基于深度自编码模型和马氏距离的起重机泵健康评估

屈 斌 李 彬

1 长江三峡通航管理局 2 微特技术有限公司

1 引言

起重机作为一种应用广泛的工程机械，常年暴露在各种恶劣的环境和工作条件下。起重机泵作为起重机液压系统的关键部件，在自然老化过程中会出现各种可能的故障。任何起重机泵的故障都会造成不必要的停机时间和昂贵的维修成本，甚至人员伤亡[1]。为了确保起重机持续可靠的运行，起重机泵的健康评估已成为当前学术研究的热点问题之一[2]。

近年来，由于传感器技术的快速发展和计算机计算性能的大幅提升[3]，出现了许多基于数据驱动方法的泵健康评估研究，一些深度学习技术被广泛应用于起重机泵的健康评估[4]。深度自编码模型作为深度学习的一个重要分支，能够从原始信号中进行无监督的特征学习，在许多故障诊断和健康预后应用中得到广泛应用。例如，张生等[5]开发了一种名为Ensemble Deep Autocoding Ders(EDAEs)的新方法，用于轴承智能故障诊断；姚云峰等[6]将数字小波帧(DWF)和堆叠自动编码模型相结合提取故障信号特征；Lu等[7]研究了一种堆叠去噪自动编码模型(SDA)，旨在对含有噪声和波动的原始信号进行某些健康状态识别。同时，度量学习本质上就是确定一个合适的距离度量来量化不同类别数据的差异[8]，它通常用于评估性能下降和运行状况，如Zhao等[9]提出了一个结合拉普拉斯算子和马尔科夫距离的性能退化和健康状况评估方法。

2 起重机泵健康评估方法

2.1 起重机泵测试环境

现有的数据驱动健康评估方法研究数据来源大多来自台架试验，即借助先进的测试平台对真实工作环境进行室内模拟。……