《Engineering Applications of Artificial Intelligence》：One-dimensional convolutional neural network model driven intelligent operation phases identification of hydraulic press using energy data
編輯推薦：
在制造業中，液壓機能耗高、效率低，傳統監測方法成本高且復雜。研究人員開展基于一維卷積神經網絡（1-DCNN）模型的液壓機運行階段識別研究。結果顯示，1-DCNN 模型分類準確率達 98.89%，還能助力節能策略制定。
隨著全球對氣候變化的關注度不斷攀升，工業領域也在積極探索低碳、環保的制造模式。制造業在工業用電中占比頗高，中國 2020 年制造業用電量近 55%，而液壓機作為制造業的關鍵設備，雖有諸多優勢，但能耗高、能效低的問題嚴重制約其在綠色制造領域的發展。在金屬成型過程中，液壓機輸入電能僅有約 7.07% 轉化為成型所需能量，大部分能量在液壓系統中損耗。
為深入了解液壓機能耗模式并制定節能策略，對其運行狀態監測和運行階段識別至關重要。傳統機器學習（ML）方法，如決策樹（DT）、K 近鄰（KNN）和支持向量機（SVM）等，雖在系統狀態智能監測方面取得一定成果，但依賴專家知識進行手動特征提取和選擇，通用性受限。深度學習（DL）方法雖有自動特征提取和更強通用性優勢，但現有相關研究大多需部署多種傳感器，導致系統復雜、監測成本高且模型訓練時間長。在此背景下，研究人員開展了基于一維卷積神經網絡（1-DCNN）模型驅動的液壓機智能運行階段識別研究，該研究成果發表在《Engineering Applications of Artificial Intelligence》。
研究人員采用的主要技術方法包括：構建 1-DCNN 模型，該模型擅長處理一維序列數據，能捕捉時間序列中的依賴關系和模式；利用貝葉斯超參數優化算法，系統探索 1-DCNN 模型結構參數的最佳組合；進行超參數敏感性分析，定量確定各參數對模型性能的影響；對比 1-DCNN 模型與其他 ML 模型，凸顯其優勢；將智能監測系統部署在云端服務器，實現液壓機運行階段的實時分類。
能耗分析
研究人員對液壓機各運行階段進行能耗分析，以滑塊位移為標準，將整個沖裁過程劃分為七個不同運行階段，詳細評估每個階段的功率特性，為后續 1-DCNN 模型訓練時準確劃分運行階段奠定可靠基礎。
模型構建
制定 1-DCNN 模型的工作流程，涵蓋數據預處理、模型初始化與訓練、模型優化與選擇等環節。通過數據預處理，使輸入數據更適合模型訓練；初始化模型并進行訓練，讓模型學習數據中的特征；對模型進行優化和選擇，提升模型性能。
實驗設置
實驗在 5000-kN 液壓機上開展，該液壓機包含機體、電氣柜、油箱、進料輥等關鍵部件，其供電單元由 PLC 控制器、工業計算機和電機等構成，由電氣柜的同一三相電源供電。
結果與討論
綜合評估性能最優模型，并與其他模型對比分析。研究發現，卷積層的內核大小相較于其他超參數，對 1-DCNN 模型的分類準確率影響顯著。與傳統 ML 模型相比，1-DCNN 模型表現更優，預測運行階段的分類準確率高達 98.89%。通過超參數敏感性分析，明確了影響模型性能的關鍵因素。
實施與未來工作
在云端服務器部署系統時，研究人員采用實時數據過濾技術和平滑短期波動，運用統計方法檢測和處理異常值，采用前向填充法處理不完整數據，以應對實際應用中的噪聲和不完整數據問題。
研究人員成功構建基于 1-DCNN 模型的智能監測系統，實現對液壓機運行階段的精準識別。該系統能準確量化目標液壓機各運行階段的能耗，為節能策略制定提供重要依據。同時，1-DCNN 模型在預測運行階段方面展現出卓越性能，為液壓機運行狀態監測和節能研究開辟了新方向。不過，在實際應用中仍面臨數據處理等挑戰，未來研究可進一步優化模型和系統，提高其在復雜工業環境中的適應性和穩定性，推動液壓機在綠色制造領域的廣泛應用。
