邱寒雨，張春峰，徐 兵，蘇 琦，王潤林

(1.浙江大學 流體動力與機電系統(tǒng)國家重點實驗室，浙江 杭州 310027；2.北京機械設備研究所，北京 100854)

引言

液壓起豎裝置是將物體由水平狀態(tài)提升到某一角度狀態(tài)的機構，在基礎設施建設和國防軍工領域均有廣泛應用。液壓系統(tǒng)作為起豎裝置的重要組成部分，存在元件眾多、回路復雜等特點，其故障具有隱蔽性，一旦發(fā)生故障，將造成經(jīng)濟損失和安全事故。

LINARIC D等[1]使用神經(jīng)網(wǎng)絡算法對液壓系統(tǒng)進行故障診斷，可以對液壓系統(tǒng)多重故障狀態(tài)進行識別；李勝等[2]提出基于決策樹的AdaBoost算法并將其應用于某型裝甲車輛液壓系統(tǒng)故障診斷研究，結果表明該算法優(yōu)于普通“一對一”算法與“一對余”算法；周大星等[3]利用Elman神經(jīng)網(wǎng)絡對液壓起豎系統(tǒng)建立了故障診斷模型，對計算得到的樣本數(shù)據(jù)進行仿真，在4種故障模式時準確率達到100%；宋濤等[4]將蟻群算法和BP神經(jīng)網(wǎng)絡相結合應用于發(fā)射系統(tǒng)柱塞泵故障診斷，對神經(jīng)網(wǎng)絡的權值和閥值進行優(yōu)化，使用MATLAB/Simulink進行仿真，對BP神經(jīng)網(wǎng)絡進行了一定的改進。上述研究各有特點，但對計算機運行內(nèi)存要求較高，運算量較大，針對特征量多、故障類別多的快速起豎裝置液壓驅(qū)動系統(tǒng)，仍需研究更加準確有效的故障診斷方法。

在對快速起豎裝置液壓驅(qū)動系統(tǒng)進行故障診斷時[5]，需要分析位移、壓力、流量等多個特征量對不同故障類型的影響。針對傳統(tǒng)BP神經(jīng)網(wǎng)絡模型分類準確率較低的問題，本研究搭建某型快速起豎裝置液壓驅(qū)動系統(tǒng)的實驗平臺，利用BP-AdaBoost算法構造分類器對實驗數(shù)據(jù)集進行分類。通過計算與實驗結果表明，與傳統(tǒng)的BP神經(jīng)網(wǎng)絡方法相比，改進后的多分類BP-AdaBoost算法能夠明顯提高分類準確率。

1 實驗臺簡介

1.1 實驗臺液壓系統(tǒng)原理

本研究針對某型快速起豎裝置，搭建了快速起豎裝置模擬實驗臺，用于解決快速起豎裝置液壓驅(qū)動系統(tǒng)故障診斷問題。對液壓系統(tǒng)進行故障診斷時需要對系統(tǒng)特征量進行分析，因此在液壓驅(qū)動系統(tǒng)中設置多個監(jiān)測關鍵點，實驗臺液壓系統(tǒng)原理及監(jiān)測關鍵點分布圖如圖1所示，關鍵點參數(shù)統(tǒng)計見表1。

表1 實驗臺監(jiān)測關鍵點參數(shù)統(tǒng)計表

1.油箱 2.軸向柱塞泵 3、6.電機 4.齒輪泵 5.葉片泵 7～9.單向閥 10、11、13.過濾器 12.溢流閥 14.比例溢流閥 15、24.壓力表 16、23.壓力傳感器 17.回油過濾器 18.風冷器 19.齒輪流量計 20、21、25.高壓球閥 22.渦輪流量計 26.減壓閥 27.電磁換向閥 28.比例伺服閥 29.平衡閥 30.加載液壓缸 31.起豎缸 32.節(jié)流閥

實驗裝置主要包括以下元件：電機泵組包括軸向柱塞泵、齒輪泵和葉片泵，齒輪泵控制軸向柱塞泵斜盤擺角調(diào)整系統(tǒng)流量，葉片泵防止加載缸無桿腔吸空；溢流閥調(diào)定系統(tǒng)壓力；比例伺服閥用于對起豎缸進行速度控制；起豎缸進出口安裝平衡閥，起到平衡負載和反向截止的作用；流量計對軸向柱塞泵出口和系統(tǒng)入口流量實時監(jiān)控。

1.2 故障注入方法及工況設置

國內(nèi)外各研究機構對故障注入方法進行了較為深入的研究[6-8]，基于快速起豎裝置實際運行情況，采用基于輔助元件的硬件故障注入方法，通過調(diào)節(jié)球閥、節(jié)流閥等輔助元件來模擬快速起豎裝置液壓驅(qū)動系統(tǒng)的故障工況。設置起豎缸內(nèi)泄、平衡閥泄漏、比例伺服閥閥芯卡死、平衡閥堵塞和正常工況等典型工況。故障注入方法及工況詳情如下：

(1)起豎缸內(nèi)泄：通過調(diào)節(jié)與起豎缸并聯(lián)的節(jié)流閥開度來模擬起豎缸內(nèi)泄，節(jié)流閥開度對應起豎缸內(nèi)部泄漏程度。液壓油由內(nèi)部高壓腔向低壓腔滲漏，導致起豎缸位移降低，嚴重時將導致起豎缸無法正常工作。可由起豎缸內(nèi)壓力、系統(tǒng)流量、起豎缸位移等特征量進行分析。

(2)平衡閥泄漏：通過調(diào)節(jié)與平衡閥并聯(lián)的節(jié)流閥開度來模擬平衡閥泄漏，節(jié)流閥開度對應平衡閥泄漏程度。隨著泄漏程度增大，平衡閥前后壓差減小，導致起豎缸油液壓力不足，起豎缸位移降低?？捎善鹭Q缸內(nèi)壓力、伺服閥壓力等特征量進行分析。

(3)伺服閥閥芯卡死：通過掐斷比例伺服閥電源來模擬伺服閥閥芯卡死，此時伺服閥的流量降低，導致起豎缸運動速度降低，運動至最大位置時間增加?？捎善鹭Q缸位移、伺服閥位移、伺服閥壓力等特征量進行分析。

(4)平衡閥堵塞：通過轉(zhuǎn)動平衡閥油路上的球閥角度來模擬平衡閥堵塞，當平衡閥完全堵塞時，液壓油無法通過平衡閥，起豎缸停止工作，系統(tǒng)內(nèi)壓力上升。可由起豎缸位移、起豎缸壓力、伺服閥壓力等特征量進行分析。

不同工況下液壓驅(qū)動系統(tǒng)特征量有所不同，通過對特征量分析可以對驅(qū)動系統(tǒng)工況進行分類，對不同工況建立特征量表，詳見表2。

表2 快速起豎裝置液壓驅(qū)動系統(tǒng)工況特征量表

快速起豎裝置模擬實驗臺主要包括液壓動力源、機械執(zhí)行裝置和電控操作臺，實驗臺如圖2所示。對快速起豎裝置進行故障注入實驗，得到起豎缸內(nèi)泄、平衡閥泄漏、比例伺服閥閥芯卡死、平衡閥堵塞和正常工況等8種典型工況下各個特征量的輸入數(shù)據(jù)，為后續(xù)搭建故障診斷模型奠定基礎。

圖2 快速起豎裝置模擬測試臺實物圖

2 故障診斷模型建立

在快速起豎裝置液壓驅(qū)動系統(tǒng)故障診斷模型的建立中，需要對液壓驅(qū)動系統(tǒng)中的位移、壓力、流量等多個特征量進行分析，以對多種故障類型進行準確診斷，BP-AdaBoost算法尤其適用于這種多分類非線性關系問題。

2.1 BP-AdaBoost算法

BP神經(jīng)網(wǎng)絡是目前應用最為廣泛的神經(jīng)網(wǎng)絡模型之一，其實質(zhì)是一類按照誤差逆向傳播運算的多層前饋網(wǎng)絡。BP-AdaBoost算法通常應用于二分類問題[9]，特點是將單個BP網(wǎng)絡模型作為弱分類器，將多個弱分類器按照不同權重值組成強分類器，通過不斷訓練樣本，進行快速起豎裝置液壓驅(qū)動系統(tǒng)故障分類。

傳統(tǒng)的多分類BP-AdaBoost算法是基于二分類算法，構造多個強分類器，訓練時間和訓練精度受訓練數(shù)據(jù)量影響較大，因此需要進行改進，以適應快速起豎裝置多故障分類問題。本研究對多分類BP-AdaBoost算法改進主要有以下兩點：一是將BP神經(jīng)網(wǎng)絡與指數(shù)損失函數(shù)的逐步疊加建模算法進行結合構造多分類BP-AdaBoost算法；二是不再計算分類誤差，改為計算分類錯誤率。該起豎裝置液壓驅(qū)動系統(tǒng)BP-AdaBoost算法流程圖如圖3所示，其主要特點是，每次訓練時對訓練數(shù)據(jù)和BP神經(jīng)網(wǎng)絡弱分類器的權重值進行修改以改善模型。

圖3 起豎裝置液壓驅(qū)動系統(tǒng)BP-AdaBoost算法流程圖

假設給定多分類訓練數(shù)據(jù)集T={(x1,y1),(x2,y2),…,(xn,yn)},其中輸入數(shù)據(jù)Xi∈X?Rn，標簽數(shù)據(jù)為yi∈{-1,+1}，輸出強分類器G(x)。改進的多分類BP-AdaBoost算法具體步驟如下。

(1)初始化BP神經(jīng)網(wǎng)絡權值閾值：

i=1，2,…,n

(1)

(2)對于M個弱分類器，form=1∶M，進行訓練數(shù)據(jù)集訓練，得到BP神經(jīng)網(wǎng)絡弱分類器：

Gm(x)∶x→{1,2,…,K}

(2)

(3)計算Gm(x)分類錯誤率：

(3)

(4)計算Gm(x)系數(shù)：

(4)

(5)更新訓練數(shù)據(jù)權重值，其中fi∈{-1,+1},當預測結果正確時取1，預測錯誤時取-1：

Dm+1=(wm+1,1,…,wm+1,i,…,wm+1,n)

(5)

(6)

(7)

式(6)對結果進行歸一化，得到最終的強分類器G(x)：

(8)

2.2 故障診斷模型參數(shù)設置

經(jīng)過測試臺故障注入試驗，得到8種典型工況對應的11個特征量的輸入數(shù)據(jù)，每種工況選擇100個特征樣本共800個樣本用于系統(tǒng)故障診斷，其中560個特征樣本用于模型訓練，240個特征樣本用于模型測試驗證。7種故障工況及1個正常工況的輸出數(shù)據(jù)以數(shù)字1～8編碼表示。利用該數(shù)據(jù)集對BP神經(jīng)網(wǎng)絡故障診斷模型和改進后的多分類BP-AdaBoost故障診斷模型進行故障診斷分析。從診斷模型網(wǎng)絡數(shù)據(jù)擬合度、測試臺注入故障類型分類錯誤率、預測輸出和相對誤差值進行對比分析。

對診斷模型的數(shù)據(jù)進行特征量選取、樣本選擇和數(shù)據(jù)歸一化處理之后，利用MATLAB軟件編寫測試臺BP神經(jīng)網(wǎng)絡故障診斷模型，其中權值和閾值不需初始化設定，newff函數(shù)自動隨機初始化賦值，此外根據(jù)特征量將輸入、輸出層節(jié)點數(shù)設置為11；通過測試對比將隱層和輸入層、輸出層之間對應的傳遞函數(shù)設置為tansig和purelin函數(shù)，將模型訓練函數(shù)設置為trainlm訓練函數(shù)；另根據(jù)經(jīng)驗公式將隱層節(jié)點數(shù)設置為12，最大迭代次數(shù)取60000次，學習率取0.01，學習目標取0.01。

根據(jù)BP神經(jīng)網(wǎng)絡故障診斷模型參數(shù)，將改進的多分類BP-AdaBoost故障診斷模型中單個BP神經(jīng)網(wǎng)絡弱分類器參數(shù)設置一致，并將弱分類器個數(shù)設置為20個。

3 結果對比分析

以測試驗證數(shù)據(jù)集240個樣本為例，以注入故障類型1～8編碼為實際輸出向量，將20個BP神經(jīng)網(wǎng)絡故障診斷模型作為弱分類器，經(jīng)過模型計算后，得到20個弱分類器BP神經(jīng)網(wǎng)絡故障診斷模型平均值的混淆矩陣，如圖4所示，改進的多分類BP-AdaBoost故障診斷模型的混淆矩陣，如圖5所示?；煜仃嚨牡?至第8行代表8種典型工況的預測識別情況，其中淺灰色方格代表預測結果正確的個數(shù)及總體比例，深灰色方格代表預測結果錯誤的個數(shù)及總體比例，灰色方格代表每一種工況預測結果錯誤的個數(shù)及比例，白色方格代表總體的預測正確率及錯誤率。結果表明改進的多分類BP-AdaBoost診斷模型相比于BP神經(jīng)網(wǎng)絡診斷模型，注入故障類型預測值BA更接近實際值B，具有更高的預測準確度。

圖4 BP故障診斷模型混淆矩陣

圖5 BP-AdaBoost故障診斷模型混淆矩陣

在對數(shù)據(jù)進行分類時，選取20個弱分類器BP神經(jīng)網(wǎng)絡故障診斷模型構造強分類器BP-AdaBoost故障診斷模型，對BP神經(jīng)網(wǎng)絡故障診斷模型預測結果和BP-AdaBoost故障診斷模型預測結果進行統(tǒng)計，如圖6所示。結合數(shù)據(jù)可知20個BP神經(jīng)網(wǎng)絡故障診斷模型平均分類錯誤率α為10.8%，改進的多分類BP-AdaBoost故障診斷模型分類錯誤率為2.5%。由此可知BP-AdaBoost故障診斷模型相比于BP神經(jīng)網(wǎng)絡故障診斷模型錯誤率降低8.3%，效果更優(yōu)。

圖6 BP故障診斷模型與BP-AdaBoost故障診斷模型分類錯誤率對比

根據(jù)實際值與故障診斷模型預測值，計算BP神經(jīng)網(wǎng)絡故障診斷模型與BP-AdaBoost故障診斷模型對樣本序列l(wèi)的預測誤差值β。將20個BP神經(jīng)網(wǎng)絡故障診斷模型誤差值之和最小值設置為BP-Best，將20個BP神經(jīng)網(wǎng)絡故障診斷模型誤差值之和最大值設為BP-Bad，得到BP神經(jīng)網(wǎng)絡故障診斷模型和BP-AdaBoost故障診斷模型對不同注入類型預測誤差值曲線，如圖7所示。BP-AdaBoost故障診斷模型相對于BP神經(jīng)網(wǎng)絡故障診斷模型減小了預測誤差值，提高了預測準確度。

圖7 BP故障診斷模型與BP-AdaBoost故障診斷模型對不同類型故障預測誤差

4 結論

本研究針對快速起豎裝置液壓驅(qū)動系統(tǒng)提出一種基于優(yōu)化BP神經(jīng)網(wǎng)絡的液壓驅(qū)動系統(tǒng)故障診斷方法。將AdaBoost算法和BP神經(jīng)網(wǎng)絡相結合，建立故障診斷模型，并搭建了實驗裝置。通過采集8種典型工況下液壓驅(qū)動系統(tǒng)的各特征量作為數(shù)據(jù)集，對改進的BP-AdaBoost故障診斷模型進行訓練和測試，計算與實驗結果表明，與傳統(tǒng)的BP神經(jīng)網(wǎng)絡故障診斷方法相比，本研究提出的改進BP-AdaBoost故障診斷方法準確率提高了8.3%，具有更優(yōu)異的分類性能，對快速起豎裝置液壓驅(qū)動系統(tǒng)故障診斷與維護具有重大意義。