基于Hessian局部線性嵌入和MLP-Mixer的液體火箭發(fā)動(dòng)機(jī)渦輪泵輕量化故障診斷框架

竇 唯, 趙東方, 張宏利, 劉樹林

(1.北京航天動(dòng)力研究所,北京 100076; 2.上海大學(xué) 機(jī)電工程與自動(dòng)化學(xué)院,上海 200044)

渦輪泵是液體火箭發(fā)動(dòng)機(jī)的重要組件,是其推進(jìn)劑輸送系統(tǒng)的“心臟”[1]。隨著航天技術(shù)的進(jìn)步,渦輪泵的功率密度不斷增加,加之惡劣的工作環(huán)境,導(dǎo)致其故障概率也隨之增加[2]。因此,有必要探索先進(jìn)有效的故障診斷技術(shù)以保障渦輪泵乃至整個(gè)運(yùn)載系統(tǒng)正常運(yùn)行[3]。

目前,在故障診斷領(lǐng)域,已有許多先進(jìn)的分析手段被應(yīng)用于各類機(jī)械設(shè)備中[4-6]。這些方法大多以振動(dòng)信號(hào)為基礎(chǔ),大體上可分為基于信號(hào)處理的方法和數(shù)據(jù)驅(qū)動(dòng)方法兩大類。在信號(hào)處理方面,Hilbert-Huang變換[7]、小波分析[8]及卡爾曼濾波[9]等均被應(yīng)用于渦輪泵故障診斷并取得了一定的成就。整體上,此類方法大多以特定的頻率分量作為故障判據(jù),因此對(duì)故障機(jī)理研究具有較強(qiáng)的依賴性。然而渦輪泵結(jié)構(gòu)復(fù)雜,建模難度較高[10-13]。此外,渦輪泵機(jī)體振動(dòng)信號(hào)強(qiáng)烈的噪聲和非線性也使得以信號(hào)處理為基礎(chǔ)的診斷技術(shù)更加難以應(yīng)用。對(duì)于數(shù)據(jù)驅(qū)動(dòng)類方法,早期一般依賴于SVM[14]及BP[15]等分類器,這些方法在一定程度上降低了對(duì)故障機(jī)理的依賴和信號(hào)非平穩(wěn)特性的影響[16-17]。然而,上述分類器多為淺層架構(gòu),特征空間劃分能力較弱,在一定程度上限制了診斷精度的提高[18-22]。

近些年,伴隨著人工智能的浪潮,深度學(xué)習(xí)也被應(yīng)用于機(jī)械故障診斷領(lǐng)域[23-26]。本質(zhì)上,以深度學(xué)習(xí)為基礎(chǔ)的診斷方法也屬于數(shù)據(jù)驅(qū)動(dòng)類方法,可依靠其強(qiáng)大的非線性映射構(gòu)建能力自動(dòng)建立故障數(shù)據(jù)與類別標(biāo)簽間的對(duì)應(yīng)關(guān)系,從而獲取優(yōu)越的診斷性能[27-29]。然而,在應(yīng)用于液體火箭發(fā)動(dòng)機(jī)渦輪泵故障診斷的過程中,直接以原始時(shí)域信號(hào)作為深度學(xué)習(xí)模型的輸入難以全面涵蓋其在多個(gè)分析域的特性,后續(xù)信息挖掘難度較大。更重要的是,由于應(yīng)用場景的特殊性,渦輪泵工作時(shí)間短且工況極端惡劣,故障演變迅速,只有快速判斷裝備運(yùn)行狀態(tài)才能夠?yàn)橹鲃?dòng)控制等策略的實(shí)施創(chuàng)造可能。因此,相比于常規(guī)旋轉(zhuǎn)機(jī)械,原始時(shí)域數(shù)據(jù)維數(shù)高且深度學(xué)習(xí)模型參數(shù)量大的問題在渦輪泵故障診斷中更加凸顯,極易導(dǎo)致整個(gè)診斷框架難以收斂且計(jì)算量劇增,從而嚴(yán)重降低診斷效率。

針對(duì)上述問題,本文提出了基于Hessian局部線性嵌入(Hessian locally linear embedding, HLLE)和MLP-Mixer的液體火箭發(fā)動(dòng)機(jī)渦輪泵輕量化故障診斷框架。在所提方法中,為更加全面地提取數(shù)據(jù)特征,分別計(jì)算了渦輪泵信號(hào)的時(shí)域參數(shù)、頻域參數(shù)及時(shí)頻域參數(shù),并采用HLLE[30]算法進(jìn)行降維,在保障信息全面性的前提下有效降低了特征維度。此外,在分類器選擇方面,本文引入輕量化的MLP-Mixer[31]作為分類器。與其他深度學(xué)習(xí)模型相比,MLP-Mixer結(jié)構(gòu)更加簡潔,訓(xùn)練參數(shù)更少,且具有較為出色的分類性能。在試驗(yàn)部分,采用某型號(hào)真實(shí)渦輪泵的試車數(shù)據(jù)驗(yàn)證了所提方法的有效性。試驗(yàn)結(jié)果表明,與傳統(tǒng)診斷方法相比,本文方法具有更高的精度優(yōu)勢,與其他深度學(xué)習(xí)類方法相比,所提方法能夠在保障診斷精度的同時(shí)有效提高診斷效率。本文主要貢獻(xiàn)如下:

(1)針對(duì)現(xiàn)有故障診斷方法特性參數(shù)選擇片面及計(jì)算復(fù)雜度高等問題,提出了基于Hessian局部線性嵌入和MLP-Mixer的液體火箭發(fā)動(dòng)機(jī)渦輪泵輕量化故障診斷框架。

(2)在所提方法中,綜合考慮了液體火箭發(fā)動(dòng)機(jī)渦輪泵時(shí)域、頻域及時(shí)頻域特征,并通過HLLE算法降低了特征矩陣維度,在保障信息全面性的前提下降低了數(shù)據(jù)冗余度。

(3)引入輕量化的深度學(xué)習(xí)模型MLP-Mixer作為整個(gè)診斷框架的分類器,在保留模型特征抽象能力的同時(shí)進(jìn)一步降低了整個(gè)診斷流程的計(jì)算復(fù)雜度。

1 理論基礎(chǔ)

1.1 Hessian局部線性嵌入

作為一種經(jīng)典的數(shù)據(jù)降維算法,HLLE在ISOMAP的基礎(chǔ)上對(duì)限制條件進(jìn)行了一定程度的放寬,可得到局部距離相等的低維坐標(biāo)。此外,該方法將局部的線性關(guān)系替換為局部的Hessian矩陣的二次型關(guān)系,成功解決了類似近鄰數(shù)大于高維數(shù)據(jù)維度時(shí)導(dǎo)致權(quán)重系數(shù)不能保證滿秩問題。圖1給出了HLLE的示意圖,其計(jì)算過程可概括為以下步驟:

圖1 HLLE降維過程示意圖Fig.1 Schematic diagram of the dimension reduction process of HLLE

步驟1確定鄰域值

對(duì)每個(gè)樣本數(shù)據(jù)xi,i=1,2,…,N確定其相應(yīng)的鄰域值k,并構(gòu)造出樣本數(shù)據(jù)集Xi=[xi1,xi2,…,xik]。

步驟2計(jì)算切空間坐標(biāo)

步驟3計(jì)算Hessian矩陣

步驟4構(gòu)造二次矩陣

利用步驟3計(jì)算出的xi所對(duì)應(yīng)的Hessian矩陣Hi,i=1,2,…,n構(gòu)造出其對(duì)稱矩陣H。

(1)

步驟5計(jì)算矩陣H的零空間

對(duì)矩陣H進(jìn)行特征值分解,并求出1～d+1個(gè)特征值及其相對(duì)應(yīng)的特征向量u1,u2,…,ud+1,則U=[u1,u2,…,ud+1]為H的零空間。

步驟6計(jì)算對(duì)應(yīng)的低維映射坐標(biāo)

設(shè)矩陣Λ=(Λij)d×d,其元素為

(2)

式中,J為對(duì)應(yīng)樣本點(diǎn)的鄰域集,且低維嵌入坐標(biāo)可由式(3)給出

ψ=Λ-1/2UT

(3)

1.2 MLP-Mixer

MLP-Mixer是谷歌研究團(tuán)隊(duì)在2021年開發(fā)的一種純MLP架構(gòu)的神經(jīng)網(wǎng)絡(luò),最初應(yīng)用于CV領(lǐng)域的圖像分類任務(wù)中。相較于當(dāng)前主流的CNN架構(gòu)中的卷積操作(Conv)和Transformer中的自注意力機(jī)制(Self-Attention),MLP-Mixer整體的結(jié)構(gòu)更為簡單。MLP-Mixer模型整體可劃分為三部分,權(quán)值共享的全連接層、Mixer 層和分類模塊。MLP-Mixer的框架如圖2所示。

圖2 MLP-Mixer模型架構(gòu)示意圖Fig.2 Schematic diagram of the MLP-Mixer model

權(quán)值共享的全連接層:全連接操作與卷積操作不同,只能獲取對(duì)象的全局特征信息,并不能獲取局部的特征信息。因此,當(dāng)前的全連接層單獨(dú)處理對(duì)象各區(qū)域的特征,然后在之后的處理過程中實(shí)現(xiàn)區(qū)域信息的融合。具體來說,如圖2所示,原始的輸入圖片經(jīng)過無重疊的分割后,將生成了S個(gè)子區(qū)域,每個(gè)子區(qū)域被稱為一個(gè)patch。每個(gè)patch經(jīng)全連接層(fully connected layers, FC)映射后得到一維的特征向量,向量長度為C。將每個(gè)patch 的輸出結(jié)果組合后,我們得到一個(gè)S×C的矩陣。值得注意的是,處理每個(gè)patch的FC層是相同的,大大減少了模型訓(xùn)練的參數(shù)。權(quán)值共享的全連接層實(shí)現(xiàn)了輸入特征從(H, W, C)到(S, C)的形狀變換。

Mixer層:通過觀察上一層的輸出,可以發(fā)現(xiàn)矩陣(S, C)中的每一行表示輸入對(duì)象在同一個(gè)空間位置不同通道上的信息,每一列代表不同空間位置在同一通道上的信息。因此,在(S, C)矩陣中,對(duì)每一行進(jìn)行操作可以實(shí)現(xiàn)通道方向上的信息融合,對(duì)每一列進(jìn)行操作可以實(shí)現(xiàn)空間方向上的信息融合。與傳統(tǒng)卷積不同的是,Mixer Layer分開操作了空間域和通道域信息融合。首先,將(S, C)矩陣的每一列元素逐列輸入到MLP1模塊中,實(shí)現(xiàn)空間信息的混合。MLP模塊由兩個(gè)全連接層與一個(gè)激活函數(shù)組成。然后,將空間混合后的輸出結(jié)果逐行輸入到MLP2模塊中,完成通道信息的混合。相較于步長為1的卷積核平移操作,Mixer層具有更高的特征提取效率。Mixer層的前向傳播公過程可由式(4)及式(5)給出

U*,i=X*,i+W2×σ(W1×LN(X)*,i)

(4)

Yj,*=Uj,*+W4×σ(W3×LN(U)j,*)

(5)

式中:X為Mixer層的輸入特征,形狀為(S, C);LN( )為層歸一化操作;σ為激活函數(shù);W1、W2與W3、W4分別為MLP1與MLP2模塊內(nèi)兩層全連接層的權(quán)重參數(shù)。

分類模塊:MLP-Mixer模型的分類模塊相對(duì)比較簡單,主要采用傳統(tǒng)的全局平均池化(global average pooling, GAP)、全連接層與Softmax激活函數(shù)組成。GAP的定義是在通道方向上,對(duì)每個(gè)通道內(nèi)的所有特征值進(jìn)行求和取平均,將平均值作為當(dāng)前通道的輸出特征值。分類模塊的具體實(shí)現(xiàn)過程如圖3所示。

圖3 MLP-Mixer分類模塊示意圖Fig.3 Schematic diagram of the classification module

2 基于HLLE和MLP-Mixer的液體火箭發(fā)動(dòng)機(jī)渦輪泵故障診斷流程

為提高渦輪泵故障診斷的精度并降低算法的時(shí)間復(fù)雜度,所提方法首先提取振動(dòng)數(shù)據(jù)的時(shí)域、頻域及時(shí)頻域參數(shù),并采用HLLE算法進(jìn)行降維,在綜合各項(xiàng)特征的同時(shí)控制診斷模型的輸入維度。隨后,降維處理后的特征被用于MLP-Mixer分類器的訓(xùn)練,相比于其他深度學(xué)習(xí)模型,MLP-Mixer結(jié)構(gòu)更加簡潔,有助于整個(gè)診斷框架的輕量化。圖4給出了所提方法的整體流程,其詳細(xì)步驟如下:

圖4 所提輕量化故障診斷框架的整體流程Fig.4 Overall flow chart of the proposed lightweight fault diagnosis framework

步驟1利用加速度傳感器采集渦輪泵振動(dòng)數(shù)據(jù),按照預(yù)設(shè)長度截取樣本,并將其劃分為訓(xùn)練集和測集。

步驟2分別計(jì)算訓(xùn)練集和測試集中樣本的時(shí)域參數(shù)、頻域參數(shù)及時(shí)頻參數(shù),利通過HLLE算法降維后利用訓(xùn)練集數(shù)據(jù)訓(xùn)練MLP-Mixer分類器直至收斂。

步驟3將測試集數(shù)據(jù)輸入已保存的網(wǎng)絡(luò)模型,對(duì)MLP-Mixer模型性能進(jìn)行評(píng)估并輸出最終診斷結(jié)果。

3 試驗(yàn)驗(yàn)證

3.1 試驗(yàn)設(shè)置

本節(jié)以某型號(hào)液體火箭發(fā)動(dòng)機(jī)渦輪泵的試車數(shù)據(jù)為例驗(yàn)證了所提方法的有效性。試驗(yàn)過程中,振動(dòng)加速度傳感器安裝在氧泵殼體外側(cè)相對(duì)平坦的位置,信號(hào)采集系統(tǒng)的采樣頻率為50 kHz。試車過程中,共收集了5種狀態(tài)下的渦輪泵振動(dòng)信號(hào),包括正常狀態(tài)(normal,NOR)、軸承故障(bearing fault,BF)、軸斷裂(shaft fracture,SF)、誘導(dǎo)燒蝕(inducer ablation,IA)和殼體裂紋(shell crack,SC)。在制作數(shù)據(jù)集的過程中,設(shè)置單個(gè)樣本的長度為2 048且各個(gè)樣本之間無交疊,每種狀態(tài)下獲得1 139個(gè)樣本。表1和圖5分別給出了試驗(yàn)發(fā)動(dòng)機(jī)的設(shè)計(jì)參數(shù)和渦輪泵加速度測點(diǎn)位置。試驗(yàn)數(shù)據(jù)集的細(xì)節(jié)如表2所示,圖6和圖7分別給出了渦輪泵振動(dòng)信號(hào)歸一化后的時(shí)域波形和頻譜。

表1 試驗(yàn)發(fā)動(dòng)機(jī)設(shè)計(jì)參數(shù)Tab.1 Design parameters of the test engine

表2 實(shí)驗(yàn)數(shù)據(jù)集Tab.2 Test data set

圖5 加速度測點(diǎn)示意圖Fig.5 Schematic diagram of the measuring points

圖6 渦輪泵振動(dòng)信號(hào)的時(shí)域波形Fig.6 Time domain waveform of turbopump vibration signal

圖7 渦輪泵振動(dòng)信號(hào)的頻譜Fig.7 Frequency spectrum of turbopump vibration signal

3.2 特征參數(shù)選擇及模型參數(shù)設(shè)置

液體火箭發(fā)動(dòng)機(jī)渦輪泵結(jié)構(gòu)復(fù)雜,運(yùn)行工況極端惡劣,通過故障機(jī)理研究來確定有效的特征參數(shù)難度大,因此,為更加全面地考慮數(shù)據(jù)特性并保障算法穩(wěn)定性,本研究中對(duì)原始信號(hào)的時(shí)域、頻域及時(shí)頻域參數(shù)進(jìn)行提取,將提取的30個(gè)特征指標(biāo)用來構(gòu)建渦輪泵高維特征集,高維特征集構(gòu)成如表3所示。其中,序號(hào)1～10為有量綱時(shí)域特征指標(biāo),序號(hào)11～16為無量綱時(shí)域特征指標(biāo),序號(hào)17～29為頻域特征指標(biāo),序號(hào)30為時(shí)頻域特征指標(biāo),且相關(guān)含義及說明可在文獻(xiàn) [32]中找到。

表3 特征集構(gòu)成Tab.3 Composition of the feature set

在構(gòu)建MLP-Mixer的過程中,本文主要采用MLP結(jié)構(gòu)。此外,值得注意的是,在模型設(shè)計(jì)過程中,選用了卷積核尺寸、卷積步長與patch維度相等的卷積操作來實(shí)現(xiàn)權(quán)值共享的全連接層,以簡化模型。MLP-Mixer模型架構(gòu)的詳細(xì)參數(shù)信息如表4所示。

表4 MLP-Mixer模型詳細(xì)參數(shù)Tab.4 Detailed parameters of the MLP-Mixer model

在模型的訓(xùn)練過程中,學(xué)習(xí)率的取值十分重要,學(xué)習(xí)率設(shè)置不當(dāng),訓(xùn)練會(huì)出現(xiàn)過擬合、損失振蕩劇烈等問題。然而,學(xué)習(xí)率的賦值與網(wǎng)絡(luò)架構(gòu)、數(shù)據(jù)集信息等都存在一定聯(lián)系,關(guān)于學(xué)習(xí)率最優(yōu)值的設(shè)定一直沒有明確標(biāo)準(zhǔn)。為解決上述問題,本文設(shè)置了學(xué)習(xí)率減緩機(jī)制,實(shí)現(xiàn)學(xué)習(xí)率的平滑衰減。學(xué)習(xí)率減緩機(jī)制表現(xiàn)為:在訓(xùn)練初期,參數(shù)能快速定位到最優(yōu)點(diǎn)附近。隨著學(xué)習(xí)率不斷衰減,參數(shù)逐漸逼近最優(yōu)解。表5展示了學(xué)習(xí)率減緩機(jī)制的相關(guān)參數(shù)。

表5 學(xué)習(xí)率衰減機(jī)制相關(guān)參數(shù)Tab.5 Relevant parameters of learning rate attenuation mechanism

3.3 模型訓(xùn)練與性能分析

試驗(yàn)過程中,首先計(jì)算了不同狀態(tài)信號(hào)的高維特征集,利用HLLE算法降至16維后將所得數(shù)據(jù)重新排列為4×4的格式用于MLP-Mixer模型的訓(xùn)練。訓(xùn)練過程中,隨機(jī)選取數(shù)據(jù)集的70%作為訓(xùn)練集(訓(xùn)練集中的20%作為驗(yàn)證集),其余30%作為測試集,并采用10次試驗(yàn)的平均測試精度來評(píng)估算法性能。圖8給出了某次訓(xùn)練中損失及識(shí)別精度的變化曲線。 如圖8所示,在訓(xùn)練初期,損失下降及識(shí)別精度提高較為迅速,經(jīng)過約15次迭代,基本達(dá)到較為理想的水平。在繼續(xù)的迭代過程中,損失曲線及精度曲線的變化逐漸趨于平緩,在經(jīng)過約30次迭代后,曲線只是在極小的范圍內(nèi)波動(dòng)且趨勢基本穩(wěn)定,整個(gè)過程中驗(yàn)證準(zhǔn)確率可基本穩(wěn)定在100%。

圖8 訓(xùn)練過程中模型損失及精度變化Fig.8 Model loss and accuracy change during training

模型收斂后,將測試集數(shù)據(jù)輸入模型以評(píng)估其性能。圖9為該次測試的混淆矩陣,從圖9中可以看出,對(duì)于5種不同的渦輪泵健康狀態(tài),絕大部分狀態(tài)可以被準(zhǔn)確識(shí)別,誤診樣本僅出現(xiàn)在BF狀態(tài)和IA狀態(tài)之間,而其他狀態(tài)之間沒有出現(xiàn)誤診樣本,本次測試精度為99.9%。

圖9 測試集混淆矩陣Fig.9 Confusion matrix of test set

3.4 與經(jīng)典方法的比較

為驗(yàn)證本文所提方法的優(yōu)越性,本節(jié)將所提方法與故障診斷中較為常用的經(jīng)典分類方法進(jìn)行了比較。比較過程中,主要考慮了支持向量機(jī)(support vector machine,SVM) , 最小二乘支持向量機(jī)(least squares support vector machine,LSSVM)和反向傳播(back propagation,BP)神經(jīng)網(wǎng)絡(luò)等方法。值得注意的是,所有方法均以未降維的高維特征集作為輸入。此外,在使用BP神經(jīng)網(wǎng)絡(luò)的方法中,分別考慮了單隱層和雙隱層兩種結(jié)構(gòu),其中,單隱含層結(jié)構(gòu)包含200個(gè)神經(jīng)元,第二個(gè)隱含層包含100個(gè)神經(jīng)元。值得注意的是,本文中SVM和LSSVM算法均采用了RBF核,并通過粒子群算法來確定最優(yōu)的核參數(shù)及懲罰因子。對(duì)于SVM,核參數(shù)g1=4.37,懲罰因襲c1=12.72; 對(duì)于LSSVM, 核參數(shù)g2=3.44,懲罰因襲c2=15.08。對(duì)于BP算法,訓(xùn)練采用了傳統(tǒng)的隨機(jī)梯度下降算法,當(dāng)驗(yàn)證集(訓(xùn)練集數(shù)據(jù)的10%)損失發(fā)生較為明顯的上升趨勢時(shí)判定模型泛化停止。試驗(yàn)過程中,為避免隨機(jī)因素的影響,所有方法均進(jìn)行10次試驗(yàn),診斷結(jié)果如圖10及表6所示。

表6 不同方法的平均識(shí)別精度Tab.6 Average accuracy of different methods

圖10 不同方法的10次測試結(jié)果Fig.10 10 test results of different methods

由圖10及表6可知,在10次試驗(yàn)中,本文方法均具有較為理想的識(shí)別正確率,且各次試驗(yàn)結(jié)果波動(dòng)較小,平均識(shí)別準(zhǔn)確率為98.4%。與本文方法相比,常規(guī)SVM方法的識(shí)別準(zhǔn)確率有所下降,約為90%,而LSSVM的識(shí)別精度可達(dá)93.7%。在兩種基于BP神經(jīng)網(wǎng)絡(luò)的診斷方法中,單隱含層BP網(wǎng)絡(luò)的準(zhǔn)確率為92.4%,這可能是淺層結(jié)構(gòu)的局限所致。隨著網(wǎng)絡(luò)深度的增加,雙隱含層BP網(wǎng)絡(luò)的識(shí)別準(zhǔn)確率有所提高,達(dá)到了94.3%,但與本文方法的98.4%依然存在較大差距。由上述分析可知,與常見的經(jīng)典方法相比,本文方法具有較高的識(shí)別準(zhǔn)確率和穩(wěn)定性。

為進(jìn)一步研究特征參數(shù)對(duì)算法性能的影響,不同特征參數(shù)下的診斷精度和時(shí)間,如表7所示。由表7可知,當(dāng)僅使用時(shí)域或頻域特征時(shí),計(jì)算時(shí)間最短,但診斷精度也較低,僅為95%左右。當(dāng)同時(shí)使用時(shí)域及頻域特征時(shí),診斷精度提升較為明顯,為97.8%,而進(jìn)一步加入時(shí)頻域特征后,診斷精度僅有小幅提高,為98.4%,但整體性能更加穩(wěn)定。由上述分析可知,特征參數(shù)的增加雖在一定程度上提高了計(jì)算復(fù)雜度,但有助于保障算法精度和穩(wěn)定性。

表7 不同特征參數(shù)下的識(shí)別精度和時(shí)間Tab.7 Accuracy and time under different feature parameters

3.5 與深度學(xué)習(xí)類方法的比較

為進(jìn)一步說明本文方法的優(yōu)越性,將所提方法與DBN、CNN、LSTM-CNN、RseNet、ShuffleNet_V2及MobileNet_V2等深度學(xué)習(xí)方法進(jìn)行了比較。對(duì)于所用DBN模型,主要由3個(gè)RBM組成,其中第一個(gè)RBM包含50個(gè)隱藏單元,而第二個(gè)及第三個(gè)RBM則包含100個(gè)隱藏單元。對(duì)于常規(guī)CNN,共包含3個(gè)Conv-ReLu-MaxPooling基本單元。其中,卷積層均含有32個(gè)卷積核,且卷積核的尺寸和步長均為4。在池化層中,池化區(qū)域的大小和步長均為2。對(duì)于ResNet, 則是在上述CNN基礎(chǔ)上添加殘差連接構(gòu)成的。對(duì)于LSTM-CNN,則是在上述CNN最后一個(gè)池化層后添加了含有64個(gè)基本單元的LSTM層。對(duì)于ShuffleNet_V2,共包含3個(gè)基礎(chǔ)模塊,模塊內(nèi)部使用ReLU作為激活函數(shù)。對(duì)于MobileNet_V2,主要由3個(gè)瓶頸殘差模塊構(gòu)成,且模塊內(nèi)部使用ReLU6作為激活函數(shù)。此外,在比較過程中,上述深度學(xué)習(xí)方法均以原始振動(dòng)信號(hào)作為診斷模型的輸入,且超參數(shù)設(shè)置與本文MLP-Mixer保持一致,10次試驗(yàn)結(jié)果如圖11及表8所示。

表8 不同方法的平均識(shí)別精度及計(jì)算時(shí)間Tab.8 Accuracy and time of different methods

圖11 不同方法的10次測試結(jié)果Fig.11 10 test results of different methods

由圖11及表8可知,當(dāng)輸入為原始數(shù)據(jù)時(shí),DBN和LSTM-CNN兩種方法的識(shí)別精度均較低,僅為95.7%和93.8%,這與淺層分類器相比雖然具有一定的優(yōu)勢,但在深度學(xué)習(xí)類方法中卻處于較低水平。與此同時(shí),常規(guī)CNN和ResNet的識(shí)別精度分別為97.1%和97.6%,與本文方法的98.4%差距較小,均達(dá)到了較為令人滿意的診斷效果。此外,在計(jì)算時(shí)間方面,LSTM-CNN耗時(shí)最長,約為260 s。值得注意的是,與輕量化模型ShuffleNet_V2及MobileNet_V2相比,本文所提診斷方法雖然在計(jì)算復(fù)雜度方面有所增加,但診斷精度優(yōu)勢較為明顯。整體上,本文所提輕量化診斷框架的計(jì)算時(shí)間為112.5 s,能夠在保障診斷精度的同時(shí)有效降低算法計(jì)算量,體現(xiàn)了本文方法的優(yōu)越性。

不同模型特征圖的t-SNE[33]可視化分析結(jié)果,如圖12所示。由圖12可知,CNN,ResNet和本文方法的可視化結(jié)果在形態(tài)上較為相似,5類渦輪泵數(shù)據(jù)在分類層之前的特征圖經(jīng)t-SNE處理后均表現(xiàn)出了較好的分離趨勢,且不同類別數(shù)據(jù)間的分離邊界均較為清晰,彼此之間差異不明顯,這再次說明了本文方法在提高診斷效率的同時(shí)能夠保障分類性能。

圖12 不同方法的t-SNE可視化結(jié)果Fig.12 t-SNE visualization results of different methods

4 結(jié) 論

針對(duì)液體火箭發(fā)動(dòng)機(jī)渦輪泵故障診斷中面臨的特性參數(shù)選擇片面及計(jì)算復(fù)雜度高等問題,本文提出了基于Hessian局部線性嵌入和MLP-Mixer的液體火箭發(fā)動(dòng)機(jī)渦輪泵輕量化故障診斷框架。利用HLLE算法對(duì)信號(hào)的時(shí)域、頻域及時(shí)頻域特征進(jìn)行降維,既全面考慮了信號(hào)特性又有效降低了數(shù)據(jù)冗余度。MLP-Mixer的引入,可以充分利用深度學(xué)習(xí)在特征抽象方面的優(yōu)越性能,與此同時(shí)又降低了模型訓(xùn)練參數(shù)量,有助于整個(gè)故障診斷框架的進(jìn)一步輕量化。通過某型號(hào)真實(shí)渦輪泵的試車數(shù)據(jù)驗(yàn)證了所提方法的有效性。試驗(yàn)結(jié)果表明,與傳統(tǒng)方法相比,所提方法在識(shí)別精度方面具有顯著優(yōu)勢,與其他深度學(xué)習(xí)類方法相比,本文方法能夠在保障診斷精度的前提下降低計(jì)算復(fù)雜度,提高診斷效率。