俞 杭，陳換過(guò)，肖 雪，劉培君

(1.浙江理工大學(xué) 浙江省機(jī)電產(chǎn)品可靠性技術(shù)研究重點(diǎn)實(shí)驗(yàn)室，浙江 杭州 310018；2.北京精密機(jī)電控制設(shè)備研究所 事業(yè)部，北京 100076)

電液伺服機(jī)構(gòu)因其良好的穩(wěn)定性和高響應(yīng)性，被廣泛應(yīng)用于航空航天領(lǐng)域.其中，電靜壓伺服機(jī)構(gòu)(EHA, Electro-Hydraulic Actuator)作為一種新型的電液伺服機(jī)構(gòu)，既具有與電機(jī)伺服機(jī)構(gòu)(EMA, Electro-Mechanical Actuator)類似的電機(jī)驅(qū)動(dòng)和控制功能，又具備高承載、易實(shí)現(xiàn)余度設(shè)計(jì)等突出優(yōu)點(diǎn)，是當(dāng)今伺服機(jī)構(gòu)的主要發(fā)展趨勢(shì)之一[1].但是，EHA是一個(gè)復(fù)雜的電、氣、液系統(tǒng)，其故障呈現(xiàn)多樣化和廣泛性特點(diǎn).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(jī)構(gòu)的薄弱環(huán)節(jié).機(jī)構(gòu)中雙向油濾主要用來(lái)濾除系統(tǒng)油路中存在的固體雜質(zhì)，降低油液的污染度，減少油腔內(nèi)部的磨損，從而延長(zhǎng)使用壽命.文獻(xiàn)[2]研究表明，油濾堵塞會(huì)直接導(dǎo)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(yīng)速度.堵塞嚴(yán)重時(shí)還會(huì)造成油溫升高，甚至導(dǎo)致液壓部件的損壞.

目前，EHA的故障診斷技術(shù)尚處于起步階段.WLAMIR等考慮噴嘴堵塞有關(guān)的失效模式，提出了一種利用衰落擴(kuò)展卡爾曼濾波器進(jìn)行系統(tǒng)辨識(shí)的伺服閥退化估計(jì)的方法[3]；黃岳等基于執(zhí)行器內(nèi)部測(cè)點(diǎn)的數(shù)據(jù)變化，選用多元統(tǒng)計(jì)學(xué)方法對(duì)伺服機(jī)構(gòu)執(zhí)行器進(jìn)行了故障診斷[4].SONG等從數(shù)學(xué)上推導(dǎo)了電液伺服機(jī)構(gòu)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(jī)構(gòu)健康工況的主元模型，并依據(jù)油濾堵塞工況的平方預(yù)測(cè)誤差統(tǒng)計(jì)量、Hotelling-T2統(tǒng)計(jì)量及其與健康閾值的對(duì)比狀況，進(jìn)行了故障診斷[6].這些研究主要針對(duì)的是伺服機(jī)構(gòu)的液壓泵、伺服閥等單部件.對(duì)于EHA的研究，目前還停留在性能分析與設(shè)計(jì)階段，且在系統(tǒng)層面利用統(tǒng)計(jì)數(shù)據(jù)分析進(jìn)行故障診斷的研究很不深入.由于伺服機(jī)構(gòu)本身的復(fù)雜性和實(shí)際工況的多變性，伺服機(jī)構(gòu)的信號(hào)隨外負(fù)載而隨機(jī)變化，信號(hào)不具有典型的頻譜特征，導(dǎo)致特征提取十分困難，因此采用傳統(tǒng)的故障診斷方法無(wú)法準(zhǔn)確地反饋伺服機(jī)構(gòu)的當(dāng)前狀態(tài).

自組織映射網(wǎng)絡(luò)，是一種無(wú)監(jiān)督的學(xué)習(xí)方式，因此無(wú)需設(shè)置狀態(tài)標(biāo)簽.它能夠根據(jù)輸入樣本的分布，通過(guò)神經(jīng)元之間的競(jìng)爭(zhēng)選擇獲勝神經(jīng)元，對(duì)輸入模式進(jìn)行分類，同時(shí)能夠識(shí)別輸入向量的拓?fù)浣Y(jié)構(gòu)，展現(xiàn)故障神經(jīng)元之間的內(nèi)部關(guān)聯(lián)性.若將人工神經(jīng)網(wǎng)絡(luò)運(yùn)用到EHA的故障診斷中，則可從數(shù)據(jù)處理層面進(jìn)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(jīng)網(wǎng)絡(luò)

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

(1)設(shè)定變量.假設(shè)神經(jīng)元輸入樣本為X=[X1,X2,…,Xm]，每個(gè)樣本包含m維向量;Wi(k)=[Wi1(k),Wi2(k),…,Wim(k)]為第i個(gè)輸入節(jié)點(diǎn)與輸出神經(jīng)元之間的權(quán)值向量.

(2) 初始化.對(duì)輸出層各權(quán)值向量賦值隨機(jī)數(shù),進(jìn)行歸一化處理，并建立初始優(yōu)勝鄰域Nj(0)和初始學(xué)習(xí)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(quán)值向量為：

(2)

式中，‖Wi(k)‖為權(quán)值向量的歐幾里得范數(shù).

(3) 輸入隨機(jī)樣本Xi，尋找獲勝節(jié)點(diǎn)，計(jì)算權(quán)值向量Wi(k)和樣本Xi的內(nèi)積，并使內(nèi)積最大的輸出神經(jīng)元贏得競(jìng)爭(zhēng).由于樣本向量和權(quán)值向量均已歸一化，因此最小歐氏距離處即為內(nèi)積最大處，也就是說(shuō)，可將距離最小的那個(gè)神經(jīng)元記為獲勝神經(jīng)元.神經(jīng)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(jīng)元為中心,根據(jù)其權(quán)值調(diào)整域確定獲勝區(qū)域.確定鄰域時(shí)可采用不同的距離函數(shù)，如歐式距離、曼哈頓距離等.

(5) 調(diào)整權(quán)值.針對(duì)優(yōu)勝鄰域的所有節(jié)點(diǎn)調(diào)整權(quán)值，并采用Kohonen規(guī)則按下式進(jìn)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(gè)輸入神經(jīng)元的值；wij(n)為鄰域內(nèi)神經(jīng)元與xi(n)相連的權(quán)值.

在Matlab中，使用learnSOM函數(shù)，通過(guò)神經(jīng)元輸入樣本X、激活率a2(i,j)和學(xué)習(xí)率lr,進(jìn)行自組織映射神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)，并按下式進(jìn)行權(quán)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(luò)的輸出值a(i,j)、神經(jīng)元之間的距離D(i,j)及鄰域大小Nd決定，即

(6)

(6) 當(dāng)學(xué)習(xí)率衰減到某一預(yù)定值時(shí)，結(jié)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(jìn)行仿真建模.在AMESim系統(tǒng)中建立一個(gè)模擬飛控系統(tǒng)襟翼結(jié)構(gòu)的電靜壓伺服機(jī)構(gòu)仿真模型[8-10].系統(tǒng)在實(shí)際運(yùn)行時(shí)，通過(guò)飛行控制計(jì)算機(jī)確定一個(gè)特定位置.電機(jī)通過(guò)泵的液壓來(lái)推動(dòng)作動(dòng)器，從而移動(dòng)襟翼來(lái)調(diào)整飛行姿態(tài)，完成指定動(dòng)作.在仿真模型中，電機(jī)驅(qū)動(dòng)液壓泵旋轉(zhuǎn)而提供系統(tǒng)流量，通過(guò)伺服驅(qū)動(dòng)控制器調(diào)節(jié)電機(jī)轉(zhuǎn)速、方向來(lái)改變系統(tǒng)的流量和方向，實(shí)現(xiàn)對(duì)作動(dòng)器活塞桿伸縮和速度的控制，同時(shí)通過(guò)集成位移傳感器，實(shí)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(jī)構(gòu).仿真時(shí)以指定脈沖信號(hào)作為輸入信號(hào)，作動(dòng)器最大位移為10 mm，并在9.523 s時(shí)施加1 500 N的外部負(fù)載.模型中各信號(hào)采集點(diǎn)的布置如圖1所示.

圖1 模型中各信號(hào)采集點(diǎn)的布置

在仿真模型中，設(shè)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(shè)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(shí)間為20 s，采樣頻率為1 000 Hz.考慮到現(xiàn)實(shí)中傳感器的布置特點(diǎn)及機(jī)構(gòu)布置的合理性，選取作動(dòng)器位移、電機(jī)電流和伸出腔油路壓力這3個(gè)量進(jìn)行信號(hào)采集.作動(dòng)器位移曲線、電機(jī)電流曲線和伸出腔油路壓力曲線分別見(jiàn)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(fù)載情況下，當(dāng)系統(tǒng)通油面積在16%及以上時(shí)，各測(cè)量曲線基本重合，無(wú)法直接判斷系統(tǒng)狀況；當(dāng)通油面積下降到4%時(shí)，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(dòng)器出現(xiàn)明顯的沖擊、動(dòng)作信號(hào)出現(xiàn)黏連，無(wú)法達(dá)到預(yù)定運(yùn)行要求.對(duì)此進(jìn)一步分析研究發(fā)現(xiàn)，在無(wú)負(fù)載下，系統(tǒng)的故障信息差別不大，但作動(dòng)器位移信號(hào)隨著通油孔徑(即通孔直徑)改變而發(fā)生變化的趨勢(shì)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(xùn)練及測(cè)試

(1) 在AMESim系統(tǒng)中，選取7類以時(shí)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(yán)重堵塞狀態(tài)各3組).每個(gè)故障樣本集中含有4組特征，分別是電機(jī)電流、電機(jī)轉(zhuǎn)速、輸出位移和輸出速度.

不同油濾通油面積工況的測(cè)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(cè)量值

注：1.為簡(jiǎn)化表格，每個(gè)故障樣本集只列舉2個(gè)采樣點(diǎn)的測(cè)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(xùn)練樣本，以通孔直徑0.6 mm、2.5 mm，即通油面積1.44%、25%為測(cè)試樣本，并設(shè)置神經(jīng)元個(gè)數(shù)為10×10，訓(xùn)練步數(shù)為1 000.那么，應(yīng)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(duì)每種標(biāo)準(zhǔn)故障樣本進(jìn)行學(xué)習(xí)，學(xué)習(xí)后將具有最大輸出的神經(jīng)元作為該故障的標(biāo)記；③將待檢測(cè)樣本輸入SOM模型；④若輸出神經(jīng)元在輸出層的位置與某標(biāo)準(zhǔn)故障樣本的位置相同，則說(shuō)明待檢測(cè)樣本發(fā)生了相應(yīng)的故障；若輸出神經(jīng)元在輸出層的位置介于很多標(biāo)準(zhǔn)故障之間，則說(shuō)明這幾種標(biāo)準(zhǔn)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(yīng)標(biāo)準(zhǔn)故障樣本位置的歐式距離來(lái)確定.

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

(a) 正常狀態(tài)

(b) 輕微堵塞

(c) 嚴(yán)重堵塞

圖5 3種故障仿真數(shù)據(jù)的SOM神經(jīng)元反饋分布

從圖5可看出：正常情況下，SOM神經(jīng)元反饋分布在拓?fù)浣Y(jié)構(gòu)的中間區(qū)域，呈條狀分布；輕微堵塞故障下，SOM神經(jīng)元反饋呈隨機(jī)分布，主要集中在拓?fù)浣Y(jié)構(gòu)的右端及左側(cè)區(qū)域；嚴(yán)重堵塞故障下，SOM神經(jīng)元反饋主要分布在拓?fù)浣Y(jié)構(gòu)的右端，呈半包圍結(jié)構(gòu)分布。

(4) 將測(cè)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(jīng)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(cè)試樣本的SOM神經(jīng)元反饋分布

圖6與圖5對(duì)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(jīng)元的反饋分布與嚴(yán)重堵塞時(shí)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(jīng)元的反饋分布與輕微堵塞時(shí)情況一致.這與實(shí)際情況相符，表明了該方法的有效性.通常SOM模型的聚類運(yùn)用往往針對(duì)單個(gè)神經(jīng)元進(jìn)行判斷，本文以所有激活神經(jīng)元的分布情況來(lái)判斷故障程度，可大大減小采用單個(gè)神經(jīng)元節(jié)點(diǎn)帶來(lái)的誤判風(fēng)險(xiǎn)，使結(jié)果更為直觀.

3.2 實(shí)測(cè)數(shù)據(jù)訓(xùn)練及測(cè)試

搭建EHA試驗(yàn)平臺(tái)，在空載荷下進(jìn)行測(cè)試與分析[5].EHA樣機(jī)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(dǎo)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(jìn)行連續(xù)的位置指令階躍信號(hào)測(cè)試.測(cè)試時(shí)間為0.5 s，采樣頻率為500 Hz，同時(shí)選取3個(gè)直接量(即作動(dòng)器位移、電機(jī)轉(zhuǎn)速和電機(jī)電流)對(duì)位移進(jìn)行微分，得到作動(dòng)器速度(這里稱作間接量).以兩種工況的3個(gè)直接量和1個(gè)間接量作為SOM模型的基本參數(shù)(表3)，完成實(shí)測(cè)數(shù)據(jù)的訓(xùn)練.

表2 EHA樣機(jī)的基本參數(shù)

表3 SOM模型的基本參數(shù)

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

針對(duì)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(cè)試樣本各20份，進(jìn)行試驗(yàn)，可得圖7所示試驗(yàn)數(shù)據(jù)的SOM神經(jīng)元反饋分布情況.

(a) 正常狀態(tài)激活神經(jīng)元

(b) 故障狀態(tài)激活神經(jīng)元

(c) 正常狀態(tài)輸入測(cè)試

(d) 故障狀態(tài)輸入測(cè)試

圖7 試驗(yàn)數(shù)據(jù)的SOM神經(jīng)元反饋分布

觀察圖7可發(fā)現(xiàn)，將測(cè)試樣本輸入訓(xùn)練好的SOM模型，神經(jīng)元的反饋分布與真實(shí)狀態(tài)類似.這證明該方法是可行的.經(jīng)過(guò)研究，該模型初步訓(xùn)練后，對(duì)正常狀態(tài)的識(shí)別率可達(dá)80%，對(duì)故障狀態(tài)的識(shí)別率可達(dá)90%.

4 結(jié)束語(yǔ)

通過(guò)仿真和試驗(yàn)數(shù)據(jù)的SOM模型搭建發(fā)現(xiàn)，SOM對(duì)于電靜壓伺服機(jī)構(gòu)油濾堵塞故障診斷有良好的適用性，以神經(jīng)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(gè)神經(jīng)元來(lái)判斷故障狀態(tài)更為準(zhǔn)確，在缺乏訓(xùn)練數(shù)據(jù)的情況下也可反饋當(dāng)前狀態(tài).

盡管本文模型訓(xùn)練使用的數(shù)據(jù)點(diǎn)較少，且存在不可預(yù)測(cè)的測(cè)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(diǎn)，但這些異常點(diǎn)可通過(guò)后續(xù)加大訓(xùn)練樣本量或者進(jìn)一步優(yōu)化訓(xùn)練模型得到消除.此外，基于SOM在電靜壓伺服機(jī)構(gòu)油濾堵塞故障診斷方面的研究成果可應(yīng)用于其他故障模式.