基于Triplet loss的電磁閥故障識別方法

張文嘯， 孟國香， 葉 騫

(1.上海交通大學機械與動力工程學院， 上海 200240；2.中國科學院上海天文臺射電天文科學與技術研究室， 上海 200030)

引言

隨著工業化水平不斷進步，人們對自動控制系統的需求也在不斷增大。在所有自動控制系統中，以流體作為介質的電氣、電液控制占據了很大比例，而電磁閥作為電氣、電液控制系統中重要的執行器，也受到了業內學者的廣泛研究。

經過幾十年的發展，電磁閥以其成本較低、結構簡單、工作狀態較穩定、退化周期較長等優點被廣泛應用于電網設備、車輛船舶、醫療器械等自動控制領域。正因為電磁閥在越來越多的控制系統中成為關鍵甚至核心部件，其故障的檢出、診斷和處理成為學者們重點研究議題。隨著眾多研究的不斷深入和工業領域內自動化程度的不斷提高，對于電磁閥的故障診斷也逐漸由依賴于簡單的測量儀器和專家知識的經驗性診斷，轉向了基于精密傳感器和計算機的智能診斷。范超[1]、項超鵬[2]提出通過采集電磁閥驅動端電流，并提取了小波包變換后的各層小波包系數作為特征向量，用BP神經網絡構建故障檢測模型的診斷方法。譚洋波等[3]通過對電磁閥工作電流信號進行EMD分解，建立了決策樹判別模型，診斷準確率達到98%以上。

彭軍等[4]通過采集電磁閥驅動端電流并提取啟動電流的響應時間、穩定時間、局部最大值、局部最大值積分等特征，組成特征向量并輸入多層感知機進行訓練，得到具有較高識別率的故障診斷模型。

以上智能診斷方法雖然均對于電磁閥有較好的診斷效果，但診斷模型的建立都需要首先對采集得到的信號進行特征提取，這就要求使用者需要具有一定的先驗知識。此外，不同的特征提取方式可能對模型的識別效果有不同的影響，對于不同型號、類型的電磁閥，最佳的特征提取方式也會有所不同。這些因素都限制了上述方法的普適性。

針對這個問題，近年來在工業設備領域，關于“端對端”故障診斷的研究逐漸增多。尹愛軍等[5]對滾動軸承的振動信號進行FFT變換后，輸入變分自動編碼器，建立了無需手動提取特征的軸承健康狀態評估模型。張祥等[6]針對TE過程數據集，構建了基于變分自動編碼器-深度置信網絡(VAE-DBN)的端對端故障診斷模型。據這些工作的啟發，本研究首先提出了一種基于變分自動編碼器(VAE)的端對端電磁閥故障診斷模型，并利用三元組損失(Triplets loss)對模型進行了改進，使得模型對不同工作頻率下的電磁閥具有更好的故障診斷泛化能力。

1 數據采集與預處理

1.1 對象電磁閥結構

電磁閥的種類較多，最常見的分類方式之一是按照工作原理，將電磁閥分為直動式、先導式以及分步直動式。其中，先導式電磁閥的工作原理可以簡要描述為：通電后電磁力作用使閥桿提起，導閥口打開，從而使電磁閥上腔通過先導孔泄壓，在主閥芯前后形成壓力差，依靠此壓力差來推動主閥芯，使主閥口打開；斷電后，在彈簧力作用下，閥桿復位，先導孔關閉，主閥芯向下移動從而使主閥口關閉，電磁閥上腔壓力重新升高，流體壓力施加在主閥芯上，從而使密封效果更好。

本研究的對象為某公司的二位五通先導式電磁閥，其外觀如圖1所示，圖2為其原理圖。

圖1 二位五通先導閥外觀Fig.1 Appearance of 5/2-way pilot valve

1.2 數據采集系統

為了研究基于數據驅動的電磁閥故障診斷模型，首先需要對電磁閥的常見故障進行分析，并采集相應的數據。電磁閥的常見故障主要有不能關閉、響應遲緩、流量小和有異響[7]。其中不能關閉是最為嚴重的故障，常常會導致整個控制系統完全失效，產生難以估量的經濟損失。因此，基于故障易發程度和人為模擬難易程度，選擇故障表現為“不能關閉”下的“閥芯被異物卡塞”和“密封件損壞”兩種故障原因，進行故障模擬和數據采集，如表1所示[7]。

表1 模擬電磁閥故障工況選擇Tab.1 Simulation of valve failure condition

對于“閥芯被異物卡塞”工況，模擬方式如圖3所示，拆開閥體和端板后，在閥芯端部與端板的空隙處放置大小合適的鋁制金屬塊，而后再將閥體和端板重新裝配。

圖3 閥芯卡塞工況模擬方式Fig.3 Simulation method of stuck condition

對于“密封件損壞”工況，模擬方式如圖4所示，拆卸開閥體和底板后，將其中的密封墊取出，而后再將閥體和底板重新裝配。

圖4 密封件損壞工況模擬方式Fig.4 Simulation method of seal failure condition

在信號選取上，除前述研究中多用到的驅動端電流信號外，還增加了2個通道的信號，分別是閥前進氣口處的氣壓信號和線圈附近的磁場強度信號。前者使用壓力變送器，將氣壓值轉換為0～5 V電壓值進行輸出；后者使用線性霍爾元件，將磁場強度轉換為0～5 V 電壓值進行輸出。將驅動端電流、進氣口氣壓、磁場強度這3路信號均轉換為0～5 V電壓值后，再通過數模轉換電路ADS1115轉換為數字量，用樹莓派進行采集。圖5是本研究所用到的數據采集臺。

1.電磁閥 2.數模轉換芯片 3.氣路負載(氣爪) 4.繼電器5.樹莓派 6.220V-24V電源 7.壓力變送器圖5 數據采集臺Fig.5 Data collection test bench

分別在3種工況下采集數據，3種工況分別為：正常(電磁閥健康)工況、閥芯卡塞工況和密封件損壞工況。為了后續章節所構建的模型有更好的泛化能力，對每種工況又分別在工作氣壓為0.1， 0.2， 0.3 MPa下，工作頻率在0.5， 1， 2 Hz下采集數據，對每種工況的數據采集量如表2所示，即每種工況共采集18 h數據，3種工況合計54 h數據。受限于ADS1115的性能，多通道同時采集時，采樣頻率設置為16 Hz，在電磁閥的工作頻率不超過2 Hz的情況下可以確保信號不失真。

表2 單一工況數據采集量Tab.2 Amount of data collected in a single working condition

1.3 數據預處理及數據集生成

在采集完數據后，還需要對數據進行預處理，以及整理為數據集，以便于后續章節診斷模型的建立。如圖6a為進行預處理前的三通道信號，單位為V?？梢钥闯?，受限于傳感器質量，在采集過程中不可避免的有一些異常值。采用IQR準則[8]剔除異常值，處理后的數據如圖6b所示。

圖6 去除異常值前后信號對比Fig.6 Comparison of signals before and after outlier removal

接著需要將全部數據整理成帶標簽的數據集。為了驗證后續章節提出的故障診斷模型對處于不同工作頻率的電磁閥的故障檢測的泛化能力，訓練集和測試集涵蓋不同的工作頻率的數據。具體而言，訓練集中包含健康、閥芯卡塞、密封件損壞3種工況，但僅選取了0.5 Hz和2 Hz工作頻率下的數據；測試集中包含健康、閥芯卡塞、密封件損壞3種工況，選取了0.5， 1， 2 Hz工作頻率下的數據。

在數據的切分上，以20 s為長度，將數據切分為片段樣本。由于采樣頻率為16 Hz，則每個樣本有3個通道，長度為320。在標簽的設置上，將健康、閥芯卡塞、密封件損壞3種工況的標簽分別設置為0，1和2。數據集全部整理完畢后得到的訓練集大小為(5018，320，3)，測試集大小為(5099，320，3)。

2 基于變分自動編碼器的電磁閥故障診斷模型

2.1 變分自動編碼器

變分自動編碼器(Variational Auto Encoder，VAE)是一種生成模型，從傳統的自動編碼器(Auto Encoder，AE)演變改進而來[6]。

AE的概念是在1986年有Rumelhart提出的，起初主要被應用于高維數據的降維處理，其主要結構可以用圖7表示。

圖7 自動編碼器(AE)結構示意圖Fig.7 Schematic of Auto Encoder (AE)

從AE的結構圖可以看出，AE的目的是通過盡可能降低重構誤差，從而使輸出的重構信號最接近于原始信號[9]，這時隱層編碼空間所提取出的特征是最能夠表征原信號的。

AE可以用以下公式進行描述：

h=en(x)=sen(wenx+ben)

(1)

(2)

(3)

而VAE相較于AE，最重要的區別是假設潛在變量h的后驗分布服從獨立的多元高斯分布。因此編碼器不再直接生成潛在變量，而是先生成一組潛在變量所屬的高斯分布的均值和方差，然后經過隨機采樣，在這些分布中取得一組潛在變量h作為解碼器的輸入。這樣做的目的是在解碼前向潛在變量中加入了噪聲，從而使整個網絡魯棒性更好，能夠提取出類似于訓練樣本信號，但不完全相同的新信號的特征，VAE的主要結構如圖8所示。

圖8 變分自動編碼器(VAE)結構示意圖Fig.8 Schematic of Variational Auto Encoder (VAE)

VAE可以用以下公式進行描述：

μ=en(x)=sen(wenx+ben)

(4)

logσ2=en(x)=sen(wenx+ben)

(5)

h=μ+ε×σ

(6)

KL(N(μ,σ2)‖N(0,1))

(7)

式(4)、式(5)中表示編碼器現在并非直接生成潛在變量，而是生成一組均值和方差。其中μ和σ2分別是潛在變量所屬的一組高斯分布的均值和方差。之所以選擇logσ2作為編碼器的輸出，是因為σ2總是非負的，要使網絡擬合σ2就必須加激活函數進行處理，而logσ2可正可負，省去了這一步驟。式(6)是1個重參數技巧，它的作用是將在潛在變量所屬的分布中采樣得到潛在變量的這一“采樣”過程變得可導，從而能夠進行梯度下降求最優化。具體而言，因為如果直接從N(μ,σ2)的分布中采樣，那么“采樣”的過程本身是無法求導的，那么自然也無法進行誤差傳遞。但從1個N(μ,σ2)中采樣1個潛在變量h，是等價于從N(0，1)中采樣1個ε，并通過式(6)計算得到潛在變量h的，這樣一來通過式(6)就可以進行梯度下降了。式(7)是VAE的損失函數，相比較于式(3)AE的損失函數，區別主要在與增加了1項KL(N(μ,σ2)‖N(0，1))。這一項衡量潛在變量所屬分布與標準正態分布之間的KL散度，即相似程度，目的是使所有的潛在變量分布都向標準正態分布看齊，避免訓練過程中σ2趨近于0，VAE向AE退化。

2.2 模型結構

由于樣本是3通道的一維時間序列，所以編碼器和解碼器的基本結構采用了一維卷積神經網絡，網絡的結構如圖9所示。圖中的圓圈序號代表網絡中的“層”；方框代表在“層”之間傳遞的數據，即張量；方框中的數字表示張量的尺寸。

圖9 VAE故障診斷模型結構示意圖Fig.9 Schematic of VAE based fault diagnosis model

其中①～⑦層構成了編碼器：①～④層為一維卷積層，⑤層和⑨層為展平操作，⑥層和⑦層為全連接層，輸出分別為式(4)和式(5)中的均值和方差；⑧層為式(6)所對應的重參數采樣操作；⑩～層構成了解碼器：⑩層為變形層，～層為反卷積層；層為以隱層均值向量作為輸入，以分類結果作為輸出的一個多層感知機分類器，作用是根據提取出的隱層特征，對樣本進行分類預測，再將預測標簽與樣本真實標簽組合計算損失，將此損失定義為分類損失，即圖中的Cat-Loss。

因此，該VAE故障診斷模型的總損失誤差除了由式(7)定義的重構誤差和KL損失外，還增加了下式的分類誤差：

Losscat=cross_entropy(y,ypred)

(8)

ypred=cat(μ)=scat(wcatμ+bcat)

(9)

式(8)為真實標簽和預測標簽的交叉熵；式(9)表明預測標簽來自于分類器cat(·)，其中scat是分類器激活函數的集合，wcat是分類器中神經元權重的集合，bcat是分類器中神經元偏置的集合。

該模型的總誤差為：

Lossall=Lossrecon+LossKL+Losscat

(10)

其中Lossrecon和LossKL由式(7)定義，Losscat由式(8)定義。

2.3 模型訓練及測試結果對比

本研究的模型搭建均在TensorFlow平臺上完成。模型的訓練均在如下設備上進行：CPU：Intel(R) Core(TM) i7-8700 CPU @ 3.20 GHz，3.19 GHz；GPU：NVIDIA GeForce GTX 1660；RAM：8G。

為了通過對比體現出該VAE模型在故障檢測任務中性能的提升，本研究選擇的對照模型是通過先手動對數據集進行特征提取，再搭建BP神經網絡分類器進行訓練得到的模型[1-2]，下面稱為小波包特征模型。特征提取的方法為對三通道信號分別進行小波包分解，提取各層小波包系數作為特征向量。對每個通道的信號進行4層小波包分解[1]，得到長度為16的特征向量，故每個樣本可提取出長度為48的特征向量。

如圖10所示為進行特征提取后，通過t-SNE方法對測試集樣本進行降維的聚類圖。圖例所示為樣本的真實標簽，0，1，2分別代表健康、閥芯卡塞和密封件損壞?？梢钥闯?，通過小波包分解提取出的特征向量比較難以直接將不同工況下的樣本區分開。而如圖11所示為VAE模型進行特征提取后，在隱層空間中對樣本的特征進行t-SNE降維聚類圖，相比于圖10，VAE模型提取出的特征則能較好的區分不同工況。然而因為前述章節提到，同一工況的數據是在不同的子工況，即不同氣壓、不同工作頻率下采集的，因此可以看到，VAE模型提取出的特征將這些子工況也被聚在了不同的簇。

圖10 小波包能量特征降維聚類圖Fig.10 Dimensionality reduction clustering diagram with wavelet packet energy as feature

圖11 VAE模型隱層特征降維聚類圖Fig.11 Dimensionality reduction clustering diagram with VAE model

可以預見的是，這樣的模型對于新的工作頻率或新的工作氣壓下采集的樣本的泛化能力將會較差。如果能使模型在提取特征時忽略不同子工況之間的差異，即在特征降維聚類圖中將同一工況的樣本盡可能聚在一起，將不同工況的樣本盡可能分開，則模型會具有更好的泛化能力。接下來將會優化模型，對這一設想進行驗證。

如圖12所示是小波包特征模型和VAE模型對于不含及含有新頻率樣本的測試集的準確率對比。對于不含有新頻率樣本的測試集的3種工況，VAE模型的準確率均高于小波包特征模型。其中對于健康工況，準確率由86.0%提升至95.1%；對于密封件損壞工況，由74.3%提升至98.4%；對于閥芯卡塞工況，由96.1%提升至98.9%。這說明本研究提出的VAE模型對于電磁閥故障檢測問題，能夠自動提取出信號中更具有區分能力的特征，然后利用特征進行故障檢測。這相較于先對電磁閥工作信號進行手動特征提取，再構建故障檢測模型的方式，在便捷性、自動化程度識別準確率上都有明顯的提升。

圖12 小波包特征模型和VAE模型對試集準確率對比Fig.12 Comparison of accuracy of wavelet packet feature model and VAE model on test sets

但是，同時也容易看出該VAE模型對于含有新頻率樣本的測試集的準確率比較低。

3 基于Triplet loss的改進電磁閥故障診斷模型

3.1 Triplet loss

Triplet意為三元組，這樣命名的原因是對于訓練中的一個batch(以下稱為批次)，需要將所有樣本劃分為3個一組的三元組，計算每個三元組的損失，然后求和[11]。圖13所示是Triplet loss(以下稱為三元組損失)的訓練目標。每一個三元組的構成如下：從訓練數據集中隨機選1個樣本，該樣本稱為 Anchor，即錨樣本，然后再隨機選取1個和錨樣本屬于同一類的樣本和不同類的樣本，這2個樣本對應的稱為 Positive和 Negative，即正樣本和負樣本，由此構成1個(錨樣本，正樣本，負樣本)三元組。三元組損失的目的就是通過學習，讓同類樣本的特征表達間距盡可能小，而異類樣本的特征表達間距盡可能大。

圖13 Triplet loss訓練目標示意圖Fig.13 Schematic diagram of Triplet loss training target

三元組損失的計算公式為：

Losstri=max{d[f(a),f(p)]-d[f(a),f(n)]+

margin,0}

(11)

其中f(·)代表編碼器網絡，在本研究中，即式(1)中的en(·)；d[·]代表距離計算函數。f(a)，f(p)和f(n)就表示3種樣本在隱層空間中的表示。

在1個批次中，首先需要生成所有三元組，然后篩選出有效的三元組，用這些有效的三元組計算損失，然后進行誤差反向傳播，梯度下降訓練模型。之所以不是所有的三元組都有效，是因為在每個批次中的所有三元組中，三元組的性質存在這些可能：

(1) Easy Triplets，滿足：

d[f(a),f(p)]+margin

(12)

即負樣本與錨樣本的距離已經大于正樣本與錨樣本的距離，且滿足間隔裕量margin。此時損失L為 0。這種三元組(Triplet)是不需要訓練的，因為它的損失已經為0，將它加入整個批次的損失函數中對訓練的方向沒有幫助。

(2) Hard Triplets，滿足：

d[f(a),f(p)]>d[f(a),f(n)]

(13)

即負樣本與錨樣本的距離小于正樣本與錨樣本的距離。此時損失大于margin。這種三元組和下面的Semi-Hard Triplets都是有效的，但是具體使用哪一種則可以根據具體任務選擇。

(3) Semi-Hard Triplets,滿足：

d[f(a),f(p)]

(14)

即負樣本與錨樣本的距離雖然大于正樣本與錨樣本的距離，但是還不滿足間隔裕量margin。此時損失小于margin但大于0。

圖14直觀地展示了3種三元組的分布。圖中A和P分別代表錨樣本樣本和正樣本，根據負樣本和前兩者的距離關系，三元組被分為不同的類別。本研究提出的改進模型中，對每個batch中的每個樣本，只選取Hard Triplets和Semi-Hard Triplets進行三元組損失的計算。

圖14 三種三元組的分布Fig.14 Distribution of three kinds of triples

3.2 模型結構

基于三元組損失的改進模型結構圖如圖15所示。和圖9所示模型結構相比，主要區別在與在圓圈序號17處增加了一個自定義層，用于通過隱層特征計算每一個樣本批次的三元組損失。這個新增的層在圖15中用虛線框做以標記。

圖15 基于Triplet loss的改進模型結構圖Fig.15 Schematic of improved model based on Triplet loss

此時的模型訓練將分為兩個步驟：

Lossall=Lossrecon+LossKL+Losstri

(15)

步驟一的目的在于通過最小化上述損失，使模型能夠提取出既能夠表征原信號，又能將同一類別(健康、閥芯卡塞或密封件損壞)的樣本聚為一類，將不同類別的樣本區分開的隱層特征。

步驟二：固定除了分類器之外的編碼器、解碼器的權重和偏置，只訓練分類器的權重和偏置。這時候的目標函數僅為分類器的分類誤差：

Lossall=Losscat

(16)

當兩個步驟訓練完成后，整個模型也就訓練完成了。

3.3 模型訓練集測試結果對比

如圖16所示是使用訓練好的改進模型對測試集樣本進行特征提取后，對隱層特征使用t-SNE降維后的聚類圖?？梢钥吹剑噍^于圖11所示的VAE模型的特征提取效果，改進模型在特征提取上能夠很好地將同一工況的樣本聚為一簇，忽略其中各子工況之間的差別。

圖16 改進模型隱層特征降維聚類圖Fig.16 Dimensionality reduction clustering diagram with improved model

如圖17所示是小波包特征模型、VAE模型以及改進模型，對于不含及含有新頻率樣本的測試集的準確率對比?？梢钥吹?，因為VAE模型本身已經對舊頻部分準確率較高，所以改進模型在僅含有舊頻樣本的測試集上準確率只有較小的提升；而在測試集的新頻部分，改進模型的提升則非常明顯，對3種工況都達到了90%以上的準確率，其中對于健康工況，準確率由VAE模型的66.1%提升至99.4%； 對于密封件損壞工況率由91.1%提升至99.0%； 對于閥芯卡塞工況，準確率由66.5%提升至91.3%。這表明了改進模型很好地解決了前述章節提出的VAE模型對于新的工作頻率下采集的信號識別準確率低的問題，提升了模型的泛化能力。

圖17 小波包特征模型、VAE模型和改進模型對測試集準確率對比Fig.17 Comparison of accuracy of wavelet packet feature model, VAE model and improved model on test sets

概括地來說，加入了三元組損失的模型之所以能夠對訓練集中沒有的新的工作頻率樣本有更高的識別準確率，是因為無論是改進前還是改進后的模型，其最重要的部分都是一個有監督的，用于提取特征的網絡。而改進后的模型相較于改進前，在三元組損失的作用下，網絡在提取特征時趨于弱化同工況下不同子類(即不同的工作頻率)之間的差異、強化不同工況之間的差異。這在圖11和圖16的對比中可以明顯體現。

當訓練后的網絡可以幾乎忽視不同子類之間的差異信息而對樣本進行特征提取時，網絡就可以只利用和工況相關的信息對樣本進行模式識別。此時使用訓練集中沒有的新的工作頻率下采集的測試集對網絡進行測試，就可以獲得很高的準確率。而從隱藏層特征聚類的角度來看，即新工作頻率的測試樣本在圖16所示的隱層特征降維聚類時，因為和工作頻率相關的信息在特征提取過程中已經被網絡忽略，只保留了和工況相關的信息，從而仍然可以和已知的同工況樣本聚在一起，因此能夠準確地進行模式識別。

4 結論

針對電磁閥故障識別對專家知識依賴過高的問題，以某型號電磁閥為研究對象，采集了數據集，構建了基于VAE的端對端故障檢測模型，與傳統故障檢測模型對比有較好的性能提升。針對所提出VAE模型的泛化能力較差的問題，基于三元組損失對模型進行了改進。實驗表明，經過改進的模型的泛化能力得到了很好的提升，對于訓練中未見過的工作頻率下采集的信號也具有很高的識別準確率。最后，由于實驗對象型號的電磁閥的真實故障樣本較難獲取，本研究在信號采集方面參考了目前電磁閥故障診斷常用的故障模擬方法[1，3]，在本研究的研究主題下，認為這種故障模擬方式和信號采集方式能夠在一定程度上反映真實故障工況，是合理的。同時，將本模型針對真實發生故障的電磁閥進行模型訓練、改進和驗證，是本研究未來的工作中的一大重點。