编辑推荐：
在制造业中，液压机能耗高、效率低，传统监测方法成本高且复杂。研究人员开展基于一维卷积神经网络（1-DCNN）模型的液压机运行阶段识别研究。结果显示，1-DCNN 模型分类准确率达 98.89%，还能助力节能策略制定。
随着全球对气候变化的关注度不断攀升，工业领域也在积极探索低碳、环保的制造模式。制造业在工业用电中占比颇高，中国 2020 年制造业用电量近 55%，而液压机作为制造业的关键设备，虽有诸多优势，但能耗高、能效低的问题严重制约其在绿色制造领域的发展。在金属成型过程中，液压机输入电能仅有约 7.07% 转化为成型所需能量，大部分能量在液压系统中损耗。
为深入了解液压机能耗模式并制定节能策略，对其运行状态监测和运行阶段识别至关重要。传统机器学习（ML）方法，如决策树（DT）、K 近邻（KNN）和支持向量机（SVM）等，虽在系统状态智能监测方面取得一定成果，但依赖专家知识进行手动特征提取和选择，通用性受限。深度学习（DL）方法虽有自动特征提取和更强通用性优势，但现有相关研究大多需部署多种传感器，导致系统复杂、监测成本高且模型训练时间长。在此背景下，研究人员开展了基于一维卷积神经网络（1-DCNN）模型驱动的液压机智能运行阶段识别研究，该研究成果发表在《Engineering Applications of Artificial Intelligence》。
研究人员采用的主要技术方法包括：构建 1-DCNN 模型，该模型擅长处理一维序列数据，能捕捉时间序列中的依赖关系和模式；利用贝叶斯超参数优化算法，系统探索 1-DCNN 模型结构参数的最佳组合；进行超参数敏感性分析，定量确定各参数对模型性能的影响；对比 1-DCNN 模型与其他 ML 模型，凸显其优势；将智能监测系统部署在云端服务器，实现液压机运行阶段的实时分类。
能耗分析
研究人员对液压机各运行阶段进行能耗分析，以滑块位移为标准，将整个冲裁过程划分为七个不同运行阶段，详细评估每个阶段的功率特性，为后续 1-DCNN 模型训练时准确划分运行阶段奠定可靠基础。
模型构建
制定 1-DCNN 模型的工作流程，涵盖数据预处理、模型初始化与训练、模型优化与选择等环节。通过数据预处理，使输入数据更适合模型训练；初始化模型并进行训练，让模型学习数据中的特征；对模型进行优化和选择，提升模型性能。
实验设置
实验在 5000-kN 液压机上开展，该液压机包含机体、电气柜、油箱、进料辊等关键部件，其供电单元由 PLC 控制器、工业计算机和电机等构成，由电气柜的同一三相电源供电。
结果与讨论
综合评估性能最优模型，并与其他模型对比分析。研究发现，卷积层的内核大小相较于其他超参数，对 1-DCNN 模型的分类准确率影响显著。与传统 ML 模型相比，1-DCNN 模型表现更优，预测运行阶段的分类准确率高达 98.89%。通过超参数敏感性分析，明确了影响模型性能的关键因素。
实施与未来工作
在云端服务器部署系统时，研究人员采用实时数据过滤技术和平滑短期波动，运用统计方法检测和处理异常值，采用前向填充法处理不完整数据，以应对实际应用中的噪声和不完整数据问题。
研究人员成功构建基于 1-DCNN 模型的智能监测系统，实现对液压机运行阶段的精准识别。该系统能准确量化目标液压机各运行阶段的能耗，为节能策略制定提供重要依据。同时，1-DCNN 模型在预测运行阶段方面展现出卓越性能，为液压机运行状态监测和节能研究开辟了新方向。不过，在实际应用中仍面临数据处理等挑战，未来研究可进一步优化模型和系统，提高其在复杂工业环境中的适应性和稳定性，推动液压机在绿色制造领域的广泛应用。
