俞 杭，陳換過，肖 雪，劉培君

(1.浙江理工大學 浙江省機電產品可靠性技術研究重點實驗室，浙江 杭州 310018；2.北京精密機電控制設備研究所 事業(yè)部，北京 100076)

電液伺服機構因其良好的穩(wěn)定性和高響應性，被廣泛應用于航空航天領域.其中，電靜壓伺服機構(EHA, Electro-Hydraulic Actuator)作為一種新型的電液伺服機構，既具有與電機伺服機構(EMA, Electro-Mechanical Actuator)類似的電機驅動和控制功能，又具備高承載、易實現(xiàn)余度設計等突出優(yōu)點，是當今伺服機構的主要發(fā)展趨勢之一[1].但是，EHA是一個復雜的電、氣、液系統(tǒng)，其故障呈現(xiàn)多樣化和廣泛性特點.其中，油濾堵塞故障是EHA相比于EMA特有的故障類型，也是EHA機構的薄弱環(huán)節(jié).機構中雙向油濾主要用來濾除系統(tǒng)油路中存在的固體雜質，降低油液的污染度，減少油腔內部的磨損，從而延長使用壽命.文獻[2]研究表明，油濾堵塞會直接導致通油面積減小，流阻和節(jié)流損失增大而顯著影響系統(tǒng)的響應速度.堵塞嚴重時還會造成油溫升高，甚至導致液壓部件的損壞.

目前，EHA的故障診斷技術尚處于起步階段.WLAMIR等考慮噴嘴堵塞有關的失效模式，提出了一種利用衰落擴展卡爾曼濾波器進行系統(tǒng)辨識的伺服閥退化估計的方法[3]；黃岳等基于執(zhí)行器內部測點的數(shù)據(jù)變化，選用多元統(tǒng)計學方法對伺服機構執(zhí)行器進行了故障診斷[4].SONG等從數(shù)學上推導了電液伺服機構油路泄漏和受摩擦影響的兩種故障模型[5].肖雪等建立了伺服機構健康工況的主元模型，并依據(jù)油濾堵塞工況的平方預測誤差統(tǒng)計量、Hotelling-T2統(tǒng)計量及其與健康閾值的對比狀況，進行了故障診斷[6].這些研究主要針對的是伺服機構的液壓泵、伺服閥等單部件.對于EHA的研究，目前還停留在性能分析與設計階段，且在系統(tǒng)層面利用統(tǒng)計數(shù)據(jù)分析進行故障診斷的研究很不深入.由于伺服機構本身的復雜性和實際工況的多變性，伺服機構的信號隨外負載而隨機變化，信號不具有典型的頻譜特征，導致特征提取十分困難，因此采用傳統(tǒng)的故障診斷方法無法準確地反饋伺服機構的當前狀態(tài).

自組織映射網(wǎng)絡，是一種無監(jiān)督的學習方式，因此無需設置狀態(tài)標簽.它能夠根據(jù)輸入樣本的分布，通過神經元之間的競爭選擇獲勝神經元，對輸入模式進行分類，同時能夠識別輸入向量的拓撲結構，展現(xiàn)故障神經元之間的內部關聯(lián)性.若將人工神經網(wǎng)絡運用到EHA的故障診斷中，則可從數(shù)據(jù)處理層面進一步挖掘故障信息和特征，建立更為可靠、精確的故障診斷模型.

1 自組織映射神經網(wǎng)絡

自組織特征映射網(wǎng)絡(Self-Organizing Feature Maps, SOFM)又稱自組織映射神經網(wǎng)絡(SOM)，最早由芬蘭赫爾辛基理工大學的神經網(wǎng)絡專家Kohonen于1981年提出[7]，是一種競爭性神經網(wǎng)絡，且具有自組織特性.

(1)設定變量.假設神經元輸入樣本為X=[X1,X2,…,Xm]，每個樣本包含m維向量;Wi(k)=[Wi1(k),Wi2(k),…,Wim(k)]為第i個輸入節(jié)點與輸出神經元之間的權值向量.

(2) 初始化.對輸出層各權值向量賦值隨機數(shù),進行歸一化處理，并建立初始優(yōu)勝鄰域Nj(0)和初始學習率η.

歸一化的輸入樣本為：

(1)

式中，‖X‖為輸入向量的歐幾里得范數(shù).

歸一化的權值向量為：

(2)

式中，‖Wi(k)‖為權值向量的歐幾里得范數(shù).

(3) 輸入隨機樣本Xi，尋找獲勝節(jié)點，計算權值向量Wi(k)和樣本Xi的內積，并使內積最大的輸出神經元贏得競爭.由于樣本向量和權值向量均已歸一化，因此最小歐氏距離處即為內積最大處，也就是說，可將距離最小的那個神經元記為獲勝神經元.神經元之間的距離為：

D(i,j)=‖X-Wi(k)‖

(3)

(4) 定義優(yōu)勝鄰域.以獲勝神經元為中心,根據(jù)其權值調整域確定獲勝區(qū)域.確定鄰域時可采用不同的距離函數(shù)，如歐式距離、曼哈頓距離等.

(5) 調整權值.針對優(yōu)勝鄰域的所有節(jié)點調整權值，并采用Kohonen規(guī)則按下式進行更新.

wij(n+1)=wij(n)+η(xi(n)-wij(n))

=(1-η)wij(n)+ηxi(n)

(4)

式中：xi(n)為第i個輸入神經元的值；wij(n)為鄰域內神經元與xi(n)相連的權值.

在Matlab中，使用learnSOM函數(shù)，通過神經元輸入樣本X、激活率a2(i,j)和學習率lr,進行自組織映射神經網(wǎng)絡的學習，并按下式進行權值ΔWi(k)的更新.

ΔWi(k)=lr·a2(i,j)·(X′-Wi(k))

(5)

式中，a2(i,j)由網(wǎng)絡的輸出值a(i,j)、神經元之間的距離D(i,j)及鄰域大小Nd決定，即

(6)

(6) 當學習率衰減到某一預定值時，結束迭代.

2 仿真建模及數(shù)據(jù)分析

選取油濾堵塞類故障模式，并在AMESim系統(tǒng)中進行仿真建模.在AMESim系統(tǒng)中建立一個模擬飛控系統(tǒng)襟翼結構的電靜壓伺服機構仿真模型[8-10].系統(tǒng)在實際運行時，通過飛行控制計算機確定一個特定位置.電機通過泵的液壓來推動作動器，從而移動襟翼來調整飛行姿態(tài)，完成指定動作.在仿真模型中，電機驅動液壓泵旋轉而提供系統(tǒng)流量，通過伺服驅動控制器調節(jié)電機轉速、方向來改變系統(tǒng)的流量和方向，實現(xiàn)對作動器活塞桿伸縮和速度的控制，同時通過集成位移傳感器，實現(xiàn)反饋閉環(huán)控制.

所建立的仿真模型為單通道電靜壓伺服機構.仿真時以指定脈沖信號作為輸入信號，作動器最大位移為10 mm，并在9.523 s時施加1 500 N的外部負載.模型中各信號采集點的布置如圖1所示.

圖1 模型中各信號采集點的布置

在仿真模型中，設置阻尼孔并改變其通徑，以模擬不同程度的油濾堵塞故障工況.將阻尼孔(即油濾通油孔)的直徑分別設為5.0 mm(健康工況)、3.0 mm、2.0 mm、1.5 mm、1.0 mm、0.5 mm.剩余通油面積百分比分別為100%、36%、16%、9%、4%、1%.系統(tǒng)仿真時間為20 s，采樣頻率為1 000 Hz.考慮到現(xiàn)實中傳感器的布置特點及機構布置的合理性，選取作動器位移、電機電流和伸出腔油路壓力這3個量進行信號采集.作動器位移曲線、電機電流曲線和伸出腔油路壓力曲線分別見圖2、圖3和圖4.

(b) 通油面積4%以下與正常情況

由圖2～圖4可知:在高負載情況下，當系統(tǒng)通油面積在16%及以上時，各測量曲線基本重合，無法直接判斷系統(tǒng)狀況；當通油面積下降到4%時，系統(tǒng)各參數(shù)的幅值隨著通油面積的下降，出現(xiàn)劇烈變化，相比于正常工況差異較大，作動器出現(xiàn)明顯的沖擊、動作信號出現(xiàn)黏連，無法達到預定運行要求.對此進一步分析研究發(fā)現(xiàn)，在無負載下，系統(tǒng)的故障信息差別不大，但作動器位移信號隨著通油孔徑(即通孔直徑)改變而發(fā)生變化的趨勢更為明顯.

(a) 通油面積16%以上與正常情況

(b) 通油面積4%以下與正常情況

(a) 通油面積16%以上與正常情況

(b) 通油面積4%以下與正常情況

3 基于SOM模型的油濾堵塞故障診斷

3.1 仿真數(shù)據(jù)訓練及測試

(1) 在AMESim系統(tǒng)中，選取7類以時間序列為故障樣本的數(shù)據(jù)集(它包含正常狀態(tài)1組，輕微堵塞和嚴重堵塞狀態(tài)各3組).每個故障樣本集中含有4組特征，分別是電機電流、電機轉速、輸出位移和輸出速度.

不同油濾通油面積工況的測量值(又稱特征參數(shù))如表1所示.

表1 不同油濾通油面積工況的測量值

注：1.為簡化表格，每個故障樣本集只列舉2個采樣點的測量值；2.表中數(shù)據(jù)均已歸一化處理，量綱為1。

(2) 選取通孔直徑0.5 mm、1.0 mm、2.0 mm、3.0 mm、5.0 mm這5類狀態(tài)作為訓練樣本，以通孔直徑0.6 mm、2.5 mm，即通油面積1.44%、25%為測試樣本，并設置神經元個數(shù)為10×10，訓練步數(shù)為1 000.那么，應用SOM建立油濾堵塞故障模型的步驟如下：①選取故障樣本；②對每種標準故障樣本進行學習，學習后將具有最大輸出的神經元作為該故障的標記；③將待檢測樣本輸入SOM模型；④若輸出神經元在輸出層的位置與某標準故障樣本的位置相同，則說明待檢測樣本發(fā)生了相應的故障；若輸出神經元在輸出層的位置介于很多標準故障之間，則說明這幾種標準故障樣本都有可能發(fā)生，且各故障發(fā)生的程度可根據(jù)該位置與相應標準故障樣本位置的歐式距離來確定.

(3) 正常狀態(tài)、輕微堵塞、嚴重堵塞這3種故障仿真數(shù)據(jù)的SOM神經元反饋分布如圖5所示.

(a) 正常狀態(tài)

(b) 輕微堵塞

(c) 嚴重堵塞

圖5 3種故障仿真數(shù)據(jù)的SOM神經元反饋分布

從圖5可看出：正常情況下，SOM神經元反饋分布在拓撲結構的中間區(qū)域，呈條狀分布；輕微堵塞故障下，SOM神經元反饋呈隨機分布，主要集中在拓撲結構的右端及左側區(qū)域；嚴重堵塞故障下，SOM神經元反饋主要分布在拓撲結構的右端，呈半包圍結構分布。

(4) 將測試樣本0.6 mm、2.5 mm(指通孔直徑)油路堵塞狀態(tài)的系統(tǒng)特征參數(shù)輸入SOM模型，可得圖6所示的SOM神經元反饋分布情況。

(a) 通孔直徑 0.6 mm

(b) 通孔直徑2.5 mm

圖6 測試樣本的SOM神經元反饋分布

圖6與圖5對比可知：在通孔直徑0.6 mm(即通油面積為1.44%)狀態(tài)下，SOM神經元的反饋分布與嚴重堵塞時情況一致；在通孔直徑2.5 mm(即通油面積為25%)狀態(tài)下，SOM神經元的反饋分布與輕微堵塞時情況一致.這與實際情況相符，表明了該方法的有效性.通常SOM模型的聚類運用往往針對單個神經元進行判斷，本文以所有激活神經元的分布情況來判斷故障程度，可大大減小采用單個神經元節(jié)點帶來的誤判風險，使結果更為直觀.

3.2 實測數(shù)據(jù)訓練及測試

搭建EHA試驗平臺，在空載荷下進行測試與分析[5].EHA樣機的基本參數(shù)如表2所示.以通孔直徑14 mm(即健康工況)作為參考，模擬油濾堵塞導致節(jié)流損失增大的故障工況，使通孔直徑下降到6.3 mm，通油面積下降到78.29%，進行連續(xù)的位置指令階躍信號測試.測試時間為0.5 s，采樣頻率為500 Hz，同時選取3個直接量(即作動器位移、電機轉速和電機電流)對位移進行微分，得到作動器速度(這里稱作間接量).以兩種工況的3個直接量和1個間接量作為SOM模型的基本參數(shù)(表3)，完成實測數(shù)據(jù)的訓練.

表2 EHA樣機的基本參數(shù)

表3 SOM模型的基本參數(shù)

注：1.為簡化表格，每種工況只列舉4個采樣點的測量值；2.表中數(shù)據(jù)均已歸一化處理，量綱為1.

針對SOM模型，按照樣本數(shù)量為460份(其中230份健康樣本，230份故障樣本)，兩種工況測試樣本各20份，進行試驗，可得圖7所示試驗數(shù)據(jù)的SOM神經元反饋分布情況.

(a) 正常狀態(tài)激活神經元

(b) 故障狀態(tài)激活神經元

(c) 正常狀態(tài)輸入測試

(d) 故障狀態(tài)輸入測試

圖7 試驗數(shù)據(jù)的SOM神經元反饋分布

觀察圖7可發(fā)現(xiàn)，將測試樣本輸入訓練好的SOM模型，神經元的反饋分布與真實狀態(tài)類似.這證明該方法是可行的.經過研究，該模型初步訓練后，對正常狀態(tài)的識別率可達80%，對故障狀態(tài)的識別率可達90%.

4 結束語

通過仿真和試驗數(shù)據(jù)的SOM模型搭建發(fā)現(xiàn)，SOM對于電靜壓伺服機構油濾堵塞故障診斷有良好的適用性，以神經元反饋分布作為故障程度判斷的依據(jù)，比傳統(tǒng)上依靠單個神經元來判斷故障狀態(tài)更為準確，在缺乏訓練數(shù)據(jù)的情況下也可反饋當前狀態(tài).

盡管本文模型訓練使用的數(shù)據(jù)點較少，且存在不可預測的測量噪聲，使健康工況也有故障率，最后的反饋分布存在部分異常點，但這些異常點可通過后續(xù)加大訓練樣本量或者進一步優(yōu)化訓練模型得到消除.此外，基于SOM在電靜壓伺服機構油濾堵塞故障診斷方面的研究成果可應用于其他故障模式.