賈春玉， 康凱旋， 高 偉， 楊 東， 陳立娟， 艾 超

(1.燕山大學 機械工程學院， 河北 秦皇島 066004； 2.南京工程學院 機械工程學院， 江蘇 南京 211167)

引言

電液伺服閥在電液伺服控制系統(tǒng)中處于核心地位，其性能的好壞直接影響系統(tǒng)的控制精度、可靠性等。在鋼鐵、冶金等行業(yè)，伺服閥健康狀態(tài)影響著整臺液壓設(shè)備的運行狀態(tài)[1]，但是由于伺服閥大多數(shù)都處于封閉的環(huán)境中且其故障又具有多樣性，傳統(tǒng)的故障診斷方法難以有效的應(yīng)用在伺服閥的故障診斷中。

目前，國內(nèi)外學者針對電液伺服閥的故障預(yù)測做了大量工作。沈晨暉等[2]提出將平方根容積卡爾曼濾波(Square Root Volume Kalman Flter，SR-CKF)應(yīng)用于電液伺服系統(tǒng)的狀態(tài)估計之中；權(quán)凌霄等[3]提出采用遺傳算法(GA)確定BP神經(jīng)網(wǎng)絡(luò)的最佳初始權(quán)值矩陣用于故障診斷。隨著大數(shù)據(jù)、深度學習等技術(shù)的發(fā)展，深度學習在故障診斷領(lǐng)域也取得也重大發(fā)展，如CHEN Lu等[4]證實了卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network， CNN)網(wǎng)絡(luò)具有一定的對工況復(fù)雜的滾動軸承尖端特征自提取能力；曾慧潔等[5]提出了基于多層網(wǎng)格搜索的長短期記憶神經(jīng)網(wǎng)絡(luò)(Long-Short Term Memory neural network， LSTM)處理時序信號，實現(xiàn)航空發(fā)動機的故障預(yù)測；唐賽[6]對不同軸承，不同載荷的故障數(shù)據(jù)進行了增強，以輸入改進后的CNN-LSTM故障診斷模型對數(shù)據(jù)集進行整形，實現(xiàn)了軸承故障診斷。

上述針對電液伺服閥故障診斷的研究以及深度學習模型在關(guān)鍵元件故障預(yù)測中的應(yīng)用為本研究提供了一定的方向性。為了解決電液伺服閥故障預(yù)測存在故障型式復(fù)雜多變、早期故障微弱、特征提取的過程相對繁雜和時序序列處理困難的問題，提出一種結(jié)合卷積神經(jīng)網(wǎng)絡(luò)(CNN)和長短期記憶神經(jīng)網(wǎng)絡(luò)(Long-Short Term Memory neural network， LSTM)的網(wǎng)絡(luò)模型。利用CNN提取傳感器的高維度的空間特征[7]，實現(xiàn)對電液伺服閥早期微弱故障信號的特征提取；同時，選用LSTM神經(jīng)網(wǎng)絡(luò)對CNN部分輸出的特征序列進行處理，在時間維度上提取電液伺服閥性能退化特征，并實現(xiàn)電液伺服閥故障分類和預(yù)測。

1 雙噴嘴擋板電液伺服閥的故障分析及動力學建模

1.1 電液伺服閥故障機理及動力學建模

針對G761電液伺服閥，結(jié)構(gòu)如圖1所示，其主要機械故障是閥芯磨損、阻尼孔堵塞、油污、密封件損壞等[8]，其中閥芯磨損和阻尼孔堵塞最常見。因此，針對電液伺服閥的阻尼孔堵塞、 滑閥閥芯磨損這2個常見故障進行故障機理分析和動力建模。

1) 阻尼孔堵塞

G761電液伺服閥采用的是雙噴嘴擋板閥，噴嘴擋板閥的流量較小，其結(jié)構(gòu)示意圖如圖2所示。

圖1 伺服閥內(nèi)部結(jié)構(gòu)

1、5.固定阻尼孔 2、4.噴嘴 3.擋板圖2 噴嘴擋板示意圖

當液壓油進入先導(dǎo)閥時，首先通過固定阻尼孔，可以從固定阻尼孔的流量方程得到通過2個固定阻尼孔的流量可以表示為[9]：

(1)

(2)

式中，Cd1—— 阻尼孔流量系數(shù)

A1—— 固定阻尼孔的過流面積,m2

px—— 供油壓力,MPa

p1,p2—— 分別為左右噴嘴腔壓力,MPa

液壓油經(jīng)過阻尼孔后，流經(jīng)噴嘴后作用于擋板上，左右噴嘴作用在擋板上的力可表示為[10]：

(3)

(4)

式中，DN—— 噴嘴孔直徑，m

Df—— 擋板直徑,m

p0—— 擋板腔壓力,MPa

當左側(cè)阻尼孔堵塞時，左側(cè)噴嘴腔內(nèi)壓力p1下降，使得F1下降，F(xiàn)1

2) 滑閥閥芯磨損

由于滑閥非線性流量增益，絕大多數(shù)四通滑閥的制造都有一個臨界中心[11]。伺服閥的內(nèi)部泄漏包括2部分：滑閥的零泄漏和噴嘴的泄漏。一般情況下，噴嘴的泄漏不會隨使用時間而改變。因此，伺服閥的內(nèi)部泄漏的增加是由于滑閥的零泄漏的增加。理想的幾何結(jié)構(gòu)意味著孔板邊緣是完全方形的，沒有圓角，并且滑閥和套筒之間沒有徑向間隙。因此，理想的滑閥沒有泄漏流量。盡管這些幾何完美性在實踐中是不可能的，但可以在零位附近構(gòu)造一個具有相對線性流量增益的閥門[12]。這種具有實際幾何形狀的閥芯，即具有微小徑向間隙S0。

當滑閥在受污染的液體中工作時，閥體磨損，滑閥和套筒之間的徑向間隙S0增大。根據(jù)工程經(jīng)驗，由于流體的潤滑，一般情況下徑向間隙的變化很小，只有在極端惡劣的環(huán)境中，閥芯磨損加劇，S0明顯增大。因此，一般假設(shè)閥芯邊緣的沖蝕磨損對滑閥性能的影響最大，如圖3所示，當閥體出現(xiàn)刃邊磨損會導(dǎo)致開度增大。

圖3 刃邊磨損

根據(jù)壓力-流量方程，得到閥口壓力-流量方程為：

(5)

式中，Cd—— 流量系數(shù)

A—— 過流面積,m2

Δp—— 壓差,Pa

ρ—— 油液的密度,kg/m3

閥口形狀如圖4所示，圖中面積A為過流面積，過流面積與閥芯的開口度和位移有關(guān)。

閥口過流面積公式為：

(6)

式中，d—— 圓形閥口直徑,m

x—— 閥口開度,m

圖4 過流面積

因此，閥芯磨損導(dǎo)致開口度增加，出現(xiàn)零位泄漏量加大、零位穩(wěn)定性下降、流量增益減小、非線性加劇等現(xiàn)象，磨損嚴重時會使伺服閥嚴重滯后，動態(tài)特性也將急劇下降。

2 基于CNN+LSTM網(wǎng)絡(luò)模型的故障預(yù)測

2.1 CNN網(wǎng)絡(luò)模型

由于傳統(tǒng)的特征提取采用人工提取，對人員的專業(yè)技術(shù)水平要求高，同時由于故障發(fā)生早期特征信號微弱，故障模式復(fù)雜，造成特征提取過程費時費力。為了克服人工提取的弊端，采用卷積神經(jīng)網(wǎng)絡(luò)的方法自動提取故障特征，通過設(shè)定卷積核個數(shù)為伺服閥傳感器數(shù)量，可以從電液伺服閥的電流、流量、壓力信號中提取故障特征。

通常CNN由卷積層、池化層和全連接層3種神經(jīng)網(wǎng)絡(luò)層組成，卷積層是k個卷積核在上一級輸入層上通過逐一滑動窗口計算而得，卷積核中的每一個參數(shù)提取輸入信號的各層級特征，令卷積核的大小為(m，n)，每次的卷積計算可以由公式(7)表：

fi=g(ωTx(i:i+m-1, j: j+n+1)+b)

(7)

式中， (i:i+m-1,j:j+n+1)為樣本與卷積核重疊部分；b為偏差；g( )為激活函數(shù)。

池化層夾在卷積層之后，用于壓縮數(shù)據(jù)和參數(shù)的量，減小無用特征數(shù)量，并加強圖像特征的不變性，使之增加圖像的偏移、旋轉(zhuǎn)等方面的魯棒性。卷積常用的方法是MaxPooling和MeanPooling。MaxPooling是選取池化窗口中特征值最大值作為該位置的輸出，如下圖5所示，左上方2×2的矩陣4個特征值中，選取池化窗口中最大的7作為輸出相應(yīng)位置的特征值；而MeanPooling是求平均。

但由于工業(yè)數(shù)據(jù)多是時序信號，其中隱含了大量的時序關(guān)聯(lián)信息，暗示著序列的發(fā)展趨勢[11]，CNN不能將電液伺服閥性能退化所對應(yīng)的時間序列特征分類區(qū)分，因此引入LSTM模型，在時間維度上提取電液伺服閥性能退化特征。

圖5 MaxPooling方法

2.2 LSTM網(wǎng)絡(luò)模型

LSTM模型的構(gòu)成包括輸入層、輸出層、輸入門、遺忘門、輸出門，結(jié)合輸入、當前狀態(tài)、歷史狀態(tài)來更新細胞狀態(tài)[12]，網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。其能夠挖掘數(shù)據(jù)中的時序信息，在時間維度上提取電液伺服閥性能退化特征。LSTM通過“門”(gate)來控制丟棄或者增加信息，從而實現(xiàn)遺忘或記憶的功能?！伴T”是一種使信息選擇性通過的結(jié)構(gòu)，由一個sigmoid函數(shù)和一個點乘操作組成。sigmoid函數(shù)的輸出值在[0,1]區(qū)間，0代表完全丟棄，1代表完全通過。一個LSTM單元有3個門，分別是遺忘門(forget gate)、輸入門(input gate)、輸出門(output gate)。

圖6 LSTM結(jié)構(gòu)

遺忘門ft控制上一單元狀態(tài)被遺忘的程度，表示為：

ft=σ(Wf[ht-1,xt]+bf)

(8)

式中，ft—— sigmoid函數(shù)

Wf—— 權(quán)重

bf—— 偏置

輸入門it和一個tanh函數(shù)配合控制新信息加入，可以表示為：

it=σ(Wi[ht-1,xt]+bi)

(9)

(10)

(11)

Ct—— 細胞狀態(tài)

輸出門Ot控制當前的單元狀態(tài)過濾，表示為：

Ot=σ(WO[ht-1,xt]+bO)

(12)

ht=Ot⊙tanhCt

(13)

LSTM模型在處理前后相關(guān)聯(lián)的數(shù)據(jù)具有優(yōu)勢，可以提取時間維度特征，提取電液伺服閥性能退化特征。但其模型結(jié)構(gòu)復(fù)雜，計算量大，不能直接用于工業(yè)故障的實時預(yù)測。

2.3 CNN+LSTM網(wǎng)絡(luò)模型

利用CNN提取傳感器的高維度的空間特征，實現(xiàn)對電液伺服閥早期微弱故障信號的特征提??；同時，選用LSTM神經(jīng)網(wǎng)絡(luò)對CNN部分輸出的特征序列進行處理，挖掘數(shù)據(jù)中的時序信息，在時間維度上提取電液伺服閥性能退化特征，并實現(xiàn)電液伺服閥故障分類和預(yù)測。

如圖7所示，模型有2部分：提取傳感器的高維度的空間特征的CNN和挖掘時間序列信息進行性能退化分析、故障分類的LSTM。

為了適合CNN模型的端到端輸入格式，將電液伺服閥數(shù)據(jù)用滑動時間窗口分割， 每個數(shù)據(jù)段是由采集時間和傳感器個數(shù)組成的二維矩陣，大小為(w×d)，如表1所示。每個卷積層有f個卷積核，其中， 第1個卷積層提取傳感器的高維度的空間特征； 第2個卷積層提取時間維度上的低層級特征。在卷積層后添加了1個大小為p的池化層特征，能夠降低無效特征的維度，減少計算量；由于模型的參數(shù)太多，而訓練樣本又太少，因此在模型中加入了Dropout層防止過擬合[12]。Flatten層按照時間順序?qū)⑻崛〉奶卣骶仃嚺帕谐梢粋€序列，將k個卷積核生成的特征矩陣拼接在一起，輸入LSTM層進行訓練挖掘數(shù)據(jù)中的時序信息，在時間維度上提取電液伺服閥性能退化特征，并實現(xiàn)電液伺服閥故障分類和預(yù)測。

圖7 CNN+LSTM模型結(jié)構(gòu)

表1 CNN卷積層設(shè)定

3 故障預(yù)測實現(xiàn)

基于CNN+LSTM的故障預(yù)測實現(xiàn)如圖8所示。首先，為了適合CNN+LSTM模型的輸入，對數(shù)據(jù)集進行滑動窗口預(yù)處理，同時添加故障分類標簽；根據(jù)時間窗口的大小，對電液伺服閥的時間序列信號進行劃分，并將標準化數(shù)據(jù)直接用作CNN+LSTM故障預(yù)測模型的輸入，通過反向傳播來確定梯度向量；最后通過梯度向量來調(diào)整每一個權(quán)值，向“得分”使誤差趨于0或收斂的趨勢調(diào)節(jié)。重復(fù)上述過程直到設(shè)定次數(shù)或損失誤差的平均值不再下降[13]，以訓練樣本標記的故障分類作為模型的目標輸出。

首先設(shè)置樣本標簽，為使模型在訓練時呈現(xiàn)真實值與預(yù)測值的對比，需要對數(shù)據(jù)添加電液伺服閥狀態(tài)標簽[5]。由于電液伺服閥狀態(tài)的退化有一個發(fā)展的過程，通常在運行一段時間內(nèi)可忽略不計。為解決這類問題，提出按照性能退化設(shè)定故障閾值，將電液伺服閥的不同故障劃分出正常、退化、故障3個階段進行預(yù)測。例如針對G761系列伺服閥閥芯磨損的故障，可按照常見的伺服閥故障類型和對應(yīng)的表現(xiàn)形式(表2)和技術(shù)說明書中的技術(shù)參考(表3)，根據(jù)內(nèi)泄漏和零位穩(wěn)定性的程度劃分伺服閥閥芯磨損故障的正常、退化、故障3種狀態(tài)。

圖8 故障預(yù)測流程圖

表2 常見電液伺服閥故障

表3 G761系列伺服閥技術(shù)參考

電液伺服閥的數(shù)據(jù)集都是由壓力、流量、控制型號等多個傳感器在一段時間內(nèi)采集到的多變量時序數(shù)據(jù)。因此為了充分挖掘時間序列內(nèi)部和多個特征之間的隱含信息，需要通過時間窗對原始數(shù)據(jù)集進行重新分割，設(shè)時間窗長度為步長s，采集時間為t，傳感器個數(shù)為d，則每次模型輸入矩陣表Xt示為:

(14)

式中，對應(yīng)每行xt的電液伺服閥性能狀態(tài)為yt。由于需要預(yù)測下一時刻的設(shè)備狀態(tài)，將最后一行對應(yīng)的設(shè)備狀態(tài)標簽yt+s-1作為矩陣Xt的輸出狀態(tài)Yt。

4 仿真驗證

4.1 數(shù)據(jù)模擬

基于AMESim更改伺服閥的結(jié)構(gòu)參數(shù)，以模擬電液伺服閥在不同故障形式下的靜態(tài)和動態(tài)特性曲線[14]。本研究中主要考查的是機械液壓類故障，其主要機械故障是閥芯磨損、阻尼孔堵塞、油污、密封件損壞等，其中閥芯磨損和阻尼孔堵塞最常見。

阻尼孔堵塞對伺服閥流量的影響最大，噴嘴擋板閥左阻尼孔堵塞時的故障曲線，如圖9所示，dz為阻尼孔直徑。當電液伺服閥的左側(cè)阻尼孔堵塞時，左側(cè)噴嘴腔內(nèi)壓力p1下降，使得作用在擋板左側(cè)的力F1下降，F(xiàn)1

圖9 阻尼孔堵塞程度對伺服閥流量的影響

如圖10所示，伺服閥壓力特性中的零漂值會隨著左阻尼孔堵塞程度加大而增大。如圖11所示，當阻尼孔直徑為0.175 mm時，其流量處于零漂小于2%的臨界。綜合考慮伺服閥的流量和零漂特性要求，阻尼孔直徑對零漂的影響最大，因此設(shè)定阻尼孔直徑0.175 mm為阻尼孔堵塞故障的閾值。

圖10 阻尼孔堵塞程度對伺服閥壓力的影響

圖11 阻尼孔直徑-零漂e特性曲線

電液伺服閥受到高壓油液中污染顆粒的影響，閥體出現(xiàn)刃邊磨損會導(dǎo)致開口度增大[15]。因此閥芯磨損程度通過改變閥的開口形式來模擬，即閥芯的磨損程度會隨著閥的開口由負開口到正開口而變化。伺服閥的流量特性曲線和內(nèi)泄漏特性曲線如圖12、圖13所示。

圖12 閥芯磨損流量特性曲線

圖13 閥芯磨損內(nèi)泄漏特性曲線

圖12是通過仿真伺服閥閥芯在不同開口形式下的流量特性曲線。根據(jù)滯環(huán)的計算公式可知此圖中的特性曲線的滯環(huán)為0.25%，滿足電液伺服閥的標準值要求。

閥芯磨損對伺服閥內(nèi)泄漏的影響比較大，尤其是滑閥的泄漏。由圖14知，伺服閥開口度為0.014 mm時，其泄漏量在零位時達到2.4 L/min，處于零位內(nèi)泄漏2.4 L/min的臨界。綜合考慮伺服閥的滯環(huán)和零位內(nèi)泄漏特性要求，設(shè)定開口度0.014 mm為閥芯磨損故障的閾值。

圖14 閥芯開口度-內(nèi)泄漏特性曲線

根據(jù)伺服閥模擬的流量、壓力、內(nèi)泄漏、控制信號和反饋信號計算出伺服閥的響應(yīng)時間、滯環(huán)、零漂、零位泄漏量，可將模擬數(shù)據(jù)按照不同故障類型及性能狀態(tài)設(shè)定標簽，設(shè)置標簽如表4所示。

4.2 模型參數(shù)

模型的各層參數(shù)設(shè)置如表5所示。時間窗s設(shè)置為24，移動步長為2。在卷積層后加入BatchNormalization層對數(shù)據(jù)歸一化處理，全連接層輸出維度為5(伺服閥的阻尼孔堵塞和閥芯磨損的5種狀態(tài))。

表4 狀態(tài)標簽

表5 模型參數(shù)

4.3 驗證結(jié)果

圖15是閥芯磨損和阻尼孔堵塞退化數(shù)據(jù)經(jīng)CNN網(wǎng)絡(luò)卷積后的可視化圖。其中，每一列分別對應(yīng)著1個卷積核處理結(jié)果，4個卷積核分別代表了伺服閥電流、壓力、流量、 閥芯位移的特征。當輸入的信號與卷積核匹配度越高，卷積核的輸出也越大，對著圖中的顏色也越深。這2種故障對應(yīng)4個卷積核的匹配度不同，從而實現(xiàn)故障特征提取。

圖16是CNN+LSTM電液伺服閥故障預(yù)測模型訓練的準確率β，訓練次數(shù)x。從圖中可看出準確率保持97.52%左右，表明該模型收斂速度快而穩(wěn)定，可以準確的預(yù)測出伺服閥閥芯磨損程度和阻尼孔堵塞程度。

圖15 CNN可視化

圖16 模型訓練準確率β

表6總結(jié)了本研究提出的方法與LSTM，CNN，CNN+LSTM預(yù)測方法進行對比的結(jié)果。可以看出：

(1) CNN神經(jīng)網(wǎng)絡(luò)訓練時間短，但準確率較低；

(2) 相較于CNN，LSTM準確性較高，適合處理時序性特征，但是模型結(jié)構(gòu)復(fù)雜，訓練時間更長；

(3) 結(jié)合了卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)訓練的模型，準確性更高，訓練時間較短；

綜上所述本研究所構(gòu)建的CNN+LSTM模型滿足電液伺服閥的故障預(yù)測需求。

表6 模型準確率對比

4 結(jié)論

以G761電液伺服閥為研究對象，構(gòu)建了卷積神經(jīng)網(wǎng)絡(luò)(CNN)和短期記憶神經(jīng)網(wǎng)絡(luò)(LSTM)相結(jié)合的電液伺服閥故障預(yù)測模型，取代人工特征選擇和提取，解決故障預(yù)測的時序問題。使用AMESim模擬伺服閥的閥芯磨損和阻尼孔堵塞故障數(shù)據(jù)集驗證該模型的有效性。結(jié)果表明，該模型取得了較好的預(yù)測效果，準確率高達97.52%。與LSTM，CNN模型相比，證明了所提出的CNN+LSTM模型適用于電液伺服閥的故障預(yù)測，具有準確性高、訓練時間較短的特點。