朱冠霖，王兆強(qiáng)*，王異凡，李志峰，孫崇智

(1.上海工程技術(shù)大學(xué) 機(jī)械與汽車工程學(xué)院, 上海 201620;2.國網(wǎng)浙江省電力有限公司 電力科學(xué)研究院,浙江 杭州 310007；3.甘肅省特種設(shè)備安全技術(shù)檢查中心,甘肅 蘭州 730020;4.甘肅省特種設(shè)備檢驗(yàn)檢測研究院,甘肅 蘭州 730050)

0 引 言

隨著機(jī)械工業(yè)的發(fā)展，對機(jī)械設(shè)備故障診斷的要求也進(jìn)一步提高[1，2]。柱塞泵一類的液壓泵是各類機(jī)械動力的輸出端，由于其位置的重要性，已經(jīng)有很多專家學(xué)者都對其展開了故障診斷方面的研究[3，4]，比如基于經(jīng)驗(yàn)小波分解和卷積神經(jīng)網(wǎng)絡(luò)的液壓泵故障診斷等。

一般來說，液壓泵(柱塞泵)一旦發(fā)生故障，故障會反映在某些特征信號上，使用信號增強(qiáng)技術(shù)可對故障特征進(jìn)行提取[5]。故障檢測可通過與已知的理論故障特征進(jìn)行匹配來實(shí)現(xiàn)，但不同的故障類型往往具有相似的特征頻率。此外，液壓泵有些故障機(jī)制尚不清楚，很難給出相應(yīng)的理論特征作為故障模式的標(biāo)準(zhǔn)[6]。

神經(jīng)網(wǎng)絡(luò)算法可以有效解決這類問題，在液壓故障診斷等領(lǐng)域得到廣泛應(yīng)用。文獻(xiàn)[7]使用PNN概率神經(jīng)網(wǎng)絡(luò)，實(shí)驗(yàn)選取5階固有頻率作為特征值輸入到診斷網(wǎng)絡(luò)中，結(jié)果發(fā)現(xiàn)可以較好地識別出復(fù)雜環(huán)境下的液壓系統(tǒng)漏油故障。文獻(xiàn)[8]使用經(jīng)驗(yàn)?zāi)B(tài)分解與神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法對柱塞泵進(jìn)行故障診斷，實(shí)驗(yàn)發(fā)現(xiàn)該方法可以大幅減少診斷時間。本文將基于神經(jīng)網(wǎng)絡(luò)算法對液壓泵進(jìn)行故障診斷。

另外，目前關(guān)于液壓泵的故障診斷大多依賴于單一傳感器來診斷，但是現(xiàn)實(shí)環(huán)境中由于高溫、強(qiáng)電磁等復(fù)雜環(huán)境的影響，傳感器并不總是可靠的[9]。因此，可基于D-S證據(jù)理論對多源信息進(jìn)行融合，從而提高診斷效果[10]。

針對證據(jù)組合存在的問題[11，12]，筆者對原始證據(jù)進(jìn)行修正，并通過類比引力定律定義兩證據(jù)間的引力，進(jìn)而提出新的衡量證據(jù)沖突程度的系數(shù)，最后通過案例驗(yàn)證該方法的有效性，為柱塞泵一類液壓泵的故障診斷提供技術(shù)借鑒。

1 粒子群神經(jīng)網(wǎng)絡(luò)分類理論

目前，基于前饋型(BP)神經(jīng)網(wǎng)絡(luò)[13]的故障識別技術(shù)在液壓故障診斷領(lǐng)域得到了廣泛的應(yīng)用。可通過將粒子群(PSO)融入BP神經(jīng)網(wǎng)絡(luò)中[14]，以此提高BP網(wǎng)絡(luò)的全局尋優(yōu)能力。

設(shè)由m個粒子在D維目標(biāo)搜索空間中組成一個群體，其粒子更新公式為：

xid(t+1)=xid(t)+vid(t+1)

(1)

vid(t+1)=vid(t)+c1r1(pid-xid(t))+c2r2(pgd-xid(t))

(2)

式中：i—粒子序號；d—粒子維度；t—迭代次數(shù)；c1—認(rèn)知因子；c2—社會因子；r1、r2—[0,1]上的隨機(jī)數(shù)；xid(t)—第i個粒子迭代t次后的位置；vid—第i個粒子迭代t次后的速度；pid—第i個粒子當(dāng)前的最優(yōu)位置；pgd—粒子群當(dāng)前的最優(yōu)位置。

對于c1和c2，加入動態(tài)調(diào)整參數(shù)如下所示：

(3)

(4)

式中：α、β、γ、δ—設(shè)定參數(shù)值；maxgen、i—粒子群設(shè)定的最大進(jìn)化代數(shù)、當(dāng)前進(jìn)化代數(shù)。

PSO-BP中粒子的適應(yīng)度函數(shù)如下所示：

(5)

式中：P—樣本總數(shù)；s—輸出層個數(shù)；yk—實(shí)際輸出值；tk—期望值。

2 證據(jù)理論

2.1 D-S證據(jù)理論

在對液壓泵中多個傳感器信息融合時，由于人為或環(huán)境方面的原因?qū)е聹y量值不準(zhǔn)確甚至是出現(xiàn)缺失的情況，而D-S證據(jù)理論就可以處理這些信息融合中存在的不確定性。

D-S基本概率分配函數(shù)如下所示：

(6)

式中：Ai—概率分配函數(shù)焦元；Θ—辨識框架，滿足2Θ→[0,1](2Θ是Θ中所有子集組成的集合)。

利用D-S證據(jù)理論進(jìn)行組合的規(guī)則公式如下所示：

(7)

式中：m1、m2—概率分配函數(shù)；Bj—概率分配函數(shù)的焦元；k—沖突系數(shù)。

其中：

(8)

2.2 證據(jù)融合改進(jìn)

證據(jù)理論對信息進(jìn)行合成時，往往會出現(xiàn)與事實(shí)相悖甚至是融合算法失效的問題[15]。本文在傳統(tǒng)的數(shù)據(jù)融合基礎(chǔ)上進(jìn)行相應(yīng)的改進(jìn)，以兩條證據(jù)融合為例，具體步驟如下：

(1)修正原始故障證據(jù)分配值，如下所示：

(9)

式中：n—焦元A對應(yīng)的事件個數(shù)。

然后對各個數(shù)據(jù)進(jìn)行權(quán)重計算，方法如下所示：

(10)

(2)計算證據(jù)體間的距離，如下所示：

(11)

(3)計算兩條證據(jù)間的熵值H1、H2，如下所示：

(12)

(13)

式中：pi—m1函數(shù)對應(yīng)的各概率分配值；qi—m2函數(shù)對應(yīng)的各概率分配值。

(4)計算兩條證據(jù)間的引力F，如下所示：

(14)

(5)計算兩條故障證據(jù)間新的沖突系數(shù)F*，即將式(14)中計算得到的作用力映射到區(qū)間[0,1]上，計算方法如下式所示：

(15)

(6)對證據(jù)體進(jìn)行融合，公式如下：

(16)

(7)對沖突系數(shù)設(shè)置閾值T，當(dāng)F*>T時，直接輸出第6步中的融合結(jié)果。若F*

(8)對初始融合的故障結(jié)果設(shè)置閾值，當(dāng)m(A)<λ時，對結(jié)果乘以一個衰減系數(shù)α，以進(jìn)一步減小故障支持度較低的權(quán)重大小，然后計算各個數(shù)據(jù)權(quán)重，得到最后結(jié)果。

3 故障診斷模型搭建

筆者設(shè)計故障診斷模型，選擇出油口的振動信號、外泄口溫度以及系統(tǒng)出油口的壓力信號作為傳感器測試源，以此作為模型的入口。

具體故障診斷融合模型如圖1所示。

圖1 故障診斷融合模型

筆者將采集的振動和壓力信號分別計算出8個特征指標(biāo)(峰值、波形指標(biāo)、脈沖、裕度指標(biāo)、峭度指標(biāo)、頻域方差、功率譜重心指標(biāo)、相關(guān)因子)來構(gòu)造特征空間，并和溫度數(shù)據(jù)進(jìn)行歸一化處理，分別構(gòu)造正常及故障狀態(tài)下的數(shù)據(jù)訓(xùn)練庫。使用三級PSO-BP分類算法、改進(jìn)的D-S證據(jù)理論進(jìn)行融合診斷。

4 液壓故障診斷案例

4.1 實(shí)驗(yàn)描述

為了驗(yàn)證故障診斷模型及對應(yīng)算法的有效性，筆者設(shè)計柱塞泵模型診斷實(shí)驗(yàn)，通過放置已知故障類型的柱塞泵，或者更換內(nèi)部故障的滑靴、配流盤等構(gòu)造故障模型，進(jìn)行模擬實(shí)驗(yàn)。

一般情況下，帶有故障的柱塞泵自吸性能差，所以在測試系統(tǒng)油路中加入兩個葉片泵進(jìn)行補(bǔ)油。

實(shí)驗(yàn)原理圖如圖2所示。

分別構(gòu)造正常狀態(tài)、失效油封漏油故障、缸體切割深度0.5 mm，寬度0.3 mm、軸承切割深度0.5 mm，寬度0.2 mm、配流盤磨損0.3 mm、活塞間隙0.25 mm的松靴故障這6種狀態(tài)進(jìn)行檢測，即模式輸出Y={f1、f2、f3、f4、f5、f6}，每種模式對應(yīng)的故障輸出訓(xùn)練矩陣如表1所示。

圖2 實(shí)驗(yàn)原理圖1-油箱；2,16,20-粗過濾器；3-葉片泵；4,14-截止閥；5,12-流量計；6-被測軸向柱塞泵；7-振動傳感器；8-變頻電機(jī)；9-信號調(diào)理模塊；10-壓力計；11-溫度傳感器；13-單向閥；15-二位三通電磁換向閥；17-先導(dǎo)式溢流閥；18-先導(dǎo)式比例溢流閥；19-直動式溢流閥；21-油液溫度計

表1 故障輸出訓(xùn)練矩陣

4.2 結(jié)果分析

筆者對每個子網(wǎng)測試提取的指標(biāo)數(shù)據(jù)各選取500條作為網(wǎng)絡(luò)訓(xùn)練集，500條作為故障診斷測試集進(jìn)行故障類型分析。構(gòu)造3層子神經(jīng)網(wǎng)絡(luò)，輸入層對應(yīng)特征指標(biāo)的個數(shù)為8，輸出層對應(yīng)故障類型數(shù)量為6，根據(jù)實(shí)驗(yàn)經(jīng)驗(yàn)，這里設(shè)置隱含層數(shù)為15，粒子群規(guī)模20，迭代次數(shù)1 000次。兩個學(xué)習(xí)因子中的參數(shù)分別取0.5、1、2、1。

由實(shí)驗(yàn)得出振動分類混淆矩陣結(jié)果如圖3所示。

圖3 振動分類混淆矩陣結(jié)果

對于振動子網(wǎng)診斷結(jié)果可知，優(yōu)化前的故障分類準(zhǔn)確率為88.83%，優(yōu)化后的故障分類準(zhǔn)確率為93.5%。其中優(yōu)化后的混淆矩陣顯示：模式2的4.762%被識別為模式1；模式3的8.511%被識別為模式2；模式4的5.208%被識別為模式3；模式5的1%被識別為模式6，錯誤率較未分類均有所改善。

對于壓力子網(wǎng)分類混淆矩陣結(jié)果如圖4所示。

圖4 壓力分類混淆矩陣結(jié)果

對于壓力子網(wǎng)，優(yōu)化前的故障分類準(zhǔn)確率為89.83%，優(yōu)化后的故障分類準(zhǔn)確率為93.67%。其中，優(yōu)化前的混淆矩陣顯示，模式3的12.5%被識別為模式2，模式4的16.94%被識別為模式3，錯誤率較高，這兩者經(jīng)過優(yōu)化后結(jié)果分別為8.247%和9.184%。同樣，對于溫度子網(wǎng)來說，優(yōu)化后的效果要優(yōu)于優(yōu)化前的診斷效果，這里不再詳細(xì)分析。

以f5類故障為例，設(shè)置證據(jù)融合閾值λ為0.5，衰減系數(shù)α取0.2，利用3個獨(dú)立子網(wǎng)及改進(jìn)的D-S算法診斷輸出結(jié)果如表2所示。

表2 各診斷輸出結(jié)果

由表2可知：三級子網(wǎng)對f5類故障診斷輸出結(jié)果分別是76.5%、62.5%、78.5%。經(jīng)過融合算法聯(lián)合診斷結(jié)果輸出為99.12%。

各輸出結(jié)果對比如圖5所示。

圖5 各輸出結(jié)果對比

由圖5可知：改進(jìn)的融合算法對f5類軸承磨損故障支持度接近100%，對比其他子網(wǎng)，基本排除了其他故障類型的可能性。

同理，設(shè)置證據(jù)融合閾值值為0.5，衰減系數(shù)取0.2，將f3類故障類型分別使用子網(wǎng)及改進(jìn)的D-S算法診斷，各診斷輸出結(jié)果如表3所示。

由表3可知：各診斷子網(wǎng)對f3類缸體磨損故障診斷輸出結(jié)果分別是78.4%、70.4%、70.5%，經(jīng)過改進(jìn)D-S數(shù)據(jù)融合處理后的診斷輸出提高到99.17%。

表3 各診斷輸出結(jié)果

各輸出結(jié)果對比如圖6所示。

圖6 各輸出結(jié)果對比

由圖6可以發(fā)現(xiàn)，相比各子網(wǎng)結(jié)果，使用改進(jìn)的融合算法對f3類缸體磨損故障支持度進(jìn)一步提高，降低了結(jié)果的模糊性。

通過以上實(shí)驗(yàn)可知：采用自適應(yīng)調(diào)節(jié)認(rèn)知因子、社會因子優(yōu)化網(wǎng)絡(luò)分類法，對軸承磨損以及缸體磨損準(zhǔn)確度均有一定的提升，但其正確率依賴于相關(guān)參數(shù)的選取，還需要作進(jìn)一步的優(yōu)化，以增強(qiáng)模型的穩(wěn)定性。

5 結(jié)束語

液壓泵(柱塞泵)一旦發(fā)生故障，故障會反映在某些特征信號上，使用信號增強(qiáng)技術(shù)可對故障特征進(jìn)行提取，但液壓元件在工作環(huán)境中易受到各類噪聲的污染，而且存在傳感器自身發(fā)生故障的情況。

筆者采用加入調(diào)節(jié)參數(shù)優(yōu)化的PSO-BP局部診斷網(wǎng)絡(luò)，發(fā)現(xiàn)構(gòu)建的振動子網(wǎng)診斷正確率由88.83%提高到93.50%，壓力子網(wǎng)診斷準(zhǔn)確率由89.83%提高到93.67%，進(jìn)一步使用所提出的改進(jìn)證據(jù)理論步驟進(jìn)行融合診斷，發(fā)現(xiàn)各故障類型診斷支持度均接近于1，有效避免了子網(wǎng)識別的模糊性。由此可見，其對柱塞泵的故障診斷具有一定的工程實(shí)用價值。

另外還需要指出的是，本文參數(shù)的選取具有一定的經(jīng)驗(yàn)性，因此，將來還要進(jìn)一步研究自適應(yīng)試驗(yàn)工況最優(yōu)參數(shù)選取的問題，這是今后研究的一個方向。