀態(tài)評(píng)估方法。

1.2 小波包分解

在傳統(tǒng)的柴油機(jī)狀態(tài)監(jiān)測(cè)中，大多使用時(shí)域分析和頻域分析方法對(duì)柴油機(jī)進(jìn)行特征提取，但柴油機(jī)激勵(lì)多且缸蓋振動(dòng)信號(hào)復(fù)雜，具有非平穩(wěn)特性，傳統(tǒng)特征提取方法在柴油機(jī)振動(dòng)信號(hào)處理存在局限性[16]。小波變換是在傅里葉變化后發(fā)展起來(lái)的非平穩(wěn)信號(hào)的處理方法，通過(guò)小波基的變換可以實(shí)現(xiàn)多分辨率下的小波變換，因此可以處理非平穩(wěn)信號(hào)，被廣泛應(yīng)用于時(shí)頻分析上[17]。小波包分解則是對(duì)經(jīng)過(guò)小波分解后的信號(hào)高頻部分進(jìn)行進(jìn)一步分解，可以解決小波分解中存在的高頻頻率分辨率差，低頻時(shí)間分辨率差的問(wèn)題，因此適合對(duì)柴油機(jī)缸蓋振動(dòng)信號(hào)進(jìn)行分析。對(duì)缸蓋振動(dòng)信號(hào)進(jìn)行3層小波包分解，選用db5小波基，其分解結(jié)構(gòu)如圖2所示。

圖2 3層小波包分解結(jié)構(gòu)圖

1.3 一維卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)(CNN)是包含卷積計(jì)算且具有深度結(jié)構(gòu)的一類(lèi)典型前饋神經(jīng)網(wǎng)絡(luò)。其經(jīng)典網(wǎng)絡(luò)結(jié)構(gòu)模型包括LetNet-5模型、AlexNet網(wǎng)絡(luò)、GoogleNet網(wǎng)絡(luò)以及VGG(visual geometry group network)網(wǎng)絡(luò)等。一維卷積神經(jīng)網(wǎng)絡(luò)可以接收一維或二維數(shù)據(jù)作為輸入，通常用于處理序列數(shù)據(jù)，其采用的一維卷積核和池化層可以適用于一維振動(dòng)時(shí)序信號(hào)。目前一維卷積神經(jīng)網(wǎng)絡(luò)被研究學(xué)者應(yīng)用于振動(dòng)信號(hào)的研究中，取得了較好的效果[18-19]。因此采用一維卷積神經(jīng)網(wǎng)絡(luò)來(lái)處理柴油發(fā)動(dòng)機(jī)振動(dòng)信號(hào),構(gòu)造一個(gè)一維卷積神經(jīng)網(wǎng)絡(luò)(one-dimensional convolutional neural network, 1DCNN)模型，其網(wǎng)絡(luò)架構(gòu)如圖3所示。

X1為第1個(gè)輸入值；Xi為第i個(gè)輸入值；Xn為第n個(gè)輸入值；Relu為線性整流函數(shù)；Softmax為激活函數(shù)；Dropout是深度學(xué)習(xí)中常用的一種防止過(guò)擬合的技術(shù)手段，可提高所構(gòu)建網(wǎng)絡(luò)的穩(wěn)定性和魯棒性

該網(wǎng)絡(luò)模型結(jié)構(gòu)由一維卷積層(2個(gè))、一維最大池化層(2個(gè))、全連接層(3個(gè))和Flatten層(1個(gè))構(gòu)成。非線性激活函數(shù)選用ReLU，最后一層全連接層使用Softmax作為激活函數(shù)以實(shí)現(xiàn)對(duì)不同健康狀態(tài)的評(píng)估，其中Flatten層連接卷積層和全連接層，在全連接層加入Dropout防止過(guò)擬合。

2 基于深度學(xué)習(xí)的健康狀態(tài)評(píng)估流程

為了解決以往健康狀態(tài)指標(biāo)確定、篩選困難，選取的健康狀態(tài)指標(biāo)可能表征信息不全，以及評(píng)估過(guò)程人為經(jīng)驗(yàn)影響嚴(yán)重的問(wèn)題，提出了基于深度學(xué)習(xí)的健康狀態(tài)評(píng)估方法，其流程如圖4所示，具體步驟如下。

圖4 基于深度學(xué)習(xí)的健康狀態(tài)評(píng)估流程

(1)通過(guò)柴油機(jī)狀態(tài)監(jiān)測(cè)實(shí)驗(yàn)臺(tái)采集不同氣門(mén)間隙下的柴油機(jī)缸蓋振動(dòng)信號(hào)。

(2)對(duì)采集得到的缸蓋振動(dòng)信號(hào)進(jìn)行小波包分解，對(duì)小波包分解后的系數(shù)信號(hào)分別提取14個(gè)常見(jiàn)時(shí)域特征和小波包分解能量占比作為健康狀態(tài)指標(biāo)，共同構(gòu)建綜合健康指標(biāo)向量。

(3)明確氣門(mén)不同間隙下每種健康狀態(tài)等級(jí)與健康指標(biāo)向量的對(duì)應(yīng)關(guān)系，使用一維卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建健康狀態(tài)評(píng)估模型。

(4)劃分訓(xùn)練集和測(cè)試集，設(shè)置訓(xùn)練集標(biāo)簽和測(cè)試集標(biāo)簽。將訓(xùn)練集輸入健康狀態(tài)評(píng)估模型中進(jìn)行有監(jiān)督的訓(xùn)練，得到最優(yōu)模型下的指標(biāo)權(quán)重。

(5)將測(cè)試集輸入訓(xùn)練好的一維卷積神經(jīng)網(wǎng)絡(luò)評(píng)估模型中，得到氣門(mén)健康狀態(tài)評(píng)估結(jié)果。

3 基于深度學(xué)習(xí)的氣門(mén)健康狀態(tài)評(píng)估

3.1 柴油發(fā)動(dòng)機(jī)氣門(mén)間隙模擬退化實(shí)驗(yàn)

依托陸軍工程大學(xué)石家莊校區(qū)RCM實(shí)驗(yàn)室柴油機(jī)狀態(tài)監(jiān)測(cè)實(shí)驗(yàn)臺(tái)開(kāi)展氣門(mén)間隙模擬退化實(shí)驗(yàn)，以對(duì)本文方法進(jìn)行有效性驗(yàn)證。研究對(duì)象為一汽解放汽車(chē)有限公司無(wú)錫柴油機(jī)廠生產(chǎn)的六缸高壓共軌柴油發(fā)動(dòng)機(jī)，型號(hào)為錫柴CA6DF3-20E3。該實(shí)驗(yàn)臺(tái)系統(tǒng)及傳感器配置如圖5所示，基本參數(shù)如表1所示。

圖5 柴油機(jī)狀態(tài)監(jiān)測(cè)實(shí)驗(yàn)臺(tái)

表1 柴油發(fā)動(dòng)機(jī)技術(shù)參數(shù)

在振動(dòng)信號(hào)的采集過(guò)程中，采樣頻率為20 kHz，單次采樣時(shí)間10 s，采樣間隔15 s。在實(shí)驗(yàn)過(guò)程中，共安裝了6個(gè)傳感器，分別沿軸向安裝在柴油發(fā)動(dòng)機(jī)缸蓋上。在本次實(shí)驗(yàn)中，通過(guò)預(yù)置柴油機(jī)第3缸進(jìn)氣門(mén)氣門(mén)間隙大小，以模擬在柴油機(jī)運(yùn)行過(guò)程中氣門(mén)間隙退化過(guò)程。在實(shí)驗(yàn)過(guò)程中需要對(duì)缸蓋進(jìn)行拆卸，具體氣門(mén)間隙調(diào)整如圖6所示。

圖6 氣門(mén)間隙調(diào)整過(guò)程

本次實(shí)驗(yàn)?zāi)M氣門(mén)間隙退化過(guò)程共預(yù)置4種健康狀態(tài)，即正常(健康)、氣門(mén)間隙略微增大(一般)、氣門(mén)間隙增大(注意)、氣門(mén)間隙嚴(yán)重增大(惡化)，具體實(shí)驗(yàn)設(shè)置如表2所示。經(jīng)過(guò)實(shí)驗(yàn)采樣，每種故障模式有10組數(shù)據(jù)，每組數(shù)據(jù)有6個(gè)通道數(shù)據(jù)，單次采樣數(shù)據(jù)量為200 000。

表2 氣門(mén)間隙設(shè)置

3.2 數(shù)據(jù)分析與健康狀態(tài)向量構(gòu)建

為了更好地針對(duì)退化模擬過(guò)程進(jìn)行分析，對(duì)實(shí)驗(yàn)采集得到的氣門(mén)間隙不同健康狀態(tài)下的第3通道缸蓋振動(dòng)信號(hào)進(jìn)行分析，得到其時(shí)域波形和頻譜圖如圖7和圖8所示。從圖7中可以看到，其時(shí)域波形成分復(fù)雜，且隨著氣門(mén)間隙的增大，并無(wú)明顯幅值變化。在頻譜圖中可以發(fā)現(xiàn)不同氣門(mén)間隙下的頻譜圖幅值略有差異，無(wú)明顯故障頻率出現(xiàn)，難以區(qū)分不同狀態(tài)。

圖7 不同氣門(mén)間隙的時(shí)域波形

圖8 不同氣門(mén)間隙頻譜圖

通過(guò)對(duì)缸蓋振動(dòng)信號(hào)進(jìn)行小波包分解后對(duì)其提取多維特征以構(gòu)建健康狀態(tài)綜合向量。以正常工況下采集得到的信號(hào)為例，觀察小波包分解后各節(jié)點(diǎn)頻帶信號(hào)頻譜，如圖9所示。從圖9可知，經(jīng)過(guò)小波包分解后，得到的節(jié)點(diǎn)(3,0)到(3,7)分別出現(xiàn)不同頻帶信號(hào)，說(shuō)明在經(jīng)過(guò)小波包分解后，將原始信號(hào)可分解成不同高頻段和低頻段信號(hào)，在此基礎(chǔ)上對(duì)分解得到的各節(jié)點(diǎn)信號(hào)進(jìn)行特征提取可以得到更好地反映健康狀態(tài)的強(qiáng)化性健康狀態(tài)指標(biāo)。同時(shí)，觀察不同氣門(mén)間隙狀態(tài)下經(jīng)過(guò)小波包分解后各節(jié)點(diǎn)信號(hào)的能量分布如圖10所示。

圖9 小波包分解節(jié)點(diǎn)信號(hào)頻譜

圖10 不同健康狀態(tài)小波包能量特征分布圖

從圖10可以看出，在氣門(mén)間隙的不同狀態(tài)下，其信號(hào)能量的分布主要集中在第2個(gè)節(jié)點(diǎn)信號(hào)中，且四種健康狀態(tài)下的能量分布存在差異，因此考慮使用小波包分解后的能量比作為氣門(mén)健康狀態(tài)的評(píng)估指標(biāo)。

在構(gòu)建綜合健康狀態(tài)向量的過(guò)程中，以第3通道振動(dòng)信號(hào)來(lái)進(jìn)行分析，選取每種健康狀態(tài)下包含柴油機(jī)一個(gè)運(yùn)轉(zhuǎn)周期采樣點(diǎn)數(shù)5 000為一個(gè)樣本，得到每種狀態(tài)有400個(gè)樣本。按照第2節(jié)中流程，分別對(duì)每種健康狀態(tài)樣本使用db5小波基進(jìn)行3層小波包分解，對(duì)分解后得到的8個(gè)節(jié)點(diǎn)信號(hào)分別提取最大值、最小值、峰峰值、平均值、絕對(duì)平均值、方差、標(biāo)準(zhǔn)差、峭度、偏度、均方根、波形因子、峰值因子、脈沖因子和裕度因子共14個(gè)特征，則共得到112維的特征向量，與小波包分解得到的8維節(jié)點(diǎn)信號(hào)能量比特征向量共同構(gòu)成120維的綜合健康指標(biāo)向量，最終得到每種狀態(tài)數(shù)據(jù)樣本維度為400×120。將數(shù)據(jù)樣本按照0.8∶0.2隨機(jī)劃分訓(xùn)練集和測(cè)試集，得到1 280個(gè)訓(xùn)練樣本，320個(gè)測(cè)試樣本。

3.3 基于1DCNN的健康狀態(tài)評(píng)估模型

基于1DCNN網(wǎng)絡(luò)建立健康狀態(tài)評(píng)估模型，在1DCNN網(wǎng)絡(luò)模型的參數(shù)設(shè)置中，以one-hot編碼方式進(jìn)行編碼，損失函數(shù)選擇多分類(lèi)交叉熵?fù)p失以滿足多分類(lèi)需求；為了提高模型訓(xùn)練效率和穩(wěn)定性，確定學(xué)習(xí)率為0.001；模型迭代次數(shù)為200次，批尺寸設(shè)置為16，以減少模型訓(xùn)練時(shí)間。

通過(guò)調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)和神經(jīng)元個(gè)數(shù)，最終確定網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)如表3所示。其中，Conv1D(一維卷積層)，MaxPooling1D(一維最大池化層)，Dense(全連接層)。1DCNN網(wǎng)絡(luò)訓(xùn)練過(guò)程如圖11所示，實(shí)驗(yàn)結(jié)果顯示本文方法對(duì)氣門(mén)不同健康狀態(tài)的評(píng)估準(zhǔn)確率達(dá)到96.9%。

圖11 模型訓(xùn)練過(guò)程

表3 1DCNN網(wǎng)絡(luò)結(jié)構(gòu)及參數(shù)

從模型訓(xùn)練過(guò)程的準(zhǔn)確率曲線和損失函數(shù)曲線可以驗(yàn)證本文所選參數(shù)的合理性。結(jié)果顯示模型在迭代到第25次時(shí)開(kāi)始收斂，到迭代100次后趨于穩(wěn)定，訓(xùn)練和測(cè)試損失曲線近似重合，說(shuō)明模型表現(xiàn)較好；同時(shí)觀察準(zhǔn)確率曲線也可看到最終模型經(jīng)過(guò)訓(xùn)練后的效果較好。

3.4 實(shí)驗(yàn)對(duì)比與分析

為了研究本文所提出的健康狀態(tài)評(píng)估方法中，不同參數(shù)對(duì)模型評(píng)估效果的影響，對(duì)卷積核個(gè)數(shù)、卷積核尺寸以及各層神經(jīng)元個(gè)數(shù)進(jìn)行對(duì)比測(cè)試，其結(jié)果如表4所示。

表4 1DCNN參數(shù)對(duì)比

通過(guò)對(duì)比發(fā)現(xiàn)，在本文所構(gòu)建的深度學(xué)習(xí)健康狀態(tài)評(píng)估模型中，卷積核個(gè)數(shù)對(duì)模型評(píng)估結(jié)果影響較小，卷積核的大小和神經(jīng)元個(gè)數(shù)對(duì)評(píng)估結(jié)果的影響較大，但參數(shù)變化影響呈隨機(jī)性。總體來(lái)說(shuō)，本文建立的評(píng)估模型在氣門(mén)間隙健康狀態(tài)的評(píng)估上具有一定的穩(wěn)定性。

為了驗(yàn)證本文方法的優(yōu)越性，對(duì)比使用原始信號(hào)輸入1DCNN網(wǎng)絡(luò)的評(píng)估結(jié)果及計(jì)算效率如表5所示，將每個(gè)樣本原始信號(hào)截取5 000個(gè)樣本點(diǎn)作為輸入。所用計(jì)算機(jī)配置：Intel Core i7-9850H 2.60 GHz,2.59 GHz；評(píng)估模型構(gòu)建環(huán)境為Pycharm(Version: 2020.2.2)，Python 3.8。

表5 效率對(duì)比

由表5可以看出，當(dāng)使用原始信號(hào)輸入1DCNN網(wǎng)絡(luò)時(shí)，評(píng)估準(zhǔn)確率較低。原因是數(shù)據(jù)量過(guò)大，需要對(duì)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行調(diào)整，構(gòu)建更復(fù)雜的深層網(wǎng)絡(luò)結(jié)構(gòu)，將導(dǎo)致計(jì)算資源的嚴(yán)重占用；同時(shí)，從模型訓(xùn)練時(shí)間來(lái)看，采用本文所用方法訓(xùn)練神經(jīng)網(wǎng)絡(luò)時(shí)間要遠(yuǎn)小于原始信號(hào)輸入，這將大大提高評(píng)估效率。

同時(shí)，針對(duì)本文提出的綜合健康指標(biāo)向量的有效性進(jìn)行研究，將相同數(shù)據(jù)樣本分別構(gòu)建以下健康狀態(tài)指標(biāo)向量：直接提取原始信號(hào)14個(gè)時(shí)域特征(D-HI)；對(duì)原信號(hào)進(jìn)行小波包分解后提取能量比特征(E-HI)；原信號(hào)分別提取14個(gè)時(shí)域特征和小波包分解能量比特征后，構(gòu)建綜合健康指標(biāo)(DE-HI);原信號(hào)進(jìn)行小波包分解后，分別提取14個(gè)時(shí)域特征，構(gòu)建健康指標(biāo)向量(WD-HI)，以及本文所構(gòu)建綜合健康指標(biāo)向量(C-HI)，輸入1DCNN網(wǎng)絡(luò)中，觀察對(duì)氣門(mén)不同健康狀態(tài)的評(píng)估結(jié)果如表6所示。

由表6可以看出，在柴油機(jī)氣門(mén)健康狀態(tài)指標(biāo)構(gòu)建中，對(duì)柴油機(jī)缸蓋振動(dòng)信號(hào)直接提取時(shí)域特征的評(píng)估效果不佳，總體識(shí)別率僅71.9%。對(duì)信號(hào)進(jìn)行小波包分解后的能量比指標(biāo)評(píng)估準(zhǔn)確率達(dá)到90.3%，且對(duì)信號(hào)進(jìn)行小波包分解后分別提取時(shí)域特征評(píng)估準(zhǔn)確率達(dá)到94.6%，本文方法的評(píng)估準(zhǔn)確率達(dá)到96.9%。驗(yàn)證了本文所提出的小波包分解后提取特征對(duì)柴油機(jī)氣門(mén)間隙異常具有敏感性，考慮可能是由于小波包分解后將信號(hào)分解到不同頻帶，對(duì)氣門(mén)間隙故障狀態(tài)信息進(jìn)行了分離和加強(qiáng)。通過(guò)對(duì)比也驗(yàn)證了本文所提出的綜合健康指標(biāo)向量在柴油機(jī)氣門(mén)健康狀態(tài)評(píng)估上的有效性。

表6 不同健康指標(biāo)評(píng)估效果

進(jìn)一步研究基于1DCNN網(wǎng)絡(luò)構(gòu)建健康狀態(tài)評(píng)估模型與傳統(tǒng)機(jī)器學(xué)習(xí)算法對(duì)氣門(mén)間隙健康狀態(tài)的評(píng)估效果，結(jié)果如表7所示。從表7可以看出本文所提出深度學(xué)習(xí)模型相對(duì)于支持向量機(jī)、決策樹(shù)、樸素貝葉斯以及K近鄰算法來(lái)說(shuō)，對(duì)氣門(mén)間隙不同健康狀態(tài)的評(píng)估效果最好，具體模型評(píng)估的混淆矩陣如圖12所示。

圖12 不同方法評(píng)估結(jié)果混淆矩陣

表7 不同方法對(duì)比

從評(píng)估結(jié)果混淆矩陣可以看出，傳統(tǒng)機(jī)器學(xué)習(xí)的方法中支持向量機(jī)、樸素貝葉斯模型和K近鄰模型僅對(duì)“惡化”狀態(tài)區(qū)分度較高，即其在健康狀態(tài)評(píng)估過(guò)程中僅能較好區(qū)分“正常”和“故障”狀態(tài)；決策樹(shù)模型則可以較好地區(qū)分“健康”和“惡化”兩種狀態(tài)，但對(duì)中間態(tài)的評(píng)估效果不好；結(jié)果表明，本文所提出的深度學(xué)習(xí)模型在氣門(mén)間隙健康狀態(tài)評(píng)估中的效果最好。

4 結(jié)論

針對(duì)柴油機(jī)在運(yùn)行過(guò)程中，氣門(mén)間隙會(huì)隨其性能退化過(guò)程發(fā)生變化，提出了一種基于深度學(xué)習(xí)的柴油機(jī)氣門(mén)健康狀態(tài)評(píng)估方法，并經(jīng)過(guò)實(shí)驗(yàn)驗(yàn)證方法的有效性，得到以下結(jié)論。

(1)基于深度學(xué)習(xí)的氣門(mén)健康狀態(tài)評(píng)估方法能夠自適應(yīng)地實(shí)現(xiàn)健康狀態(tài)信息的深度挖掘，有效解決傳統(tǒng)評(píng)估方法中健康評(píng)估指標(biāo)的篩選、權(quán)重確定困難的問(wèn)題，避免出現(xiàn)評(píng)估結(jié)果受主觀經(jīng)驗(yàn)影響較大的情況。

(2)通過(guò)小波包分解的方法能夠有效處理柴油機(jī)缸蓋振動(dòng)信號(hào)，分解后各頻帶信號(hào)可以更加全面地反映原始信號(hào)中隱藏在不同頻帶內(nèi)的狀態(tài)信息。同時(shí)，本文構(gòu)建的綜合健康狀態(tài)向量對(duì)柴油機(jī)氣門(mén)間隙狀態(tài)變化具有較高敏感性。

(3)基于深度學(xué)習(xí)的健康狀態(tài)評(píng)估方法能夠有效對(duì)柴油機(jī)氣門(mén)健康狀態(tài)進(jìn)行評(píng)估，總體識(shí)別率達(dá)到96.6%，且與其他方法相比，評(píng)估效果更好。