電靜壓伺服機構小樣本數據故障診斷方法研究*

楊高朋，岑恩杰，陳換過*，陳 培，肖 雪，徐 淼，劉培君

(1.浙江理工大學機械與自動控制學院，浙江 杭州 310018；2.杭州定川信息技術有限公司，浙江 杭州 310018；3.北京精密機電控制設備研究所，北京 100076)

作為一種新型的電傳控制系統，電靜壓伺服機構(Electro-Hydrostatic Actuator，EHA)是未來航空航天領域推力矢量系統的主要發展趨勢之一，具有重載能力強、易實現冗余等優點[1-2]。因此，開展EHA小樣本數據增強并進行故障診斷對掌握EHA健康狀態和保證EHA安全可靠服役具有重要的意義。然而由于EHA小子樣、長儲存加上裝備本身高可靠性，導致電靜壓伺服機構故障樣本少，再加上有些零部件傳感器位置布置困難，使得獲取數據更加困難。采用小樣本數據增強故障診斷方法可有效解決上述問題。目前，該方法主要集中在:增加噪聲、數據合成、隨機采樣和數據變換四種[3]。其中隨機采樣僅通過簡單的插值對數據進行擴充，不能有效提高數據多樣性，其做法反而會增加模型過擬合的風險。變分自編碼網絡(Variational Auto-Encoding network，VAE)和生成對抗網絡(generate adversarial network，GAN)都是通過學習真實數據的分布規律，進而對樣本進行擴充。Francisco J等[4]詳細介紹了VAE和GAN方法的原理，并通過試驗驗證了數據增強方法對深度神經網絡訓練效果的增益。從實際應用上看，GAN采用零和博弈原理學習樣本特征分布，對樣本數據進行擴充，生成數據結果表現優于VAE[4]。

目前，GAN主要集中應用在解決軸承故障樣本數據不平衡問題[5-7]。對于EHA這一小子樣領域，浙江理工大學劉培君[8]利用GAN及其變種對EHA小樣本數據進行數據增強并進行故障診斷。結果表明，WDCGAN相比原始GAN生成數據更接近于真實樣本，但因樣本量少不足以提取足夠樣本特征，使得生成數據質量多樣性受限，導致在利用數據增強樣本進行故障診斷時仍存在過擬合、準確率低的問題。隨著遷移學習的發展，吳定會等[9]將數據增強模型與遷移學習相結合，提高了風電機軸承小樣本故障診斷精度。肖兒良等[10]利用改進的生成對抗網絡(WGAN-GP)與遷移學習結合解決了醫學圖像融合時融合圖像效果差的問題。

本文提出遷移學習和生成對抗網絡相結合的故障診斷方法，可有效解決基于WDCGAN故障診斷模型存在的準確率低和過擬合問題。首先利用遷移學習對已有的EHA生成數據進行特征提取，得到預訓練模型；然后將預訓練模型與WDCGAN結合進行微調；對電靜壓伺服機構試驗數據進行數據增強；最后采用MMD距離和3種故障診斷結果評價指標對文章故障診斷方法進行評價。結果表明:本文所提方法有效解決了基于WDCGAN的故障診斷方法過擬合和準確率低的問題。

1 EHA試驗系統介紹

如圖1所示，EHA伺服系統由伺服控制驅動和電靜壓伺服機構兩部分構成，伺服機構在工作時，控制器接受位移反饋信號和指令信號，通過控制算法進行綜合處理后傳遞給驅動器帶動伺服電機泵轉動，同時將液壓油輸送到活塞推動活塞桿進行工作。

圖1 EHA工作原理圖

根據圖1所示EHA的工作原理搭建伺服機構試驗平臺，并模擬油濾堵塞和增壓油箱漏氣兩種故障模式，試驗樣機如圖2[11]。

圖2 EHA試驗樣機

試驗通過控制油濾通油面積，模擬油濾堵塞故障，其中通油面積分別設置為:100%(無堵塞故障狀態)、76%、67%、55%、43%、29%、15%、9%、7%、6%、4%共11種工況。采用充氣嘴增壓油箱排放氮氣的方式模擬增壓油箱漏氣，其中增壓油箱壓力分別設置為:1.6 MPa(無漏氣故障狀態)、1.432 MPa、1.070 MPa、0.81 MPa、0.55 MPa共5種工況，試驗時間為0.5 s，采樣頻率為500 Hz。進行幅值為70.8 mm的連續位置指令階躍信號測試，通過圖3所示總成測試儀對試驗數據進行采集，試驗采集6個特征信號，分別為:電機電壓、電流、轉速、作動器位移、伸出腔壓力1和縮回腔壓力2，然后對位移求導，得到作動器速度，共7維試驗數據，試驗每隔0.02 s對數據進行采集，即試驗數據形狀為250×7。

圖3 總成測試儀

2 EHA小樣本數據增強模型

以WDCGAN生成的電靜壓伺服機構數據為源域并結合遷移學習，采用“預訓練+微調”的方法，實現對試驗故障樣本的數據增強。

2.1 Transfer-WDCGAN模型框架

假設試驗數據x＝{x1，x2…x m}服從分布pr，下標m代表試驗數據特征向量的個數(文中m＝7)，x m代表第m個特征向量，隨機噪聲服從分布pz，將隨機噪聲作為生成器輸入，經過多層神經元計算獲得與試驗數據維度一致的樣本。而判別器輸入包含真實樣本標簽和生成的假樣本，同樣經過多層神經元計算獲得輸入數據是否為真實數據的概率。生成器目標是生成樣本分布盡可能逼近真實樣本分布。判別器目標則是甄別輸入數據的來源屬性。二者損失函數如下所示[12]。

式中:pz為隨機噪聲服從的分布；pr為真實樣本服從的分布。二者通過交替訓練各自提高自己的生成能力和判別能力并最終達到納什均衡點，有效解決了傳統GAN存在梯度消失和訓練不穩定的情況。Transfer-WDCGAN模型框架如下:

如圖4所示，模型框架分為模型訓練和數據生成兩部分。首先通過WDCGAN對試驗數據進行數據增強，并將生成數據作為遷移學習源域，以EHA試驗樣機采集的7類信號(電機電壓、電流、指令轉速、作動器位移、作動器速度、作動器兩腔室壓力)為目標域；然后采用“預訓練+微調”的方式，對模型進行訓練；最后，將隨機噪聲輸入訓練穩定的生成器模型中，實現對試驗樣本的數據增強。主訓練過程中生成器Gm和判別器Dm參數與預訓練過程中參數共享。為更加詳細描述生成器生成樣本時的特征提取過程，分別選取1 000、5 000、10 000次迭代時各卷積層所生成的樣本，并將其轉化為灰度圖，如圖5所示。

圖4 Transfer-WDCGAN模型框架

如圖5(a)所示，x軸代表生成器卷積核，y軸代表模型迭代次數。生成器輸入為一組隨機噪聲，總迭代次數為10 000次。分別對2 000次、5 000次、10 000次時的訓練模型進行保存。模型進行迭代時，卷積核conv1提取的特征值作為conv2卷積核輸入進一步進行特征提取。當模型損失值穩定時，conv4卷積核的特征值更接近于真實樣本。坐標(conv4，10 000)為最優生成網絡下得到的生成樣本灰度圖。同時將WDCGAN生成數據灰度圖和圖5(b)中對應故障模式真實樣本進行對比可知，文章所提模型生成數據更接近于真實樣本。

圖5 Transfer-WDCGAN生成器特征提取過程

2.2 基于Transfer-WDCGAN小樣本數據增強

利用上節的數據增強模型對電靜壓伺服機構7類信號進行數據增強，試驗數據樣本形狀為250×7的矩陣。按照故障種類和堵塞程度將故障劃分為正常、輕微堵塞、嚴重堵塞、輕微漏氣、嚴重漏氣五種故障類型。分別對每種故障樣本進行數據增強，每個故障樣本數據增強后為1 000組。選取4類具有代表性特征信號對Transfer-WDCGAN與WDCGAN的生成結果進行對比，如圖6所示。

圖6 Transfer-WDCGAN與WDCGAN生成信號對比結果

從圖6可知，發生故障時，4類信號之間均發生不同程度響應，當發生油濾堵塞故障時，圖6(c)作動器腔室壓力發生明顯變化，Transfer-WDCGAN生成結果雖然發生震蕩，但總體趨勢相比于WDCGAN更加吻合。電機作為系統動力來源，當發生故障時，從圖6(a)電機電壓信號來看，0.3 s~0.5 s內WDCGAN生合成數據與真實樣本有較為明顯的差別。圖6(d)作動器速度作為EHA性能參數，當發生故障時也發生明顯變化。從圖6特征信號局部放大圖來看，Transfer-WDCGAN生成樣本變化幅度較小，更接近于真實樣本。另外，從圖6(b)位移信號也可以看出，WDCGAN生成數據在0.3 s~0.4 s內相比于真實數據差別較為明顯。

綜合上述分析可知，當發生故障時，圖6的4類信號特征變化趨勢中Transfer-WDCGAN生成結果相對于真實數據波動較小，更接近于真實數據。

為了更好地評估Transfer-WDCGAN模型的優越性，引入MMD距離(Maximum Mean Discrepancy)來度量生成數據與真實數據的距離，距離越近則表示生成數據特征越接近于真實樣本。MMD的計算需要引入核函數，這里采用高斯核函數，實現低維空間到高維空間的轉換，同時又能從低維空間計算高維點積，定義如式(3):

MMD距離計算公式定義為:

式中:pr，pg分別代表真實數據和生成數據分布。根據式(4)，分別計算出兩種模型與真實數據在五種故障模式下的MMD距離，如圖7所示。選取故障診斷模型分類結果對WDCGAN和Transfer-WDCGAN兩種模型生成數據進行評價。

圖7 生成數據與真實數據MMD距離對比結果

3 Transfer-WDCGAN模型評價

當計算MMD距離時，每次抽樣個數為1。由式(4)可知，當pr和pg分布相同時，即生成樣本與真是樣本服從同一分布，則D(pr，pg)值將變為0。由此可知，MMD距離越接近于0，表示生成樣本與真實樣本越接近。從圖7可看出，在五種故障模式下，Transfer-WDCGAN模型生成數據的MMD距離均小于WDCGAN模型，其結果表明Transfer-WDCGAN生成數據更接近于真實數據。

綜上所述，從生成數據與真實數據MMD距離以及7類信號生成圖像兩方面對比可以看出，文章所提模型生成樣本特征結果優于WDCGAN。考慮文章最終目的是以生成數據為基礎，訓練故障診斷模型，提高診斷結果準確率，并緩解過擬合問題，因此，文章另選取Transfer-WDCGAN和WDCGAN兩種模型數據集，同時把試驗數據作為驗證集，去衡量診斷模型的泛化能力。采用BP、SDAE(Stacked Denoising AutoEncoder)、InceptionCNN、DRSN(Deep Residual Shrinkage Networks)、SAE、CNN六種診斷模型對兩種數據集進行評價。最終從真實數據和測試數據兩種結果去評價數據增強模型。五種故障類別標簽如表1所示。

表1 故障類別標簽

在試驗過程中，對故障診斷模型參數多次調優后，選取20次診斷結果并取平均值，用F1-score，Kappa，Accuracy對診斷結果進行評價。評價指標計算公式如表2。

表2 診斷結果評價指標

根據表2的評價指標，選取Transfer-WDCGAN與WDCGAN兩種模型數據集和6種故障診斷模型，各個指標分析結果如圖8。

從圖8看出，在6種故障診斷模型中Transfer-WDCGAN-SDAE組合模型表現最好，評價指標結果相對集中，表明診斷模型更加穩定。在測試集中三種評價指標均值如表3。

圖8 測試集各指標評價結果對比

結合表3測試集中評價指標均值結果可以看出，在Transfer-WDCGAN數據增強模型中，各故障診斷結果評價指標表現整體優于WDCGAN，尤其是Transfer-WDCGAN-SDAE模型，在所有故障診斷模型中表現最好。在Transfer-WDCGAN數據集中，故障診斷結果特征圖如圖9所示。

圖9 Transfer-WDCGAN數據集故障診斷模型特征散點圖

表3 測試數據集診斷結果指標均值對比

從圖中分析可以看出，在Transfer-WDCGAN生成數據中，SDAE故障診斷模型代表五種故障模式的顏色之間區分比較明顯，并且單個故障模式顏色相對集中，一方面由于SDAE是多個降噪自編碼器(Denoising Auto-Encoder，DAE)堆疊而成的特征提取器，并在模型輸入層中加入噪音，使得模型更具有魯棒性；另一方面采用“無監督學習+有監督微調”的訓練方法，使其特征提取能力更強，能更好地區分不同故障模式的特征量。而在其他故障診斷模型中，雖然五種故障模式顏色有區別，但出現了重合，這表明其他故障診斷模型不能很好地挖掘數據之間的特征量。因此，結合以上分析可得，在測試集中最優組合模型為Transfer-WDCGANSDAE。若僅從測試集中衡量數據增強模型和故障故障診斷模型組合的優劣，無法看出組合模型的泛化能力。因此，將15組真實數據作為驗證集代入故障診斷模型同樣進行20次故障診斷，結果如圖10所示。

從圖10可以看出，在6種故障診斷模型中，SDAE三種指標結果比較集中并且均值優于其他5種故障診斷模型，3種指標均值見表4。從表中可以看出，故障診斷模型在Transfer-WDCGAN數據集下三種評價指標均值都優于WDCGAN數據集，這說明故障診斷模型經過Transfer-WDCGAN生成數據訓練后，其故障類型識別能力優于WDCGAN生成數據。尤其是最優故障診斷模型SDAE其準確率由79%提高到了90%，故障診斷準確率明顯提高。

圖10 真實數據集各指標結果對比

表4 真實數據集各指標均值對比結果

4 結論

文章以電靜壓伺服機構為研究對象，研究了小樣本情況下將遷移學習與數據增強技術結合對樣本進行數據增強，并以增強后的數據集進行故障診斷，采用6種深度學習故障診斷模型對增強后樣本進行故障診斷，得出以下結論:

(1)對電靜壓伺服機構小樣本數據增強模型進一步優化，通過生成數據特征信號變化趨勢分析和故障診斷結果均值結果兩方面對比發現，文章所提模型表優于WDCGAN。

(2)從故障診斷模型在測試集和驗證集準確率可看出，文章所提模型很好地緩解了故障診斷模型出現的過擬合現象，提高了故障診斷模型的準確率。其中，SDAE故障診斷模型準確率由79%提高到了90%。

(3)通過測試集與驗證集故障診斷結果得出，文章最優組合模型均為Transfer-WDCGAN-SDAE。解決了因真實數據樣本量少導致的試驗過程中真實數據集與測試集最優組合模型結果不一致問題。