- 頭條西安交通大學科研團隊提出飛機機電作動器的智能故障診斷方法2022-12-29 作者：李世曉、杜錦華、龍云 | 來源：《電工技術學報》 | 點擊率：導語針對機電作動器的傳統故障診斷方法依賴于人工特征提取和工程經驗的問題，電力設備電氣絕緣國家重點實驗室（西安交通大學）的研究人員李世曉、杜錦華、龍云，在2022年《電工技術學報》增刊1上撰文，提出一種基于一維卷積神經網絡（1DCNN）的智能故障診斷方法。相較于傳統故障診斷算法中特征提取和分類的分開處理，該方法將兩者合二為一、共同進行，可以有效地診斷出機電作動器的故障，且故障識別率可以達到98%左右。另外，該方法在不同白噪聲下仍可以保持較高的故障識別率，具有比較好的魯棒性和泛化能力。
隨著高密度伺服電動機、電力電子和數字控制技術的發展，電力作動系統以其質量輕、成本低、效率高、可靠性高及便于維護等優點被廣泛認可。因此在航空、航天和航海等很多領域，電力作動系統正在逐步取代傳統的液壓作動系統。
機電作動器作為電力作動系統的一種典型代表，廣泛應用于現代飛行控制系統，來控制飛機舵面，從而改變飛機的飛行姿態和軌跡，其健康狀態對于飛機的飛行狀態和安全至關重要。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據驅動兩類方法。其中，基于模型的故障診斷方法通常需要建立精確的系統模型，但模型的確定性也決定了其通用性較差；而基于數據驅動的故障診斷方法，無需精確的數學模型，但要求有比較完備的數據集。隨著互聯網技術的發展和智能制造水平的提高，社會的數據量和數據面呈指數式增長，使基于數據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展，機器學習成為了數據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。由于現實中采集到的原始數據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據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）、統計特征以及經驗模態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神經網、自組織映射（Self-Organizing Maps，SOM）神經網絡、支持向量機（Support Vector Machine，SVM）以及概率神經網絡（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，但操作時往往依賴人工設計和一定的工程經驗；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。卷積神經網絡（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，后經過Fukushima、LeCun等的研究工作，現在已經成為深度學習的經典算法之一，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。
卷積神經網絡是一種前饋式多層監督學習神經網絡，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，激活層用來提高網絡的非線性特性，池化層對卷積層產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。與普通神經網絡相比，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，在一定程度上降低了網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網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絡輸入，把特征提取和分類合二為一，實現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據，其次優選參數進行網絡模型構建，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據作為模型輸入，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，有利于實現在線監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“基于一維卷積神經網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。
