基于SDA和KPCA特征融合的供输弹系统早期故障识别

梁海英 许昕 潘宏侠 付志敏 张航

摘要：对于供输弹系统早期故障信号成分复杂，潜在故障征兆难以识别的问题，提出基于堆叠式降噪自动编码器（sDA）和核主成分分析（KPcA）特征融合的早期故障识别方法。所采集的供输弹系统信号经过去趋势项和五点三次平滑法处理后，首先将不同状态的振动信号和声压信号分别通过sDA进行特征提取;然后用KPcA对提取的振动信号和声压信号特征进行融合;最后运用支持向量机（sVM）对融合前后的特征分别进行识别并对比。试验结果表明，该方法能有效地对供输弹系统早期故障进行识别，且识别准确率达92.4%。

关键词：供输弹系统;堆栈降噪自动编码器;核主成分分析;信息融合;故障识别

中图分类号：TJ303.3文献标志码：A 文章编号：1674-5124（2019）04-0141-05

0引言

供输弹系统作为火炮等武器装备的重要组成部分，运动过程复杂，伴有剧烈的撞击、振动和摩擦等，其工作可靠性一直是制约复杂兵器装备性能和实用性的障碍，也成为武器装备状态监测与故障诊断领域的焦点。因此，寻找一种高效、快速的自动供输弹系统早期故障预示方法十分必要。

堆栈自动编码器是深度学习理论的一种常用模型，可实现数据降维和特征提取的基本功能。冯旭松等将堆栈自动编码器应用到泵站机组的故障分析中，得到较高的机组故障平均分类准确率。崔江等将一种改进的堆栈自动编码器用于航空发电机旋转整流器的故障特征提取，具有良好的故障诊断效果。堆栈自动编码器克服了单层自动编码器学习速度缓慢、训练效率低的局限性，但其抗噪能力差。而堆栈降噪自动编码器（sDA）通过在输人的数据中增加一定的噪声信号，使堆栈自动编码器具备抗噪能力。潘磊等将堆栈降噪自动编码器用于轴承和齿轮箱的故障诊断，并取得理想的试验结果。以此为基础，针对供输弹系统早期故障信号成分复杂，潜在故障征兆难以识别的问题，本文提出将堆栈降噪自动编码器运用到供输弹系统的早期故障识别。

对于供输弹系统的故障识别，许海伦基于小波理论和支持向量机对其电流信号进行分析，付志敏等基于PCA-KLD方法对其振动信号进行了分析，但并未应用信息融合方法对供输弹系统的故障进行研究，识别率有待提高。针对供输弹系统的故障特征之间存在较强的非线性关系，同时充分利用异类传感器之间的互补信息，提高故障识别的准确率，本文引入核主成分分析（KPCA）进行异类型传感器的特征级融合。相比同类传感器特征融合，此方法可提高故障识别准确率，为供输弹系统的早期故障识别开辟新途径。

本文将SDA和KPCA特征融合运用于供输弹系统的早期故障识别，并经试验验证方法的准确性。

1堆叠式降噪自动编码器（SDA）

由于单层的自动编码器在训练过程中往往会出现学习速度缓慢、训练效率低下的困扰，本文引人了堆叠式降噪自动编码器。堆叠式降噪自动编码器把每个去噪自动编码器的中间层当成下一个自动编码器的输人层，经过层层叠加，组成一个深层网络，通过这种方式可以大幅度提升训练效率。构建堆叠式降噪自动编码器的具体步骤如下：

1）首先对第1个降噪自动编码器进行预训练，其中X为经过编码和解码之后降噪自动编码器输出层的数据，X是未添加噪声成分的原始数据，y是添加噪声成分后的输人数据，σ（·）为Sigmoid函数。其原理如图1所示。

3）按照步骤2）对下一个降噪自动编码器进行预训练，并引人更新规则，直到重构误差的收敛标准达到最小值，则满足训练结束条件。所有降噪自动编码器训练完成后，去掉最后的重构层，将隐含层数据视为满足条件的数据降维后的特征值。

2核主成分分析（1gdJCA）

核主成分分析（KPCA）是对主成分分析法（PCA）的非线性扩展，与PCA不同的是KPCA引入了非线性映射函数Ф，用来处理非线性数据。KPCA还引入了一个非常重要的定理：空间中的任何向量，都能够用这个空间的所有样本线性表示。KPCA可理解为通过某种途径将输入空间映射到某个高维空间（通常为特征空间），并在特征空间中实现PCA提取数据的非线性结构信息。核主成分分析（KPCA）的具体计算步骤如下：

3实验分析与论证

3.1实验测点布置

依据供输弹系统工作机理和结构及常见的故障种类，与实际测试的某型转管火炮的结构结合，对该型火炮开展多场信息测试工作。共布置8个测点，包括振动测点6处，各振动测点均采集3个方向的加速度信号，2个声压测点。采样频率设为25.6kHz，采用32通道LMS信号采集系统。测点分布如表1所示，测点分布图如图3所示。

3.2实验记录

本次试验射速为450发/min，射击过程如下：2连发，两次6连发，实验完成且未发生故障;40连发，虽完成射击任务，但在射击至26～27发时射速降低;60连发，80连发，全程射速平稳，机构正常运行，无任何故障现象。本文将某型号火炮的工作状态共划分为3种，即正常工况（60连发、80连发）、恶化中工况（2连发、6连发）、故障工况（40连发）。

3.3实验结果分析

选取射击试验中振动测点3（x向）的振动信号和声压测点2的声压信号对供输弹系统进行分析。使用线性去趋势项和五点三次平滑法对信号进行预处理。将每一发信号进行单独截取以便后续处理，如图4所示为6连发射击3x方向截取第l发信号时域图。

3.3.1基于堆叠降噪自动编码器的特征提取

在应用堆叠自动编码器提取特征前，基于最优特征提取思想和模型简化的考虑，确定堆叠自动编码器的隐含层层数为4、特征值维度为5，且当隐含层节点数目为输人层节点数目的一半左右，信号的重构误差最小，提取出的特征值最有效。

在试验数据中，正常和故障工况数据的2/3作为训练数据，剩余1/3作为测试数据，恶化工况数据的1/2作为训练数据，剩余1/2作为测试数据。

在堆栈降噪自动编码器中训练完成后输入测试数据进行特征提取。由于篇幅限制，只列出部分信号特征值，部分振动信号特征值如表2所示，部分声压信号特征值如表3所示。

3.3.2基于核主成分分析（KPCA）的特征融合

将振动信号特征值和声压信号特征值进行核主成分分析特征融合，提取信息互补的故障信号特征值，图5为经过核主成分分析后提取的贡献率较大的核主元及其累计贡献率。

由图可知，前4个核主元的累计贡献率超过90%，已满足大于85%的理论要求，因此选取前4个核主元作为特征值。为了对比核主成分分析前后对故障诊断最后结果的影响，分别选取振动加速度信号、声压信号和融合后的二维特征值在二维空间的投影，以观察不同工况下特征值的聚类效果，其结果如图6所示。

很明显，经过KPCA融合处理后，特征值的聚类效果优于振动信号和声压信号特征值的聚类效果，不同工况的特征值彼此分离，同种工况的特征值互相聚集，有助于后续的早期故障识别。

3.3.3基于支持向量机（SVM）的早期故障识别

将融合前后的特征值分别输入到支持向量机，中进行故障识别，所得识别结果如图7所示。

由诊断结果可知，66个測试样本，通过单一振动信号进行识别，有59个测试样本识别正确，识别准确率为89.4%;通过单一声信号进行识别，有54个测试样本识别正确，识别准确率为81.9%;通过经KPCA融合振动信号与声信号后进行识别，有60个测试样本识别正确，识别准确率达92.4%。可得结论，多场信号经KPCA融合处理后再进行故障识别可显著提高供输弹系统早期故障识别的准确率。

4结束语

本文基于SDA和KPCA特征融合对供输弹系统进行了早期故障识别。结果表明：堆叠降噪自动编码器网络模型，可实现故障特征值的自适应提取，有效弥补故障特征值不是最优特征值而导致的故障识别准确率低的问题;KPCA信息融合方法可得到信息互补的特征值，提高故障识别准确率，且识别准确率达92.4%。本文提出的方法可为供输弹系统的早期故障特征提取与状态识别提供一种新思路。