爱爱视频网站免费-爱爱视频在线-爱爱视频在线播放-爱爱视频在线观看-爱爱视频在线看

隨著高密度伺服電動機、電力電子和數(shù)字控制技術的發(fā)展，電力作動系統(tǒng)以其質(zhì)量輕、成本低、效率高、可靠性高及便于維護等優(yōu)點被廣泛認可。因此在航空、航天和航海等很多領域，電力作動系統(tǒng)正在逐步取代傳統(tǒng)的液壓作動系統(tǒng)。

機電作動器作為電力作動系統(tǒng)的一種典型代表，廣泛應用于現(xiàn)代飛行控制系統(tǒng)，來控制飛機舵面，從而改變飛機的飛行姿態(tài)和軌跡，其健康狀態(tài)對于飛機的飛行狀態(tài)和安全至關重要。因此，準確及時地診斷、預測機電作動器的實時狀況，對保障飛機安全運行和經(jīng)濟維護具有重要意義。

目前，機電作動器故障時的故障診斷方法主要可以分為基于模型和基于數(shù)據(jù)驅動兩類方法。其中，基于模型的故障診斷方法通常需要建立精確的系統(tǒng)模型，但模型的確定性也決定了其通用性較差；而基于數(shù)據(jù)驅動的故障診斷方法，無需精確的數(shù)學模型，但要求有比較完備的數(shù)據(jù)集。隨著互聯(lián)網(wǎng)技術的發(fā)展和智能制造水平的提高，社會的數(shù)據(jù)量和數(shù)據(jù)面呈指數(shù)式增長，使基于數(shù)據(jù)驅動的故障診斷方法得到更廣泛的應用。

隨著人工智能的不斷興起和蓬勃發(fā)展，機器學習成為了數(shù)據(jù)驅動下故障診斷的主流方法之一。機器學習的故障診斷通常包括特征提取、特征降維和故障分類三個部分。由于現(xiàn)實中采集到的原始數(shù)據(jù)存在大量的冗余信息和噪聲，難以直接處理，因此通常需要先對原始數(shù)據(jù)進行特征提取來獲取與故障相關的特征。

如小波包變換（Wavelet Packet Transform，WPT）、快速傅里葉變換（Fast Fourior Transfermation, FFT）、統(tǒng)計特征以及經(jīng)驗模態(tài)分解等常見的特征提取方法；然后對上一步提取后的特征進行降維，剔除冗余和無用的特征，常用方法有主成分分析、核主元分析和流形學習等；最后將得到的有效故障特征進行故障分類，其中比較有代表的分類器有BP神經(jīng)網(wǎng)、自組織映射（Self-Organizing Maps，SOM）神經(jīng)網(wǎng)絡、支持向量機（Support Vector Machine，SVM）以及概率神經(jīng)網(wǎng)絡（Probabilistic Neural Network，PNN）等。

上述方法可以看作是不同的特征提取器與分類器的相互組合，雖然取得了較為不錯的效果，但也存在兩個主要問題：一是特征提取作為故障診斷的重要一環(huán)，但操作時往往依賴人工設計和一定的工程經(jīng)驗；二是特征提取和故障分類雖然形式上組合，但兩個過程實質(zhì)上是先后單獨進行的，因此當設備或裝置變化時，難以保證二者組合的最優(yōu)性，即無法保證智能故障診斷算法的通用性，同時這種分段進行的組合方式也難以保證診斷的實時性。

而近年來，由于訓練資源的大幅增加和計算能力的快速發(fā)展，深度學習逐漸成為智能故障診斷領域中的新秀。卷積神經(jīng)網(wǎng)絡（Convolutional Neural Network，CNN）的概念最早可以追溯到Hubel等對貓腦視覺皮層研究中提出的感受野，后經(jīng)過Fukushima、LeCun等的研究工作，現(xiàn)在已經(jīng)成為深度學習的經(jīng)典算法之一，并廣泛應用于計算機視覺、語音識別以及自然語言處理等領域。

卷積神經(jīng)網(wǎng)絡是一種前饋式多層監(jiān)督學習神經(jīng)網(wǎng)絡，通常由卷積層、激活層、池化層、全連接層4個部分構成。其中，卷積層利用卷積核對輸入信號進行特征提取，激活層用來提高網(wǎng)絡的非線性特性，池化層對卷積層產(chǎn)生的特征圖進行維度約簡，最后全連接層對高維特征進行具體的分類操作。與普通神經(jīng)網(wǎng)絡相比，卷積層具有局部連接和權值共享的特性，這有利于減少卷積層的訓練參數(shù)，在一定程度上降低了網(wǎng)絡的復雜度和計算量。

針對目前機電作動器診斷依賴人工特征提取和工程經(jīng)驗以及淺層學習模型特征提取能力不足的問題，西安交通大學的研究人員將一維卷積神經(jīng)網(wǎng)絡結構引入機電作動器故障診斷中，直接以作動器輸出的原始信號作為網(wǎng)絡輸入，把特征提取和分類合二為一，實現(xiàn)端到端的智能故障診斷。

圖1 基于1DCNN的故障診斷流程圖

他們首先是獲取和處理數(shù)據(jù)，其次優(yōu)選參數(shù)進行網(wǎng)絡模型構建，然后通過實驗對模型進行驗證，最后將所提方法與其他算法對比驗證，并進行魯棒性測試。實驗結果表明，該算法可以有效地實現(xiàn)機電作動器的故障診斷。

圖2 直驅式機電作動器結構

研究人員指出，相比于傳統(tǒng)故障診斷方法，該方法不需要人工特征提取，可以直接作用于原始信號并自適應地提取對診斷有益的特征，同時具有很高的故障診斷準確率。另外，該方法直接以原始數(shù)據(jù)作為模型輸入，把特征提取和分類合二為一，并具有很短的診斷時間，可以真正實現(xiàn)端到端的智能故障診斷，因此具有更好的可操作性和通用性，有利于實現(xiàn)在線監(jiān)測和快速智能診斷的應用。

他們最后表示，該方法的泛化能力和魯棒性較強，在較大噪聲的情況下，仍然可以保持較高的診斷準確率。

本文編自2022年《電工技術學報》增刊1，論文標題為“基于一維卷積神經(jīng)網(wǎng)絡的機電作動器故障診斷”。本課題得到了國家自然科學基金項目、中央高校基本科研業(yè)務費專項資金項目和陜西省自然科學基礎研究計劃青年項目的支持。