国产精品不卡在线,精品国产_亚洲人成在线高清,色亚洲一区,91激情网

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

機(jī)電作動(dòng)器作為電力作動(dòng)系統(tǒng)的一種典型代表，廣泛應(yīng)用于現(xiàn)代飛行控制系統(tǒng)，來控制飛機(jī)舵面，從而改變飛機(jī)的飛行姿態(tài)和軌跡，其健康狀態(tài)對(duì)于飛機(jī)的飛行狀態(tài)和安全至關(guān)重要。因此，準(zhǔn)確及時(shí)地診斷、預(yù)測(cè)機(jī)電作動(dòng)器的實(shí)時(shí)狀況，對(duì)保障飛機(jī)安全運(yùn)行和經(jīng)濟(jì)維護(hù)具有重要意義。

目前，機(jī)電作動(dòng)器故障時(shí)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(qū)動(dòng)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(qū)動(dòng)的故障診斷方法，無需精確的數(shù)學(xué)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(shù)的發(fā)展和智能制造水平的提高，社會(huì)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(qū)動(dòng)的故障診斷方法得到更廣泛的應(yīng)用。

隨著人工智能的不斷興起和蓬勃發(fā)展，機(jī)器學(xué)習(xí)成為了數(shù)據(jù)驅(qū)動(dòng)下故障診斷的主流方法之一。機(jī)器學(xué)習(xí)的故障診斷通常包括特征提取、特征降維和故障分類三個(gè)部分。由于現(xiàn)實(shí)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(duì)原始數(shù)據(jù)進(jìn)行特征提取來獲取與故障相關(guān)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(jì)特征以及經(jīng)驗(yàn)?zāi)B(tài)分解等常見的特征提取方法；然后對(duì)上一步提取后的特征進(jìn)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(xué)習(xí)等；最后將得到的有效故障特征進(jìn)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(luò)、支持向量機(jī)（Support Vector Machine，SVM）以及概率神經(jīng)網(wǎng)絡(luò)（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(cuò)的效果，但也存在兩個(gè)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(shí)往往依賴人工設(shè)計(jì)和一定的工程經(jīng)驗(yàn)；二是特征提取和故障分類雖然形式上組合，但兩個(gè)過程實(shí)質(zhì)上是先后單獨(dú)進(jìn)行的，因此當(dāng)設(shè)備或裝置變化時(shí)，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(shí)這種分段進(jìn)行的組合方式也難以保證診斷的實(shí)時(shí)性。

而近年來，由于訓(xùn)練資源的大幅增加和計(jì)算能力的快速發(fā)展，深度學(xué)習(xí)逐漸成為智能故障診斷領(lǐng)域中的新秀。卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）的概念最早可以追溯到Hubel等對(duì)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(xué)習(xí)的經(jīng)典算法之一，并廣泛應(yīng)用于計(jì)算機(jī)視覺、語音識(shí)別以及自然語言處理等領(lǐng)域。

卷積神經(jīng)網(wǎng)絡(luò)是一種前饋式多層監(jiān)督學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)，通常由卷積層、激活層、池化層、全連接層4個(gè)部分構(gòu)成。其中，卷積層利用卷積核對(duì)輸入信號(hào)進(jìn)行特征提取，激活層用來提高網(wǎng)絡(luò)的非線性特性，池化層對(duì)卷積層產(chǎn)生的特征圖進(jìn)行維度約簡，最后全連接層對(duì)高維特征進(jìn)行具體的分類操作。與普通神經(jīng)網(wǎng)絡(luò)相比，卷積層具有局部連接和權(quán)值共享的特性，這有利于減少卷積層的訓(xùn)練參數(shù)，在一定程度上降低了網(wǎng)絡(luò)的復(fù)雜度和計(jì)算量。

針對(duì)目前機(jī)電作動(dòng)器診斷依賴人工特征提取和工程經(jīng)驗(yàn)以及淺層學(xué)習(xí)模型特征提取能力不足的問題，西安交通大學(xué)的研究人員將一維卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)引入機(jī)電作動(dòng)器故障診斷中，直接以作動(dòng)器輸出的原始信號(hào)作為網(wǎng)絡(luò)輸入，把特征提取和分類合二為一，實(shí)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(jìn)行網(wǎng)絡(luò)模型構(gòu)建，然后通過實(shí)驗(yàn)對(duì)模型進(jìn)行驗(yàn)證，最后將所提方法與其他算法對(duì)比驗(yàn)證，并進(jìn)行魯棒性測(cè)試。實(shí)驗(yàn)結(jié)果表明，該算法可以有效地實(shí)現(xiàn)機(jī)電作動(dòng)器的故障診斷。

圖2 直驅(qū)式機(jī)電作動(dòng)器結(jié)構(gòu)

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(hào)并自適應(yīng)地提取對(duì)診斷有益的特征，同時(shí)具有很高的故障診斷準(zhǔn)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(shí)間，可以真正實(shí)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(shí)現(xiàn)在線監(jiān)測(cè)和快速智能診斷的應(yīng)用。

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

本文編自2022年《電工技術(shù)學(xué)報(bào)》增刊1，論文標(biāo)題為“基于一維卷積神經(jīng)網(wǎng)絡(luò)的機(jī)電作動(dòng)器故障診斷”。本課題得到了國家自然科學(xué)基金項(xiàng)目、中央高?；究蒲袠I(yè)務(wù)費(fèi)專項(xiàng)資金項(xiàng)目和陜西省自然科學(xué)基礎(chǔ)研究計(jì)劃青年項(xiàng)目的支持。