師 沖，任 燕，湯何勝，向家偉, 孟 彬，阮 健

(1.溫州大學 機械工程學院，浙江 溫州 325035；2.浙江工業(yè)大學 機械工程學院，浙江 杭州 310014)

引言

電液換向閥因其作業(yè)環(huán)境惡劣常會引發(fā)內(nèi)泄漏故障，從而導致工程機械的操作失穩(wěn)、運轉(zhuǎn)不可靠，嚴重影響液壓系統(tǒng)的效率和液壓元件的壽命[1]。因此，準確、可靠的識別電液換向閥內(nèi)泄漏故障模式對電液換向閥、液壓系統(tǒng)的正常工作極其重要。然而，由于液壓系統(tǒng)部件故障的隱蔽性、復雜性、多樣性[2]及液壓信號具有強的非線性、非平穩(wěn)、低信噪比、特征信息相近時難以正確辨識等特點[3]，使得無法快速有效定位、識別故障。因此，對原始振動信號通過預處理工作使信號特征增強顯得格外重要。

經(jīng)驗模式分解(EMD)是故障診斷中廣泛使用的時頻信號分析方法，能根據(jù)信號本身的特點自適應的將信號分解為一系列IMF，非常適合于處理非線性、非平穩(wěn)信號，且具有很高的信噪比[4]。其中，基于EMD方法在液壓故障內(nèi)泄漏診斷領域同樣也取得了一定的成就[5-6]。然而，液壓故障振動信號往往混有噪聲及換向沖擊等對特征信息有損的其他信號，使得診斷難度加大[7]。對信號的采集、處理技術與診斷經(jīng)驗較為依賴。

深度學習依據(jù)其強大的特征表達學習能力，可以自適應的完成故障特征的提取與健康狀態(tài)的智能故障診斷，省去了信號處理中對特征的人為選擇。因此基于深度學習的液壓內(nèi)泄漏故障診斷方法被國內(nèi)外學者關注，并同樣取得了一定的成果[8-9]。為了使網(wǎng)絡的學習能力更強，往往會加深網(wǎng)絡，但帶來的問題是容易遭遇梯度彌散問題。為了解決深層網(wǎng)絡存在的問題，何凱明等[10]提出了一種殘差網(wǎng)絡結構(Residual Networks, ResNets)，通過前后2層的殘差連接使信息盡量不丟失，實現(xiàn)信息特征的流通，使得網(wǎng)絡更容易訓練。DenseNet[11]同樣為了克服因網(wǎng)絡層數(shù)深、參數(shù)規(guī)模大導致的網(wǎng)絡模型訓練困難問題，采用了一種將跳層連接發(fā)揮到極致的網(wǎng)絡結構，即讓每層都與該層之前的所有層都相連，加強信息間復用率，同時使得信息更容易流通更新。基于上述優(yōu)勢DenseNet在機械故障診斷中的到了廣泛的應用。JIAO J[12]利用密集連接卷積網(wǎng)絡實現(xiàn)行星齒輪箱故障的有效診斷。

本研究重點研究電液換向閥內(nèi)泄漏故障的智能診斷。針對采集的振動信號具有強的噪聲及非平穩(wěn)性等特點，將EMD方法與DenseNet進行結合，并將該方法與普通一維CNN和普通一維DenseNet進行比較，結果表明所提出的方法比其他兩種方法在電液換向閥內(nèi)泄漏故障中有更好的性能。

1 經(jīng)驗模式分解(EMD)

EMD是黃鍔博士于1998年提出一種自適應信號分析方法，非常適合非線性、非平穩(wěn)時間序列的處理，在故障診斷領域得到了廣泛的應用。分解過程在眾多文獻中有更詳細解釋說明，可以參考文獻[4]。分解結果為：

(1)

式中，ci—— 第i階本征模態(tài)分量(IMF)

rn—— 殘差項,n為IMF的階數(shù)

2 密集連接卷積網(wǎng)絡

DenseNet與普通CNN的最大差異在于，CNN采用了一種跳層連接的網(wǎng)絡結構。圖1顯示了CNN 特征提取的一般過程。輸入數(shù)據(jù)通過多個特征提取單元結構前后交替的進行特征變換Hm(·)，直到將特征傳遞到包含分類器的全連接層實現(xiàn)故障分類任務。

圖1 特征提取單元結構

而DenseNet則是一種將跳層連接發(fā)揮到極致的神經(jīng)網(wǎng)絡，即每一層網(wǎng)絡的輸入由前面所有層的輸出并聯(lián)堆疊構成。圖2展示了一個具有3層密集連接塊的結構。

圖2 3層密集連接塊的結構

從圖2可以清晰看出密集連接塊內(nèi)的第m層接受了所有前續(xù)層輸出的特征圖x0,x1,…,xm-1的并聯(lián)堆疊作為其輸入，通過對特征圖的極致利用達到更好的效果。

xm=Hm([x0,x1,…,xm-1])

(2)

式中，xm—— 第m層的輸出特征

Hm(·)—— 對前m-1層并聯(lián)堆棧特征的特征變換

雖然這樣拼接前層的特征圖加強了信息的傳遞和信息的復用，但是同樣存在網(wǎng)絡加深特征圖信息過多，網(wǎng)絡參數(shù)過多等問題。因此需要將網(wǎng)絡層進行分離成多個密集連接卷積塊，并將相鄰2個密集連接卷積塊通過過渡層進行連接。過渡層用于對特征圖尺寸和和維度進行調(diào)整，其中主要由卷積層、池化層、批量歸一化層和非線性激活層組成。對特征圖維度的調(diào)整主要依靠過渡層1×1的卷積運算，使得大量的特征圖維度減少下來，降低參數(shù)加快網(wǎng)絡訓練；對特征圖的尺寸調(diào)整主要依靠尺寸為2×1步長為2的平均池化對其進行池化操作，使輸出的特征圖尺寸減半。一個完整的DenseNet的結構則通過密集連接塊和過渡層前后順次連接，直到連接到全局池化層和分類層實現(xiàn)故障識別。

3 故障診斷方法流程

利用EMD和一維DenseNet進行電液換向閥內(nèi)泄漏故障狀態(tài)識別。圖3展示了故障診斷模型方法的流程圖，主要包括：振動信號的采集與簡單處理、振動信號進行EMD分解、數(shù)據(jù)集創(chuàng)建與劃分、一維DenseNet訓練與測試并對模型進行評估。

圖3 所提方法電液換向閥內(nèi)泄漏的故障診斷方法流程

(1)信號采集與簡單處理：通過加速度傳感器獲取電液換向閥不同健康狀態(tài)的振動信號，并對信號進行簡單的截取、拼接;

(2)振動信號EMD分解：對拼接后的信號進行EMD分解，并選擇前幾個包含顯著特征信息的IMF分量。本實驗選擇前5個IMF分量;

(3)數(shù)據(jù)集創(chuàng)建：將經(jīng)過EMD分解的5個IMF分量和原始振動信號按照順序在特征維度上進行并聯(lián)堆疊，輸入形成特征通道數(shù)為6的1個多通道特征樣本;

(4)電液換向閥內(nèi)泄漏故障診斷：通過測試數(shù)據(jù)集對提出的故障診斷網(wǎng)絡模型進行評估，并實現(xiàn)故障模式的識別。

4 實驗

4.1 實驗說明

對電液換向閥內(nèi)泄漏故障通過閥芯、閥體磨損進行故障植入，通過加速度傳感器進行數(shù)據(jù)獲取，并對獲取的加速度信號進行預處理，最后再輸送進密集連接卷積網(wǎng)絡進行特征學習，實現(xiàn)故障診斷。

圖4a所示為電液換向閥實驗裝置，主要由電液換向閥、油箱、液壓泵、溢流閥、7個加速度傳感器(主閥閥體4個外壁面、先導閥2個外壁面和1個頂部外壁面，如圖4所示)、液壓缸等組成。

圖4 電液換向閥實驗裝置

圖5為通過對液壓閥芯和閥體人工植入磨損(內(nèi)部配合間隙增大)來模擬內(nèi)部泄漏故障模式結果。

a)輕微磨損 b)中度磨損 c)重度磨損 d)單邊磨損 e)雙邊磨損

其中6類故障類型, 健康狀態(tài)即為閥芯與閥體配合正常；輕微磨損5即閥芯磨損，均壓槽未損壞；中度磨損5即閥芯磨損，均壓槽損壞；重度磨損5即閥芯磨損嚴重，并伴有點蝕故障；單邊磨損5即閥體只有單邊磨損；雙邊磨損5即閥體雙邊均有磨損。

實驗閥截面圖如圖6所示，實驗閥為二位四通閥，在先導閥斷電時，先導閥閥芯由彈簧控制在左室，高壓油液從主閥P口進入，通過先導電磁閥和主閥內(nèi)壁油路進入主閥右腔室，主閥閥芯在右側腔室油壓下被擠壓至主閥左側腔室，主閥B口打開與P口聯(lián)通。隨著先導電磁閥啟動，先導閥閥芯由于電磁力的作用下移至先導閥右側腔室，高壓油液從主閥P口進入，通過先導閥和主閥內(nèi)壁油路進入主閥左側腔室，主閥閥芯在壓力的作用下被推入主閥右側腔室，主閥A口打開與P口聯(lián)通，同時B口關閉，其中實驗閥的每一個換向周期為8 s。當需要設計外控、外泄系統(tǒng)也可以通過X，Y控制先導油液進出。

1.先導閥芯 2.彈簧 3.線圈 4.主閥閥芯 5～8.主閥閥體上安裝的加速度傳感器 9～11.先導閥閥體的加速度傳感器

4.2 數(shù)據(jù)說明

本次實驗通過安裝于實驗閥外壁的7個加速度傳感器收集加速度信號，除了布置于主閥閥體兩側的加速度傳感器因為主閥兩側壁厚過大加速度信號信息較少外，其余5枚傳感器在實驗中的效果相似，本次實驗以傳感器6的數(shù)據(jù)作為展示并作為模型選用數(shù)據(jù)。在案例研究中，每種故障狀態(tài)被重復模擬2次。數(shù)據(jù)采集的設置參數(shù)如表1所示。由于一整個換向周期采集的數(shù)據(jù)點數(shù)太多，所以對原始數(shù)據(jù)點進行分段截取并做拼接，截取原則按照整個周期液壓動作進行截取，拼接后的數(shù)據(jù)為16904個點的振動信號，其中某一故障樣本一個整周期信號和截取拼接后的信號如圖7所示。將其進行EMD分解后，取其前5個IMF分量如圖8所示。綜合選擇后每種狀態(tài)類別的加速度信號樣本為219個，并對樣本進行劃分為訓練集和測試集，其他處理過程按照第3節(jié)所述方法進行。

表1 實驗參數(shù)設置表

圖7 原始信號和拼接后的信號圖

圖8 故障信號前5個IMF分量

4.3 DenseNet模型參數(shù)設置

通過對提出的網(wǎng)絡模型反復調(diào)參實驗，最終模型結構及其主要參數(shù)如表2所示。

表2 DenseNet網(wǎng)絡模型主要結構參數(shù)

5 實驗結果分析

為了驗證所提出方法在電液換向閥內(nèi)泄漏故障診斷中的有效性，將所提出的方法與普通的一維CNN和一維DenseNet進行對比，一維CNN與所提出的網(wǎng)絡模型具有相同的網(wǎng)絡深度，一維DenseNet不僅與所提出網(wǎng)絡結構有同樣的網(wǎng)絡深度，且密集塊、過渡塊與卷積核的數(shù)量和大小都一致。

基于EMD和一維DenseNet、一維DenseNet與一維CNN的準確率與損失值分別如圖9所示。

圖9 3種網(wǎng)絡的訓練和測試準確率與損失

從3種網(wǎng)絡結構的訓練和測試結果可以看出，所提出的方法性能最優(yōu)。首先從測試的準確率圖和損失圖中可以清晰的反映出相比于CNN，所提出的方法和一維DenseNet在電液換向閥內(nèi)泄漏故障診斷中不僅整體準確率較高，損失值也較小。其次，從測試準確率圖和損失圖中還可以得出，一維DenseNet和一維CNN準確率曲線和損失值曲線波動較大，不穩(wěn)定，而所提出的方法不僅測試準確率最高，而且準確率和損失值分別達到最高和最低后基本趨于穩(wěn)定狀態(tài)。可見基于EMD和一維DenseNet相結合能有效的診斷電液換向閥內(nèi)泄漏故障。

6 結論

(1)在同等的網(wǎng)絡層數(shù)條件下，DenseNet通過跳層連接對特征復用及傳遞效率提高的方式比普通CNN在電液換向閥內(nèi)泄漏故障診斷中的精度更高。

(2)根據(jù)EMD在非線性、非平穩(wěn)信號及噪聲信號處理方面的優(yōu)勢，通過EMD對振動信號進行預處理，并將分解的IMF分量和原始信號在特征通道上并聯(lián)堆疊作為CNN的特征輸入，使得基于EMD和一維DenseNet在電液換向閥內(nèi)泄漏故障診斷中比一維DenseNet的性能更優(yōu)。