基于循環(huán)頻譜相干和DCNN的隔膜泵單向閥故障診斷方法研究

馮澤仲， 熊 新， 王曉東

(1. 昆明理工大學(xué) 信息工程與自動化學(xué)院，昆明 650500；2. 云南省礦物管道輸送工程技術(shù)研究中心，昆明 650500；3. 昆明理工大學(xué) 云南省人工智能重點實驗室，昆明 650500)

礦漿管道是一種新型物料運(yùn)輸方式，有效解決了礦源地輸送困難的問題，具有節(jié)能、環(huán)保、廉價等優(yōu)點。作為礦漿管道輸送的核心動力設(shè)備，隔膜泵能夠在高壓、高溫及高腐蝕等工況下較好的輸送漿體介質(zhì)[1]。其中，由于單向閥受較高的工作頻率及復(fù)雜機(jī)理的影響，致使其成為隔膜泵中最易發(fā)生故障的部件，因此，開展單向閥故障診斷技術(shù)的研究對保障系統(tǒng)安全可靠運(yùn)行，避免重大事故的發(fā)生具有非常重要的意義[2]。

目前，隨著信號分析、數(shù)據(jù)挖掘及人工智能等相關(guān)技術(shù)的迅猛發(fā)展，基于數(shù)據(jù)驅(qū)動的智能故障診斷方法逐漸成為該領(lǐng)域的重點研究方向[3]。眾所周知，該診斷過程通常包括兩個主要步驟：通過信號處理技術(shù)實現(xiàn)特征的提取；使用分類算法完成故障的識別。傳統(tǒng)的分類技術(shù)，如人工神經(jīng)網(wǎng)絡(luò)(artificial neural network, ANN)、支持向量機(jī)(support vector machine, SVM)[4]和k-NN[5]等，由于其實現(xiàn)速度快、分類性能好而被廣泛采用[6]。然而，受限于淺層的體系結(jié)構(gòu)，它們很難從原始的高維輸入中有效地學(xué)習(xí)差異性特征[7]。

近年來，深度學(xué)習(xí)憑借其強(qiáng)大的非線性建模以及特征表征能力，在機(jī)械設(shè)備故障診斷方面表現(xiàn)出了極大的潛力[8]。其中，深度卷積神經(jīng)網(wǎng)絡(luò)(deep convolutional neural networks, DCNN)以其優(yōu)秀的局部特征提取能力和靈活的結(jié)構(gòu)得到了廣泛的應(yīng)用[9]。高佳豪等[10]利用自參考自適應(yīng)消噪技術(shù)對信號進(jìn)行周期和隨機(jī)預(yù)處理，將分離出的信號送入一維卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行特征學(xué)習(xí)，提出了一種新的齒輪箱故障診斷方法。李恒等[11]對收集到的振動信號進(jìn)行短時傅里葉變換，然后將得到的時頻譜樣本送入構(gòu)建的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)，最后將訓(xùn)練好的模型應(yīng)用于軸承的故障診斷當(dāng)中。Wen等[12]將原始的一維時序信號轉(zhuǎn)換為二維灰度圖，以得到適用于二維卷積神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)，提出了一種電機(jī)軸承的故障診斷方法。雖然以上深度學(xué)習(xí)方法均在故障診斷中展現(xiàn)出了良好的性能，但大都未能充分考慮實際工況環(huán)境下異常干擾對診斷性能的影響。Chen等[13]驗證了將領(lǐng)域知識和深度學(xué)習(xí)結(jié)合的方式在噪聲環(huán)境下軸承故障診斷中的優(yōu)越性，考慮到單向閥工作在強(qiáng)干擾環(huán)境下，背景噪聲容易將重要特征信息淹沒，因此，有必要在網(wǎng)絡(luò)學(xué)習(xí)之前將領(lǐng)域知識融入于特征提取過程，以增強(qiáng)診斷網(wǎng)絡(luò)輸入的特征表示。

當(dāng)單向閥發(fā)生故障時，其動力學(xué)行為發(fā)生的變化難以通過現(xiàn)有特征提取方法有效表示，從而限制了最終的診斷結(jié)果。為了克服這一缺點，本文首先利用循環(huán)平穩(wěn)特性分析了隔膜泵單向閥不同健康狀況存在時的物理特性，循環(huán)平穩(wěn)性可以看作為一個具有隱含周期性的隨機(jī)過程，當(dāng)由往復(fù)式部件組成的系統(tǒng)出現(xiàn)故障時會改變這一特性，通常又會在運(yùn)行周期內(nèi)通過另一種節(jié)奏釋放能量，這種現(xiàn)象通常會在機(jī)械信號中產(chǎn)生瞬態(tài)信號，繼而可能攜帶有關(guān)機(jī)器運(yùn)行狀況的關(guān)鍵信息。因此，循環(huán)平穩(wěn)性常被用來解決往復(fù)式機(jī)械中的故障檢測問題[14-15]。其中，循環(huán)頻譜相干(cyclic spectral coherence, CSCoh)已被證明是循環(huán)平穩(wěn)分析的有效工具，它通過將信號潛在的循環(huán)平穩(wěn)調(diào)制信息表示為頻域的雙變量映射，從而揭示調(diào)制頻率及其諧波，可以很好的將循環(huán)信息表征在雙頻譜圖中[16]。而循環(huán)頻譜相關(guān)(cyclic spectral correlation, CSC)作為實現(xiàn)CSCoh的重要步驟，其檢測的精確程度直接影響了CSCoh的檢測效果。為了提升循環(huán)平穩(wěn)信息的檢測能力和效率。Antoni等[17]將循環(huán)調(diào)制頻譜和平均循環(huán)周期圖[18]兩者有機(jī)的結(jié)合，提出了快速循環(huán)相關(guān)譜計算方法[19]。

綜上所述，本文針對實際工況環(huán)境下，隔膜泵單向閥的振動特性很容易被強(qiáng)烈的背景噪聲和其他干擾成分所掩蓋，從而限制最終診斷性能的問題，提出將CSCoh和DCNN結(jié)合的隔膜泵單向閥故障診斷方法，首先利用快速循環(huán)相干譜構(gòu)建出大量帶標(biāo)簽的樣本；然后利用設(shè)計的DCNN網(wǎng)絡(luò)對隔膜泵單向閥故障進(jìn)行識別。通過構(gòu)建的領(lǐng)域知識增強(qiáng)的深度故障診斷模型，大大降低了小樣本數(shù)據(jù)集情況下深度卷積神經(jīng)網(wǎng)路的學(xué)習(xí)難度，實現(xiàn)了隔膜泵單向閥的精確智能診斷。

1 循環(huán)相干譜分析

1.1 循環(huán)頻譜相干

循環(huán)平穩(wěn)信號代表了在時間上保持恒定統(tǒng)計行為的物理現(xiàn)象。它由周期機(jī)制產(chǎn)生，且包含了其他的信息，這些信息通過隱藏的周期特性所攜帶。通常可利用循環(huán)平穩(wěn)的二階特征來表征這種信號隱藏的周期性行為。對于一個循環(huán)平穩(wěn)信號x(t)，可以將循環(huán)平穩(wěn)的二階矩分解為周期為T的瞬時自相關(guān)函數(shù)(auto correlation function, ACF)，描述為

R2x(t,τ)=R2x(t+T,τ)=

E{x(t+τ/2)x(t-τ/2)*}

(1)

式中：上標(biāo)*為復(fù)共軛；τ為時滯，該ACF的傅里葉系數(shù)對應(yīng)于循環(huán)ACF，描述為

(2)

式中，α定義為循環(huán)頻率。從式(2)可以看出，循環(huán)ACF表示了α相對于時滯信號R(t,τ)的傅里葉系數(shù)。

循環(huán)平穩(wěn)性的二階統(tǒng)計描述符稱為循環(huán)頻譜相關(guān)，可通過在循環(huán)ACF上進(jìn)行傅里葉變換來估計，如式(3)所示

?R(t,τ)e-j2π(ατ+fτ)dtdτ

(3)

對式(3)進(jìn)行數(shù)學(xué)上的分析，可以等效為在時間t上的傅里葉級數(shù)，和在時滯τ上的傅里葉變換，其通過瞬時自相關(guān)函數(shù)的雙離散傅里葉變換表示，如式(4)所示

(4)

式中：Fs為采樣頻率；tn=n/Fs；τm=m/Fs。對于循環(huán)平穩(wěn)信號，CSC表現(xiàn)為在頻率f上連續(xù)，在循環(huán)頻率α上離散的特征信號，即信號相對于“調(diào)制頻率”α和“載波頻率”f的分解。

(5)

然后，可以將標(biāo)準(zhǔn)化過程添加到CSC中，以最大程度地減少不均勻分布，這被稱為循環(huán)頻譜相干，如式(6)所得

(6)

CSCoh用于測量兩個頻譜分量之間的關(guān)聯(lián)程度，可以解釋為一個白化信號的CSC，它趨向于使具有不同能級的區(qū)域均衡，從而放大微弱的循環(huán)平穩(wěn)信號。

此外，在所有頻率f上的頻譜相關(guān)性積分對應(yīng)于信號平方的期望值進(jìn)行傅里葉變換。因此，它相當(dāng)于信號的平方包絡(luò)譜。而與平方包絡(luò)譜相比，增強(qiáng)包絡(luò)譜(enhanced envelope spectrum, EES)由于集成了復(fù)數(shù)值，因此EES可以更好地增強(qiáng)非零循環(huán)分量。在給定頻帶[f1;f2]上測量的EES定義為

(7)

1.2 循環(huán)相關(guān)譜快速計算方法

目前，CSC的一種流行估計方法是通過平均循環(huán)周期圖(averaged cyclic periodogram, ACP)獲得,對于一個對稱的數(shù)據(jù)窗口w[n]，其定義為

(8)

式中：Xw(i,f)為對時間索引i和頻率f的Gabor濾波；Nw為短時傅里葉變換(short-time Fourier transform，STFT)的窗口長度；K=(L-Nw+R)/R表示當(dāng)信號長度為L時，移位窗口長度為Nw的R個樣本總塊數(shù)。通過均方的概率極限計算可得

(9)

對于循環(huán)平穩(wěn)信號的另一種表述方式稱為循環(huán)調(diào)制譜(cyclic modulation spectrum, CMS)，它通過評估濾波器組來輸出平方包絡(luò)的傅里葉變換從而跟蹤頻帶內(nèi)的周期性能量波動。可利用譜圖的離散傅里葉變換(discrete Fourier transform, DFT)進(jìn)行有效的CMS計算。描述為

(10)

對應(yīng)于式(8)，在第k個離散頻率fk處，信號x的掃描光譜相關(guān)性通過式(11)獲得。

(11)

對應(yīng)于STFT中的移位塊R，其采樣周期為R/Fs，則αmax表示為

αmax～Fs/2R

(12)

Q為最接近最大可觀測循環(huán)頻率αmax的頻率索引

Q=[Fs/2RΔf]=[Nw/2R]

(13)

式中，[x]為通過四舍五入得到的整數(shù)，則快速循環(huán)相關(guān)譜通過式(14)定義

(14)

式中，Rw(α)為|w[n]|2的離散傅里葉變換。如式(9)一樣，通過概率極限計算即可得到信號的循環(huán)頻譜相關(guān)性信息。即

(15)

2 深度卷積神經(jīng)網(wǎng)絡(luò)

DCNN是深度學(xué)習(xí)中最常用的神經(jīng)網(wǎng)絡(luò)之一，由于具有多個隱藏層，在圖像識別方面有著強(qiáng)大的學(xué)習(xí)能力。DCNN屬于一種前饋神經(jīng)網(wǎng)絡(luò)，由一些過濾階段和一個分類階段構(gòu)成。過濾階段主要由卷積層、批量歸一化層、激活層和合并層組成。分類階段一般由幾個全連接層和分類器組成。

2.1 卷積層

卷積層由一組需要參數(shù)學(xué)習(xí)的濾波器(卷積核)構(gòu)成，每個濾波器都與對應(yīng)的輸入量相結(jié)合，通過加權(quán)平均的方法提取輸入局部區(qū)域的函數(shù)，計算出神經(jīng)元構(gòu)成的激活圖。然后將所有濾波器的激活映射按深度疊加得到輸出，通過一系列的核權(quán)值和激活函數(shù)生成一個輸出函數(shù)映射。在DCNN中廣泛使用的線性整流函數(shù)(ReLU)被用作激活函數(shù)。卷積層的輸出可以通過式(16)表示

(16)

式中：f為一個激活函數(shù)；k為卷積核；Mj為與輸入對應(yīng)的函數(shù)；l為網(wǎng)絡(luò)層的順序。

2.2 池化層

池化層通常放置在卷積層之后，以降低卷積特征映射的空間維數(shù)。通過對前一層生成的特征映射進(jìn)行向下采樣來實現(xiàn)空間不變性，輸入圖像被分成幾個局部區(qū)域，并對每個區(qū)域執(zhí)行池化函數(shù)來計算新值。常用的池化方法有平均池化、最大池化和規(guī)范池化。本文采用最大池化。在池化層l中，最大池化表示為

xl=down(xl-1,s)

(17)

式中：down(·)為最大池化層的下采樣函數(shù)；xl為池化層的輸出特征向量；xl-1為上一層的特征向量；s為池化大小。

2.3 全連接層

經(jīng)過數(shù)個卷積層和池化層后，全鏈接層將二維特征映射的輸出轉(zhuǎn)換為一維向量，它將成為分類器的輸入。其函數(shù)表達(dá)式為

h(x)=f(wx+b)

(18)

式中：x為輸入特征向量；w為權(quán)重；b為偏執(zhí)；f(·)為激活函數(shù)；h(x)為全連接層的輸出。

2.4 分類器

(19)

式中：θ=[θ1,θ2,...,θk]T為Softmax回歸模型的參數(shù)向量；O為最終預(yù)測結(jié)果，所有預(yù)測結(jié)果之和為1。

3 基于循環(huán)相干譜和深度卷積神經(jīng)網(wǎng)絡(luò)的隔膜泵單向閥故障診斷

當(dāng)隔膜泵單向閥工作在不同狀態(tài)時，其仍然會保持組件的周期性運(yùn)動，繼而可能會激發(fā)結(jié)構(gòu)的一個或多個固有頻率。此外，在礦漿輸送過程中，由于粗顆粒介質(zhì)的存在，導(dǎo)致振動信號中產(chǎn)生異常沖擊，并且其振幅也經(jīng)常呈現(xiàn)隨機(jī)波動。在這種情況下，傳統(tǒng)的頻譜分析方法通常不能在強(qiáng)噪聲背景下揭示故障行為，尤其是在出現(xiàn)早期故障的情況下。因此，本文首先引入CSCoh作為數(shù)據(jù)的預(yù)處理步驟，通過對隔膜泵單向閥不同運(yùn)行狀態(tài)的循環(huán)平穩(wěn)特性進(jìn)行分析從而獲得良好的特征表示。然后，利用快速循環(huán)相干譜生成的圖片作為DCNN的輸入；最后，通過設(shè)計的DCNN模型對隔膜泵單向閥進(jìn)行故障診斷。所提出的隔膜泵單向閥故障診斷方法流程圖如圖1所示。具體實現(xiàn)步驟如下所述：

圖1 CSCoh-DCNN方法的流程圖

步驟1使用加速度傳感器采集不同工作狀態(tài)下隔膜泵單向閥的振動信號。并對每類信號按固定比率分段截取，然后將截取好的每段數(shù)據(jù)進(jìn)行CSCoh變換生成新的樣本集。

步驟2將樣本集中的每個樣本進(jìn)行修剪和平滑處理為256×256尺寸大小的圖片，這些圖片將作為CNN的輸入。

步驟3構(gòu)建DCNN網(wǎng)絡(luò)，對網(wǎng)絡(luò)超參數(shù)進(jìn)行初始化，如卷積核大小、偏置、全連接權(quán)值、迭代次數(shù)和學(xué)習(xí)率等；并選擇交叉熵作為模型的損失函數(shù)。

步驟4用訓(xùn)練樣本對DCNN模型進(jìn)行訓(xùn)練，進(jìn)而可將平滑處理過的CSCoh圖逐層變換抽象以拾取各故障特征分布。

步驟5利用反向傳播(back propagation, BP)算法以迭代方式來訓(xùn)練網(wǎng)絡(luò)，并且使用自適應(yīng)矩估計(adaptive moment estimation, Adam)優(yōu)化器來加速模型訓(xùn)練，直至模型收斂。通過調(diào)整DCNN模型中卷積核權(quán)重以及各全連接層間權(quán)值以使實際預(yù)測不斷收斂于期望輸出，得到特征空間與狀態(tài)空間的映射。

步驟6輸出分類結(jié)果以提供全面的診斷分析。

4 工程實驗驗證

4.1 隔膜泵單向閥工作原理及實驗平臺

從結(jié)構(gòu)上來看，隔膜泵的動力由電動機(jī)經(jīng)過齒輪箱傳遞給三拐曲軸和連桿，使三拐曲軸的連續(xù)轉(zhuǎn)動變?yōu)槭只^的往復(fù)運(yùn)動，從而帶動活塞在活塞缸內(nèi)做往復(fù)運(yùn)動，進(jìn)而帶動隔膜做凹凸往復(fù)運(yùn)動，使隔膜室內(nèi)的壓力發(fā)生變化，最終實現(xiàn)入料漿和排料漿的動作。當(dāng)活塞向左時，帶動隔膜做凸向動作，使隔膜室內(nèi)的壓力變小，進(jìn)料單向閥打開而吸入礦漿；當(dāng)活塞向右時，帶動隔膜做凹向動作，使隔膜室內(nèi)的壓力變大，出料單向閥打開而排出礦漿。隔膜泵的簡易結(jié)構(gòu)圖如圖2(a)所示，加速度傳感器安裝位置及數(shù)據(jù)采集裝置如圖2(b)所示，表1為實驗采集信號所用器件及其型號。本文中隔膜泵沖程數(shù)為30～31次/min，即運(yùn)行頻率為0.5～0.517 Hz，數(shù)據(jù)采樣頻率為2 560 Hz。

圖2 隔膜泵工作原理圖及加速度傳感器安放位置

表1 數(shù)據(jù)采集器件和型號

4.2 單向閥振動信號特性分析

由于礦漿中固體顆粒的磨擦作用，泵組的進(jìn)、出口單向閥工作一段時間之后勢必將產(chǎn)生磨損。一旦進(jìn)、出口單向閥產(chǎn)生損壞直至傷及閥室，導(dǎo)致漿體進(jìn)入閥室將產(chǎn)生重大經(jīng)濟(jì)損失和安全隱患。因此，單向閥屬于隔膜泵狀態(tài)監(jiān)測系統(tǒng)中重點監(jiān)測對象。單向閥在隔膜泵系統(tǒng)中的安放位置及單向閥損壞故障圖，如圖3所示。

圖3 隔膜泵系統(tǒng)及故障單向閥

隔膜泵單向閥數(shù)據(jù)集由4種類型組成，分別是正常數(shù)據(jù)(平穩(wěn)的隨機(jī)信號)；礦漿中存在的高硬度顆粒引起的劃傷故障數(shù)據(jù)(時域中出現(xiàn)強(qiáng)脈沖)；輸送介質(zhì)持續(xù)沖擊閥門密封面產(chǎn)生凹坑并引起泄露的磨損故障數(shù)據(jù)(信號中出現(xiàn)強(qiáng)噪聲干擾)以及閥體擊穿故障(清晰的周期性脈沖信號)。4種類型數(shù)據(jù)的時域信號如圖4所示。

圖4 單向閥不同工作狀態(tài)下振動信號的時域波形圖

同時，為研究CSCoh在揭示單向閥故障模式方面的有效性，分別在圖5～圖8中給出了不同健康狀態(tài)下的CSCoh圖以及對應(yīng)的增強(qiáng)包絡(luò)譜?？梢杂^察到，CSCoh圖為不同的故障類型提供了獨特的特征信息。

在圖5中，與平穩(wěn)的隨機(jī)信號特性相對應(yīng)，CSCoh圖和對應(yīng)的增強(qiáng)包絡(luò)譜中均表現(xiàn)為穩(wěn)定的運(yùn)行頻率及其諧波；在劃傷故障信號中，由于礦漿中堅硬粗顆粒的存在，破壞了原來的信號穩(wěn)定性，信號變得無規(guī)則且存在強(qiáng)脈沖干擾，這在CSCoh圖和對應(yīng)的增強(qiáng)包絡(luò)譜中均表現(xiàn)為雜亂的循環(huán)信息。在磨損故障中，通過圖4(c)可知信號中存在強(qiáng)背景噪聲的干擾，在時域中不能觀察到有用信息，而在圖7中則可以捕捉到擊穿故障頻率和高頻干擾頻率以及其對應(yīng)的諧波信息，在CSCoh圖中可以觀察到對應(yīng)光譜的存在(如橢圓虛線所示)，表明在磨損階段，故障信息通常耦合于背景噪聲之中，同時滋生出的高頻干擾信息使信號變得更加復(fù)雜，常規(guī)手段難以檢測到差異性特征；圖8中CSCoh圖和對應(yīng)的增強(qiáng)包絡(luò)譜中均可以清晰的觀察到擊穿故障頻率以及諧波信息。綜合可知，循環(huán)平穩(wěn)性分析可以很好的反映隔膜泵單向閥不同故障類型的特征。

圖5 正常信號的CSCoh圖和對應(yīng)的增強(qiáng)包絡(luò)譜

圖6 劃傷故障信號的CSCoh圖和對應(yīng)的增強(qiáng)包絡(luò)譜

圖7 磨損故障信號的CSCoh圖和對應(yīng)的增強(qiáng)包絡(luò)譜

圖8 擊穿故障信號的CSCoh圖和對應(yīng)的增強(qiáng)包絡(luò)譜

4.3 深度卷積神經(jīng)網(wǎng)絡(luò)設(shè)計

為實現(xiàn)隔膜泵單向閥的智能故障診斷，首先將收集到的診斷信號分為多個部分，在該實驗中，4類數(shù)據(jù)通過無重疊截取10 240個數(shù)據(jù)點生成一個樣本，然后將每個樣本生成平滑和修剪處理后的CSCoh圖，如圖9所示，并將生成的圖片作為DCNN的輸入。共獲得4×100個樣本，按照8 ∶2的比例劃分為訓(xùn)練樣本集和測試樣本集。

圖9 不同健康狀況平滑和修剪處理后的CSCoh圖

為了有效實現(xiàn)對隔膜泵單向閥的精確診斷，必須構(gòu)建合適的DCNN模型?？紤]到復(fù)雜網(wǎng)絡(luò)結(jié)構(gòu)將導(dǎo)致計算過程更復(fù)雜，訓(xùn)練時間更長且易出現(xiàn)過擬合現(xiàn)象，所以充分利用前期研究成果以及實驗條件，構(gòu)建具有三層卷積層以及三層池化層模型結(jié)構(gòu)，其激活函數(shù)選ReLu函數(shù)。在模型的全連接層部分，引入Dropout方法防止過擬合，并采用Softmax分類器對故障進(jìn)行分類。具體模型參數(shù)如表2所示，其中：Conv1，Conv2，Conv3為卷積層；Pool，Pool2，Pool3為池化層；FC4，F(xiàn)C5為全連接層。

表2 DCNN模型具體參數(shù)

4.4 實驗結(jié)果及分析

本文實驗的環(huán)境配置：CPU為Intel@Core TMi7-8750H，GPU為Nvidia GeForce GTX1060，操作系統(tǒng)為ubuntu16.04，深度學(xué)習(xí)框架為Pytorch，軟件平臺為Matlab & Python。為了獲取高精度的DCNN診斷模型，選擇合適的超參數(shù)很重要，本實驗基礎(chǔ)學(xué)習(xí)率設(shè)置為0.001，訓(xùn)練以r=0.1，p=0.75進(jìn)行迭代下降。MaxEpochs為30，采用Softmax分類器輸出分類結(jié)果并最小化交叉熵?fù)p失函數(shù)。

訓(xùn)練過程如圖10所示，其Accuracy曲線和Loss曲線反映了模型訓(xùn)練過程發(fā)生的變化，可以觀察到隨著迭代次數(shù)增加，模型診斷精度不斷升高，誤差不斷下降并趨近于零。由圖10可知當(dāng)?shù)鷶?shù)接近第20次時，DCNN模型達(dá)到了絕對收斂，訓(xùn)練平均總耗時107.31 s，對單張圖片的平均分類時間約為0.018 s。

圖10 訓(xùn)練結(jié)果曲線

為了清晰展現(xiàn)模型對每類故障的分類效果，本文采用混淆矩陣將測試集分類結(jié)果可視化。

如圖11所示，可以觀察到，模型對測試樣本的分類準(zhǔn)確率中，擊穿故障準(zhǔn)確率為95%，整體準(zhǔn)確率達(dá)到了98.75%?？梢姡疚乃鶚?gòu)建的CSCoh+DCNN模型能完全識別不同類型的隔膜泵單向閥工作狀態(tài)。同時，為了避免隨機(jī)因素干擾，構(gòu)建不同測試集進(jìn)行10次實驗，并采用F1分?jǐn)?shù)(F1-Score)綜合評價指標(biāo)來表征模型的穩(wěn)定性和泛化能力，每類故障的實驗結(jié)果如圖12所示。

注：Bd為擊穿； Gs為劃傷； Nm為正常； Wo為磨損。

圖12 10次實驗F1分?jǐn)?shù)評價

由于F1分?jǐn)?shù)綜合考慮了精確率和召回率兩個指標(biāo)，所以對模型分類性能具有更加客觀的衡量。觀察圖12可知，本文所構(gòu)建模型在10次實驗中對正常和擊穿2類故障均保持在100%的分類精度，其F1值均達(dá)到了1。而模型對劃傷和磨損故障分類效果相當(dāng)，其F1值在0.98～1.00。據(jù)此可知，本文所提方法確實對隔膜泵單向閥具有很好的分類性能，其穩(wěn)定性以及泛化性能均表現(xiàn)優(yōu)異。

同時，為說明本文所提方法相較于其他智能診斷方法的優(yōu)勢，將本文所提方法與Liu等的方法、Zhao等的方法、1D-CNN和STFT+DCNN等先進(jìn)方法進(jìn)行性能比較。同樣為了避免隨機(jī)因素干擾，上述實驗均在不同測試集上進(jìn)行10次，并統(tǒng)計其平均準(zhǔn)確率以及標(biāo)準(zhǔn)差。實驗結(jié)果如表3所示。

表3 10次實驗診斷結(jié)果

通過分析表3可知，在與不同方法對比中，本文所提方法取得最好的分類效果，平均精確率達(dá)到98.13%。而Liu等和Zhao等采用常規(guī)特征+淺層分類器的方式，由于提取特征的方式未能捕捉到信號中的循環(huán)平穩(wěn)分量，同時采用的是淺層學(xué)習(xí)的方式，使診斷性能仍然存處于較低的水平。1D-CNN和STFT+DCNN雖然采用了深度學(xué)習(xí)的方式，但由于信號中繁雜的干擾因素，使診斷精度和穩(wěn)定性仍存在一定的局限性，其整體性能依然次于本文所提方法，驗證了所提方法在隔膜泵單向閥故障診斷中的卓越性能。

5 結(jié) 論

隔膜泵單向閥在實際工況環(huán)境下運(yùn)行時，通常伴隨著復(fù)雜的背景噪聲和強(qiáng)烈的異常沖擊，這導(dǎo)致故障診斷中存在難以設(shè)計有效的特征指標(biāo)和診斷性能有限的問題。基于此，本文設(shè)計了一種將CSCoh和DCNN相結(jié)合的隔膜泵單向閥故障診斷方法，與傳統(tǒng)的人工智能方法相比，基于DCNN的故障診斷模型在特征提取和分類方面具有強(qiáng)大的功能。同時，考慮到DCNN的性能會受到數(shù)據(jù)集的規(guī)模和質(zhì)量的影響，將CSCoh用于揭示不同類故障性質(zhì)的預(yù)處理步驟，通過領(lǐng)域知識與信號處理技術(shù)的有機(jī)結(jié)合大大減輕了網(wǎng)絡(luò)的學(xué)習(xí)難度。通過與其他機(jī)器學(xué)習(xí)方法和1D-CNN、STFT+DCNN等深度學(xué)習(xí)方法對比，驗證了所提方法的優(yōu)越性。