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
(中北大学机械工程学院,山西 太原 030051)
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
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[1]。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[2]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[3]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）通过在输入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[4]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[5]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[6]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[7]。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[8]。
对高职学生而言，文化自信是其社会责任感与使命感的集中体现，是正确价值观形成的基础，是养成文明行为，提高道德水准的重要源泉。高校辅导员是学生思想政治教育、价值引领、日常管理的重要力量，在学生成长成才过程中扮演十分重要的角色。高职辅导员理应在学生文化自信培育中发挥重要作用。
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，本文引入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入层，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[9]。构建堆叠式降噪自动编码器的具体步骤如下：
3.3.2 基于核主成分分析（KPCA）的特征融合
图1 对第1个降噪自动编码器进行预训练
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入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。
引入最小均方差作为代价函数，且通过梯度下降的方法进行权值W和偏置值b的 更新：
对照组中患者护理后的护理满意度为77.8%，观察组中患者护理之后的护理满意度为93.4%，观察组中患者的护理满意度显著高于对照组，差异有统计学意义（P＜0.05），见表1。
梯度下降法公式为
2）第1个降噪自动编码器训练完成后移除输出层及其权值和偏置，只留输入层和隐藏层，然后将前一个降噪自动编码器的隐藏层当作下一个降噪自动编码器的输入，进行第2次预训练。其原理如图2所示。
图2 对第2个降噪自动编码器进行预训练
第2个降噪自动编码器的输出数据用下式表示：
需要说明的是，本文侧重于Logistic回归模型的预测，因此将选取2010年前的地震数据共196组作为训练集，而将2010后的三次地震(2010年新西兰Darfield地震、2011年新西兰Christchurch地震以及2011年日本Tohoku地震)数据共57组作为测试集。根据前述Logistic回归方法利用训练集训练Logistic模型，然后将此模型应用于测试集，评估其预测效果。
梯度下降法公式为
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。
2 核主成分分析（KPCA）
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 Φ，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[11]。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[12]。核主成分分析（KPCA）的具体计算步骤如下：
为有效确保工程建设的顺利进行，需建立健全监督管理体系，明确单位的分工和权责，让相关工作得到有效的落实。在监理工作中应结合工程实际制定细致科学的监理制度，同时，在监理工作中还应制定科学有效的措施，确保监理人员严格按照制度规范的要求落实监理工作，最大限度地体现出监理工作的价值。
1）选择核函数K ，通常情况下采用高斯核函数。
2）计算核矩阵：
3.3.1 基于堆叠降噪自动编码器的特征提取
唐飞霄望着这一切，心底泛起了一阵寒意。不是因对方过人的臂力和忍耐力，而是他注意到，对方胸膛的创口处，没有血。
其中，In 是系数为
的n ×n 阶单位阵。
4）计算核矩阵K ′的特征值λi 和特征向量α，[λ,γ]=eig(K )，λ =(λ1,λ2,...,λn )，α=[α1,α2,...,αn ]。
5）对特征向量进行正则化：
引入最小均方差作为代价函数，且通过梯度下降的方法进行权值W 和偏置值b 的更新：
6）对原始数据xi 进行投影：
7）投影后的矩阵为：S ˜={x ˜1,x ˜2,...,x ˜n }[13]。
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25.6 kHz，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。
采用KCl敏感筛选高核酸突变菌株[16]。诱变处理后培养2～3 d，影印到含一定浓度KCl的麦芽汁培养基平板，筛选出对KCl敏感的突变株，摇瓶发酵培养并测定RNA含量。
表1 某型转管火炮测点分布
图3 某型转管火炮测点分布图
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1发信号时域图。
图4 6连发射击3x 方向截取第1发信号时域图
3）对核矩阵进行规范化处理：
实验鱼采用天津鑫达鱼苗繁育基地人工孵化的麦穗鱼幼鱼，共503尾，全长35.9±3.3mm，体重为5.8±1.7g。提前半个月将试验鱼放入实验水槽内暂养，以便其适应实验环境从而提高实验准确性。
第1个降噪自动编码器的输出数据用下式表示：
3）按照步骤2）对下一个降噪自动编码器进行预训练，并引入更新规则，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[10]。
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。
表2 部分振动信号特征值
表3 部分声压信号特征值
1）首先对第1个降噪自动编码器进行预训练，其中
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入数据，σ(•)为 Sigmoid函数。其原理如图1所示。
当前和今后一个时期，应当进一步完善城市防洪排涝工程体系，大力加强工程建设，尽快达到国家规定的防洪排涝标准。在城市防洪应急管理方面，建议采取以下对策：
动点问题与二次函数相结合在各届中考与日常测试中出现的几率相对较大，为了更好地对这种类型动点问题进行解决，不仅要充分了解题意、掌握点的运行流程，还应提高对初中知识之外的相关联系。例如：图1，在正方形ABCD中，A，B的坐标（0,10）、（8,4），定点C、D在第一象限，P从A出发，随着正方形按逆时针方向进行运行，其中点Q从E（4,0）出发，沿着x轴正方向进行同速运动，在P达到C时，PQ停止运动，（1）设运行时间为T,计算ABCD的边长；（2）当P在AB边运动时，三角形OPQ面积为S与T之间的关系为图2，求P与Q的运动速度。
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[14]，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。
图5 核主元贡献率
图6 融合前后特征值在二维空间投影对比
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[15]中进行故障识别，所得识别结果如图7所示。
Where: ra is armature winding; rf is excitation winding;rD is direct-axis damping winding;rQ is cross-axis damping winding; w is electrical angular velocity of rotor.
图7 特征融合前后故障识别结果
由诊断结果可知，66个测试样本，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。
参考文献
[1]王红玲.火炮自动供输弹系统故障诊断技术研究[D].太原:中北大学,2010.
[2]冯旭松,施伟,杨雪,等.基于堆栈自动编码器的泵站机组故障分析[J].人民长江,2018,49(8): 99-102.
[3]崔江,唐军祥,龚春英,等.一种基于改进堆栈自动编码器的航空发电机旋转整流器故障特征提取方法[J].中国电机工程学报,2017,37(19): 5696-5706.
[4]潘磊.基于深度学习网络的风机传动系统主要部件故障诊断的研究[D].上海: 上海电机学院,2017.
[5]许海伦.基于电流信号分析与小波-支持向量机的火炮自动装填系统故障诊断研究[D].太原: 中北大学,2013.
[6]付志敏,潘宏侠,许昕,等.基于 PCA-KLD 的供输弹系统早期故障识别[J].机械设计与研究,2018,34(2): 192-195.
[7]李平.基于多源异类信息融合的异步电机故障诊断技术研究[D].湘潭: 湖南科技大学,2013.
[8]李学军,李平,蒋玲莉,等.基于异类信息特征融合的异步电机故障诊断[J].仪器仪表学报,2013,34(1): 227-233.
[9]颜丹.基于深度自动编码器的特征提取算法研究[D].长沙:长沙理工大学,2016.
[10]时培明,梁凯,赵娜,等.基于深度学习特征提取和粒子群支持向量机状态识别的齿轮智能故障诊断[J].中国机械工程,2017,28(9): 1056-1061.
[11]ZHU M,GHODSI A.Automatic dimensionality selection from the scree plot via the use of profile likelihood[J].Computational Statistics & Data Analysis,2006,51(2): 918-930.
[12]颜丹.基于深度自动编码器的特征提取算法研究[D].长沙:长沙理工大学,2016.
[13]GHARAHBAGHERI H,IMTIAZ S A,KHAN F.Root cause diagnosis of process fault using KPCA and bayesian network[J].Industrial & Engineering Chemistry Research,2017,56(8): 2054-2070.
[14]张颖伟.基于数据的复杂工业过程监测[M].沈阳: 东北大学出版社,2011: 13-15.
[15]REN L K,LV W M,JIANG S W,et al.Fault diagnosis using a joint model based on sparse representation and SVM[J].IEEE Transactions on Instrumentation & Measurement,2016,65(10): 2313-2320.
Early fault identification of ammunition supply system based on SDA and KPCA feature fusion
LIANG Haiying,XU Xin,PAN Hongxia,FU Zhimin,ZHANG Hang
(Mechanical Engineering Institute,North University of China,Taiyuan 030051,China)
Abstract: For the problem that the early fault signal components of the ammunition supply system are complicated and the potential fault signs are difficult to identify,an early fault identification method based on SDA and KPCA feature fusion is proposed.After the collected signal for the ramming system is processed by the detrending term and the five-point three-smoothing method,the vibration signals and the acoustic signals of different states are first extracted by SDA respectively.Then,KPCA is used to fuse the extracted vibration signal and sound pressure signal features.Finally,the SVM is used to classify and compare the features before and after fusion.The test results show that the method can effectively identify the early failure of the ammunition supply system and the recognition accuracy is 92.4%.
Keywords: ammunition supply system;SDA;KPCA;information fusion;fault identification
中图分类号： TJ303.3
文献标志码: A
文章编号: 1674–5124(2019)04–0141–05
doi: 10.11857/j.issn.1674-5124.2018070096
收稿日期: 2018-07-24；
收到修改稿日期: 2018-09-01
基金项目: 国家自然科学基金资助项目（51675491）
作者简介: 梁海英(1993-)，女，河北张家口市人，硕士研究生，专业方向为信号识别与处理、装备系统检测与诊断。
(编辑:莫婕)
标签：供输弹系统论文; 堆栈降噪自动编码器论文; 核主成分分析论文; 信息融合论文; 故障识别论文; 中北大学机械工程学院论文;